Statistiques - Apprentissage automatique

Les modèles de diffusion masqués montrent du potentiel dans la modélisation générative pour le texte et les images.

Présentation d'une nouvelle méthode pour les réseaux de neurones bayésiens qui améliore la modélisation de l'incertitude.

Cette méthode améliore la sélection des données dans l'optimisation bayésienne, augmentant l'efficacité et les résultats.

Une nouvelle approche améliore la précision des évaluations des modèles linguistiques.

Cet article explore la surparamétrisation et son impact sur l'efficacité de l'entraînement des modèles.

Cette étude évalue les techniques d'analyse de survie en utilisant des ensembles de données simples avec des données manquantes.

Ce papier explore des moyens d'améliorer l'évaluation de la calibration des modèles et de la précision prédictive.

Découvre comment les sous-espaces aléatoires améliorent la généralisation des modèles en apprentissage automatique.

Cette étude examine l'inférence variationnelle en utilisant des mélanges gaussiens à variance fixe.

Cet article explore les défis pour atteindre l'équité en apprentissage automatique entre différents groupes démographiques.

Présentation d'un modèle qui combine des transformations basées sur des arbres pour une génération de résultats efficace.

Présentation de nouveaux solveurs pour un transport optimal efficace en apprentissage automatique.

Examiner comment l'entraînement influence la performance du modèle dans des situations adversariales.

Une nouvelle approche pour le regroupement en utilisant des modèles de blocs stochastiques à vues multiples.

Approche innovante pour créer des fonctions d'acquisition efficaces pour l'optimisation bayésienne.

Un aperçu de comment l'optimisation bayésienne s'attaque aux défis de haute dimension.

Les chercheurs utilisent FlowMM pour prédire et créer de nouveaux matériaux cristallins de manière efficace.

Une nouvelle méthode améliore la modélisation de Markov en s'attaquant aux limites de l'analyse des données de séries temporelles complexes.

Un nouveau modèle améliore la génération de données tabulaires synthétiques pour diverses applications.

Analyser le comportement du système de classement Elo et son impact sur les tournois compétitifs.

Une approche claire pour comprendre les effets des actions successives dans différents domaines.

Comprendre comment le contexte influence la prise de décision grâce à des bandits de continuum contextuels.

Les portes dérobées dans les modèles d'IA représentent des menaces sérieuses pour la finance et la santé.

Une nouvelle approche de l'optimisation permet une meilleure analyse des tailles de pas variées.

Présentation de l'estimateur de regroupement de panneaux pour une analyse améliorée de l'effet des traitements.

De nouveaux algorithmes améliorent la compréhension des relations entre les variables dans la découverte causale.

Une nouvelle façon de comprendre des séquences de données complexes sans supervision.

Aperçus sur le comportement des utilisateurs grâce à des techniques de modélisation de données innovantes.

Une méthode pour améliorer la précision du modèle en prenant en compte l'incertitude des variables.

Cette recherche parle du rôle de l'apprentissage fédéré pour protéger la vie privée pendant l'analyse des données.

Nouvelles méthodes pour les tests statistiques tout en protégeant la vie privée des données grâce à l'apprentissage fédéré.

De nouvelles approches améliorent les stratégies de contrôle pour des systèmes complexes et non linéaires en utilisant des caractéristiques aléatoires.

Cet article examine comment les Transformers raisonnent et le rôle des blocs-notes.

Présentation d'un modèle pour analyser des processus de saut de Markov complexes avec des données bruyantes.

Les techniques basées sur les données doivent protéger la vie privée tout en identifiant les meilleures options.

Cette recherche améliore la fiabilité des modèles de machine learning grâce à des techniques de calibration et de recalibration.

Apprends comment la prédiction conforme boostée améliore la compréhension de l'incertitude dans les modèles.

La détection d'anomalies améliore la sécurité des véhicules en identifiant des motifs inhabituels dans les données.

Présentation de Treeffuser pour des prévisions probabilistes améliorées à partir de données tabulaires.

Cet article parle de comment éviter l'effondrement des modèles en utilisant une meilleure sélection de données et des retours.