Statistiques - Apprentissage automatique

Examiner comment la sensibilité aux mots affecte les modèles de traitement du langage naturel.

Un nouveau modèle améliore les réseaux de neurones en utilisant des structures de graphes pour de meilleures performances.

Des recherches montrent que les modèles autorégressifs peuvent améliorer la prise de décision dans l'apprentissage par renforcement hors ligne.

Un nouveau cadre simplifie l'apprentissage par renforcement pour des environnements complexes.

Cette étude révèle un nouveau modèle d'IA d'échecs entraîné sur des millions de parties.

Une méthode pour comprendre les interactions des données dans différents domaines.

De nouvelles méthodes améliorent la précision de classification en s'attaquant aux étiquettes bruyantes au fil du temps.

Une explication claire des DDPM et de leurs applications pratiques dans la génération de données.

PQMass mesure la qualité des modèles génératifs en utilisant l'estimation de la masse de probabilité.

Ce papier relie des modèles de transformateurs avec des chaînes de Markov pour améliorer la compréhension.

Combiner des sources de données diverses améliore la modélisation prédictive dans la recherche sur les matériaux.

De nouvelles limites pour les GNN améliorent la performance contre les attaques adversariales.

De nouvelles méthodes améliorent la vitesse et l'efficacité des processus gaussiens pour la prédiction de données.

Nouvelles méthodes pour protéger les données sensibles contre l'accès non autorisé dans l'apprentissage automatique.

Explore comment les jeux de données synthétiques améliorent la performance des modèles de machine learning et la sélection des modèles.

S'attaquer au défi de la vie privée dans la prise de décision basée sur les données pour la santé.

Un nouvel algorithme améliore l'efficacité du RL hors ligne avec des structures MDP de bas rang.

Explorer comment des tailles de lots plus grandes améliorent la confidentialité différentielle en apprentissage automatique.

Une nouvelle approche des métriques améliore l'efficacité des tests A/B et la prise de décision.

Les algos améliorent les stratégies des joueurs dans des environnements de jeu incertains.

Cette étude examine des fonctions d'activation adaptatives pour améliorer les performances du modèle dans des scénarios avec peu de données.

Une nouvelle approche améliore la précision des prédictions en s'attaquant aux paramètres nuisibles.

Recherche sur comment le biais inductif affecte la performance des modèles Transformer.

Cet article examine comment les algorithmes de machine learning apprennent et appliquent des connaissances à de nouvelles données.

Explorer de nouvelles méthodes pour améliorer les modèles de diffusion dans la génération d'échantillons de distributions complexes.

Un nouvel algorithme améliore l'apprentissage des relations complexes entre les variables en utilisant des MAGs.

Examiner comment les processus de Hawkes marqués éclairent les interactions entre événements au fil du temps.

Explorer le lien entre les matrices de poids et l'apprentissage des caractéristiques dans les réseaux de neurones.

Une nouvelle approche pour estimer les effets du traitement tout en prenant en compte l'incertitude individuelle.

Apprends comment les modèles génératifs basés sur les scores créent de nouvelles données à partir de bruit.

Cette étude améliore la prise de décision dans des scénarios d'exploration limités en utilisant des informations antérieures.

Méthodes pour prédire des données invisibles à partir d'échantillons observés.

Examiner l'auto-attention et la descente de gradient dans les modèles de transformateurs.

Un aperçu de la capacité de mémoire dans les machines à comité en forme d'arbre large et ses implications.

Cet article explore comment les machines à comités en forme d'arbre gèrent la capacité de mémoire avec différentes activations.

SAGD-IV propose une approche flexible pour analyser les relations de cause à effet dans des ensembles de données complexes.

Explorer des méthodes de confidentialité différentielle dans l'apprentissage par renforcement pour protéger les données sensibles.

Un nouveau cadre pour analyser les données longitudinales avec des valeurs manquantes dans divers domaines.

De nouvelles méthodes améliorent la fiabilité des prévisions de l'IA, surtout dans des domaines cruciaux.

Une nouvelle méthode améliore l'efficacité d'échantillonnage pour des distributions de probabilité complexes.