Statistiques - Apprentissage automatique

Apprends à améliorer l'entraînement des réseaux de neurones graphiques et à éviter les pièges courants.

Une nouvelle façon de comprendre l'erreur de généralisation dans les algorithmes de machine learning.

Un aperçu de comment la SGD minimise efficacement des fonctions en utilisant l'échantillonnage aléatoire.

Une approche moderne pour améliorer l'analyse des données spatiales en utilisant des méthodes d'apprentissage automatique.

Une nouvelle méthode améliore la sélection des variables dans les modèles d'analyse de survie.

Une nouvelle méthode améliore la fiabilité des modèles d'apprentissage profond en s'attaquant à l'incertitude prédictive.

De nouvelles découvertes améliorent les bornes PAC-Bayes pour une meilleure évaluation des performances des algorithmes.

Un aperçu de la façon dont l'entraînement antagoniste renforce la robustesse des modèles d'apprentissage automatique.

Explorer comment les exposants de Lyapunov à temps fini révèlent la sensibilité des réseaux aux changements d'entrée.

Analyse de la mémoire et de l'efficacité des requêtes dans les algorithmes d'optimisation convexe randomisés.

L'algorithme ICE améliore les performances en classification linéaire pour des domaines critiques.

Découvre l'entraînement dynamique sparse et ses avantages pour l'efficacité des réseaux de neurones.

Un cadre pour améliorer les prédictions en utilisant l'abstention contre les données trompeuses.

Apprends des méthodes pour gérer des données fonctionnelles complexes de manière efficace.

Les méthodes d'inférence causale évoluent pour relever des défis dans la santé, l'éducation et le e-commerce.

Examiner comment les modèles surparamétrés peuvent apprendre et généraliser dans des contextes multiclasses.

Examen de la perte Lipschitz à racine carrée pour une meilleure performance des algorithmes d'apprentissage avec des données bruyantes.

Une nouvelle approche améliore la performance des GNN sur des relations de données complexes.

Cet article examine les biais dans les prévisions d'assurance et les solutions pour un traitement équitable.

GLRU optimise les mises à jour des modèles de machine learning pour des jeux de données en évolution.

Explorer les capacités de mémorisation et de généralisation des réseaux de neurones quantiques.

Une nouvelle méthode améliore les modèles de prédiction en utilisant des données structurées.

Une méthode pour transformer des données complexes en distributions ressemblant à des gaussiennes pour une analyse plus facile.

Un nouveau cadre de prévisions flexible améliore la précision dans la prédiction de la génération d'énergie.

Des chercheurs améliorent les calculs de différence d'énergie avec l'apprentissage automatique pour des études moléculaires.

Une nouvelle méthode améliore la clarté dans l'analyse des données fonctionnelles multivariées complexes.

Nouvelles méthodes de classification pour des données HDLSS difficiles sans réduction de dimension.

G-TRACER améliore la généralisation des modèles de deep learning grâce à des techniques axées sur la stabilité.

Une nouvelle métrique améliore la précision et la clarté des prédictions du modèle.

Une nouvelle méthode pour améliorer la précision de la régression linéaire malgré la variabilité des données.

Explorer comment les données publiques peuvent améliorer les modèles d'apprentissage machine préservant la vie privée.

La recherche explore des motifs dans des ensembles de données complexes en utilisant des techniques de physique statistique.

WGR améliore les techniques de régression pour de meilleures prévisions de résultats.

BatchGFN améliore l'apprentissage actif par lots en sélectionnant efficacement des points de données utiles.

Cet article parle de la méthode de sampling Restart dans les modèles génératifs.

Une méthode pour clarifier les prédictions d'apprentissage automatique grâce à des graphes causaux.

Cet article parle du rôle des ensembles dans l'amélioration des prédictions de données en plusieurs étapes.

Explore comment la confidentialité différentielle protège les données individuelles lors de l'analyse collective.

Explorer des algorithmes efficaces pour la prise de décision dans des scénarios de récompenses incertaines.

Cette recherche présente une méthode pour détecter des communautés tout en garantissant la confidentialité des données.