Statistiques - Apprentissage automatique

Présentation d'une nouvelle approche pour un échantillonnage efficace à partir de distributions complexes.

Examiner le rôle de l'apprentissage profond dans l'amélioration des modèles causaux.

Explorer le rôle des algorithmes aléatoires dans la simplification des données complexes.

Explorer comment les GMFGs modélisent des interactions diverses entre les agents dans des systèmes complexes.

De nouveaux modèles améliorent les prévisions sur la durée de vie des machines grâce à l'apprentissage profond.

De nouvelles méthodes améliorent la performance des tâches principales en utilisant des données auxiliaires sans coûts de calcul supplémentaires.

Une nouvelle méthode de filtrage s'attaque aux valeurs aberrantes pour une meilleure précision des données.

Cet article examine comment les réseaux ReLU approchent des fonctions à faible régularité.

Une nouvelle méthode pour analyser des données catégorielles tout en garantissant la confidentialité.

Une nouvelle méthode pour estimer les effets des traitements en utilisant des essais contrôlés et des données du monde réel.

Apprends comment le CME et la compression améliorent les prédictions à partir de données complexes.

Ce boulot montre comment différents facteurs s'influencent les uns les autres dans des systèmes complexes.

Une méthode pour construire des zones de confiance dans les équations statistiques pour les effets de traitement.

Améliorer la performance des DNN grâce à des méthodes d'échantillonnage de données efficaces.

Un aperçu de comment l'échantillonnage de Thompson aide à la prise de décision en cas d'incertitude.

Présentation d'une nouvelle méthode pour évaluer la qualité des données dans l'apprentissage automatique.

Cette étude présente de nouveaux algorithmes pour apprendre des réseaux bayésiens en utilisant des techniques d'apprentissage en ligne.

Cette étude examine comment la curiosité influence l'efficacité de l'exploration chez les agents artificiels.

Une méthode pour améliorer l'analyse de données distribuées et de haute dimension dans divers domaines.

Présentation de SGBD : une technique pour améliorer l'efficacité de l'échantillonnage bayésien.

Cet article présente des méthodes pour optimiser les évaluations en tenant compte des coûts de changement dans l'optimisation bayésienne.

De nouvelles méthodes améliorent l'efficacité du filtrage de Kalman et les estimations d'incertitude dans des contextes à haute dimension.

Une nouvelle méthode améliore la quantification de l'incertitude dans les modèles entraînés de manière adversariale.

Une nouvelle méthode crée des intervalles de prédiction fiables en utilisant des données diverses tout en garantissant la confidentialité.

Les techniques de machine learning font avancer l'étude des 3-manifolds complexes et de leurs triangulations.

WGBoost offre des prédictions probabilistes avancées et une meilleure gestion de l'incertitude dans différents domaines.

Cet article parle de nouvelles idées sur la régression causale pour prendre de meilleures décisions.

Examiner l'effet de saturation dans la régression de Ridge à noyau et ses implications pour les prédictions.

Une nouvelle approche pour mesurer l'équité dans les admissions universitaires et les évaluations de crédit.

Comprendre les complexités de l'évaluation des effets d'un seul traitement dans les conceptions factorielle.

Cet article parle des méthodes pour créer des intervalles de prévision étroits dans des conditions de données changeantes.

Une méthode pour évaluer la fiabilité des résultats de l'IA dans le secteur de la santé et au-delà.

De nouvelles techniques améliorent la cartographie des états en mécanique quantique et en apprentissage automatique.

LaT-PFN améliore les prévisions en utilisant du contexte et des données synthétiques pour les prédictions.

Explorer le feedback limité dans les tâches de classification en apprentissage automatique.

Une méthode pour traiter les erreurs de données dans l'analyse à haute dimension.

Analyser les modèles existants révèle des infos sur les tendances de performance des modèles de langage à mesure qu'ils grandissent.

Un nouveau cadre pour choisir des sources d'infos tout en minimisant les erreurs de classification et les coûts.

Un modèle hybride améliore les prévisions des tendances et des interventions liées au COVID-19.

Apprends comment un nouveau modèle s'attaque au turnover des clients et améliore les stratégies de fidélisation.