Statistiques - Apprentissage automatique

Explorer de nouvelles méthodes pour une meilleure prise de décision en cas d'incertitude dans les systèmes d'IA.

Un aperçu du lissage randomisé comme défense pour les modèles d'apprentissage automatique.

Examiner le rôle de la robustesse dans l'estimation de distributions inconnues à partir d'échantillons.

De nouvelles méthodes utilisant des modèles de diffusion améliorent la cybersécurité contre les exemples adverses.

Une nouvelle approche pour améliorer les prompts des modèles texte-à-image pour de meilleurs résultats.

Explorer comment les transformers analysent les sentiments dans le texte, comme les critiques de films.

Une nouvelle méthode améliore l'équité dans la modélisation des données de santé.

Un nouveau cadre améliore la précision des prédictions tout en minimisant la taille des ensembles de prédiction.

Amélioration de la précision dans l'estimation des ratios de densité par des approches géométriques.

Une nouvelle méthode améliore l'alignement des modèles d'IA sans nécessiter de réentraînement.

Une nouvelle méthode améliore l'efficacité de l'ajustement des hyperparamètres en utilisant les données des modèles précédents.

Cet article examine l'importance des maxima et du test d'espacement dans les champs aléatoires gaussiens.

De nouveaux algorithmes améliorent l'apprentissage des états quantiques avec un minimum de perturbation et un regret réduit.

De nouvelles techniques améliorent les prévisions météo locales en pleine crise climatique.

Un nouvel algorithme améliore la découverte causale en utilisant des connaissances de fond basées sur le temps.

Une nouvelle méthode améliore les performances des modèles génératifs même avec peu de données d'entraînement.

Les méthodes d'abstraction d'état améliorent la fiabilité de l'évaluation hors politique dans des environnements complexes.

Cet article discute d'une nouvelle méthode de calibration des modèles basés sur des agents en utilisant des forêts aléatoires.

De nouvelles techniques d'échantillonnage améliorent l'efficacité de l'analyse statistique.

Explorer comment les données bruyantes affectent la performance du modèle sur des données inédites.

Apprends comment les modèles à ordre réduit aident à analyser des systèmes complexes en utilisant l'entropie de causalité.

Cette méthode améliore la création de prompts pour les grands modèles de langage, ce qui booste la performance globale.

Les scientifiques utilisent l'apprentissage automatique pour améliorer les prévisions sur les combinaisons de médicaments contre le cancer.

AnInfoNCE améliore l'apprentissage contrastif en s'attaquant aux défis de l'augmentation des données.

Une étude sur l'équilibre entre l'apprentissage par transfert et la vie privée individuelle dans l'utilisation des données.

Méthodes innovantes pour analyser les valeurs extrêmes dans les données météorologiques et environnementales.

Une nouvelle technique utilisant l'électrostatique pour une meilleure échantillonnage et estimation des données.

BART est un outil puissant pour prédire des résultats dans divers domaines.

KSGAN améliore les modèles génératifs avec une mesure de distance unique pour une meilleure génération d'échantillons.

Une nouvelle méthode améliore la prise de décision en optimisation avec des considérations de coût.

Combiner l'IA et les connaissances médicales améliore les stratégies de traitement en médecine de précision.

Cette étude prouve la convergence globale pour le Gradient EM dans des modèles de mélanges gaussiens sur-paramétrés.

WLDA améliore la classification AI en gérant efficacement les données manquantes.

SON-NMF propose une nouvelle approche pour estimer les rangs dans la factorisation de matrices.

Une nouvelle méthode pour une inférence bayésienne plus efficace grâce à l'inférence variationnelle par particules.

Présentation d'une méthode pour simplifier les relations entre variables dans les modèles graphiques grâce au clustering.

Une nouvelle méthode pour ajuster les hyperparamètres en utilisant des idées bayésiennes.

Des techniques de modélisation efficaces améliorent les processus de conception en ingénierie et réduisent les coûts.

Cette recherche améliore les processus gaussiens en utilisant des caractéristiques de Fourier adaptatives pour de meilleures prédictions.

Apprends les structures causales et l'impact des variables non mesurables.