Statistiques - Apprentissage automatique

De nouvelles stratégies en apprentissage fédéré améliorent la vie privée et l'efficacité dans l'apprentissage automatique.

Un aperçu de comment l'analyse au niveau de groupe améliore la compréhension des décisions en machine learning.

Cet article passe en revue l'efficacité de quatre méthodes de découverte causale dans des données complexes.

De nouvelles méthodes combinent des données structurées et non structurées pour de meilleures prévisions.

Explore comment l'apprentissage par renforcement hors ligne améliore la prise de décision en analysant les expériences passées.

Explorer l'impact des représentations latentes sur la performance du machine learning.

Une nouvelle approche améliore les modèles génératifs pour des résultats de meilleure qualité dans différents domaines.

Cette étude examine les attaques adversariales sur l'apprentissage profond, en se concentrant sur la performance des CNN.

De nouvelles méthodes améliorent la clarté des prédictions en apprentissage automatique.

Une étude comparant les méthodes d'imputation pour gérer les données manquantes dans des structures hiérarchiques.

Une plongée dans les aspects clés et les défis de l'apprentissage fédéré décentralisé.

L'étude met en avant des problèmes qui touchent l'équité des explications de l'IA selon différents groupes.

Un aperçu de comment on évalue la qualité des prévisions.

Présentation de CAP pour améliorer l'équité et l'efficacité des modèles d'apprentissage machine.

Des chercheurs améliorent la sélection d'anticorps en prédisant l'humanité grâce à l'analyse des données de brevets.

De nouvelles techniques améliorent l'inférence bayésienne dans des systèmes complexes et de haute dimension.

Explorer comment l'entraînement adversarial améliore la robustesse des modèles grâce à la purification des caractéristiques.

Découvrez comment P3LS permet un partage de données sécurisé dans le secteur manufacturier.

Une nouvelle méthode améliore la comparaison des modèles climatiques avec les observations du monde réel.

Une méthode pour réaliser des tests bayésiens tout en protégeant la vie privée des individus.

Une nouvelle approche améliore la précision dans l'estimation des effets de traitement continu dans différents domaines.

Combiner les statistiques bayésiennes et la théorie des décisions pour améliorer la prise de décision avec des données incertaines.

Cette étude explore les réseaux de neurones pour l'estimation de la fonction de score dans les modèles de diffusion.

Examiner comment différents traitements impactent les résultats des patients dans les soins de santé.

Des techniques avancées améliorent la façon dont les scientifiques étudient les comportements moléculaires en biologie et en chimie.

Un aperçu de la validation croisée K-fold et de son efficacité dans la sélection de modèles.

Des chercheurs utilisent l'apprentissage automatique pour améliorer la préparation des états de spin quantique comprimés.

Comprendre les attaques d'exemples non apprenables à travers la théorie des jeux pour une meilleure protection des données.

Cet article analyse les avantages de l'attention multi-tête par rapport à l'attention mono-tête dans les tâches d'apprentissage automatique.

Cet article explore de nouvelles méthodes de modélisation de la courbe des taux en utilisant des techniques d'apprentissage profond.

De nouvelles méthodes améliorent l'estimation dans des modèles scientifiques complexes.

L'analyse de survie aide à prédire quand des événements se produisent dans différents domaines.

Les chercheurs combinent des sources de données pour améliorer efficacement les prédictions des propriétés moléculaires.

L'exploration est super importante pour que les agents apprennent et améliorent leur prise de décision.

Une méthode pour améliorer la classification des données en utilisant des techniques de régularisation.

BICauseTree propose des méthodes transparentes pour estimer les effets causaux dans différents domaines.

Une nouvelle méthode améliore la modélisation multidimensionnelle sans coûts computationnels élevés.

La théorie de l'apprentissage crédal offre de nouvelles perspectives pour adapter les modèles d'apprentissage automatique aux données qui évoluent.

Cet article parle de l'utilisation de données non étiquetées pour améliorer les modèles d'apprentissage automatique.

Un aperçu de comment les lois d'échelle influencent l'efficacité et la précision des réseaux de neurones.