Statistiques - Apprentissage automatique

Cet article parle de l'importance de l'équité dans les prédictions des machines.

Un aperçu du under-bagging comme solution pour les données déséquilibrées en apprentissage automatique.

Simformer améliore les méthodes d'inférence en s'attaquant aux défis de l'analyse basée sur la simulation.

Un aperçu de la confidentialité différentielle et de son application dans l'apprentissage automatique.

Un nouveau modèle montre comment les réseaux profonds apprennent efficacement à partir de données structurées et éparses.

Un regard détaillé sur l'évaluation du clustering et le rôle des indices de validité relative.

Les chambres causales fournissent des données réelles pour valider les méthodes d'IA à travers des expériences contrôlées.

Explorer les méthodes utilisées pour l'attribution de caractéristiques dans les réseaux de neurones.

Une nouvelle méthode améliore l'apprentissage des graphes acycliques orientés malgré des niveaux de bruit variés.

Une nouvelle méthode améliore la clarté et la performance des prédictions de GNN.

Combiner les connaissances en physique avec des modèles basés sur les données améliore la performance de la modélisation générative.

SOBER améliore l'efficacité pour trouver les paramètres optimaux pour des modèles complexes.

Une nouvelle méthode améliore l'optimisation dans des problèmes coûteux à haute dimension.

Un aperçu de comment les pratiques d'embauche impactent les travailleurs et l'économie.

Une nouvelle méthode améliore la précision dans la modélisation des systèmes non linéaires en s'attaquant aux incertitudes.

Un guide sur l'importance des caractéristiques et son rôle dans les prédictions du modèle.

Une nouvelle approche pour améliorer l'apprentissage dans les MDP à récompense moyenne à horizon infini.

Apprends à faire de meilleures prévisions et décisions en minimisant le regret d'échange.

De nouvelles méthodes améliorent la précision dans la modélisation de données complexes en utilisant l'inférence basée sur la simulation.

DyS combine une bonne performance et une interprétabilité pour une analyse de survie efficace.

Un aperçu de la façon dont la méthode Mb-SVRN améliore l'optimisation et l'analyse des données.

Une étude explore comment les modèles de machine learning prédisent le risque de CLABSI en utilisant des données d'hôpital.

Un nouvel outil pour mesurer la séparation des clusters dans l'analyse de données.

Cet article présente une nouvelle approche pour identifier les composants dans des modèles de mélanges finis.

Cet article examine les méthodes de Neyman pour évaluer des règles de traitement modernes adaptées aux individus.

Une nouvelle méthode améliore les prévisions en générant des données dynamiquement pendant l'entraînement.

Techniques pour affiner les données en apprentissage machine pour une meilleure efficacité et précision.

De nouvelles méthodes améliorent l'analyse de vraisemblance dans les modèles graphiques pour des données complexes.

Une nouvelle méthode améliore les recommandations de films en évaluant l'incertitude dans les préférences de groupe.

L'inférence fédérée bayésienne permet de faire des analyses de survie tout en préservant la vie privée dans la recherche sur le cancer.

Cet article présente une méthode pour tester l'indépendance dans les données catégorisées.

PLCP offre des ensembles de prédictions fiables pour différentes populations, ce qui améliore la prise de décision.

Une nouvelle méthode améliore l'efficacité dans l'optimisation des séquences de protéines.

Une nouvelle approche améliore les prévisions probabilistes pour la gestion des systèmes électriques.

Explorer l'impact du cadre PAC-Bayésien sur la généralisation en apprentissage automatique.

Le calcul par réservoir propose une nouvelle façon de gérer efficacement les données en séries temporelles.

Méthodes et techniques pour mieux prendre des décisions en ligne avec peu d'infos.

Cet article parle de l'importance des pratiques de données pour assurer l'équité dans l'apprentissage automatique.

Une étude sur l'amélioration de la précision des prédictions pour les modèles de régression.

Présentation d'une méthode pour sélectionner des sous-données afin d'améliorer la précision de classification.