Derniers articles pour Science des données

Une nouvelle méthode pour expliquer les Graph Neural Networks améliore la transparence et la confiance.

Des méthodes avancées améliorent la précision des prévisions de pluie pour une meilleure réponse aux catastrophes.

Une nouvelle méthode prédit la structure des graphes dynamiques au fil du temps.

L'apprentissage automatique améliore la génération de données pour une meilleure localisation et détection.

Cette étude examine comment la structure du langage améliore les prédictions de mise en page dans les machines.

Une nouvelle méthode améliore le mouvement de la distribution de probabilité en utilisant des réseaux neuronaux.

De nouvelles méthodes d'imagerie améliorent la détection des maladies du riz en Égypte.

MANTRA améliore les prévisions à long terme avec une approche d'apprentissage dual pour plus de précision.

Nouveau cadre s'attaque efficacement aux défis des réseaux de neurones graphiques.

Explorer des moyens d'améliorer l'étiquetage de séquence dans les modèles de langue.

FedGT améliore l'apprentissage fédéré avec une meilleure confidentialité et performance pour les données graphiques.

Un aperçu des attaques par porte dérobée et des défenses dans les modèles d'apprentissage profond.

La recherche explore comment améliorer l'adaptabilité de l'apprentissage automatique grâce à l'auto-apprentissage et à l'induction de Solomonoff.

Cette étude évalue à quel point les LLMs se souviennent des connaissances structurées des ontologies.

Examiner l'impact du bruit des étiquettes sur les algorithmes de généralisation de domaine.

Explorer des solutions pour des applis basées sur les données dans des systèmes distribués.

Un aperçu de comment l'optimisation distribuée s'attaque aux gros défis de données.

La fabrication additive fait face à un gros manque de jeux de données ouverts dispo pour le machine learning.

Un nouveau jeu de données pour tester les systèmes RAG sur des questions complexes à plusieurs étapes.

Cet article explique comment la quantification douce simplifie des données complexes sans perdre de détail.

Une nouvelle méthode améliore la complétion des graphes de connaissances en utilisant de grands modèles de langage.

Un nouveau modèle utilise des images satellites et des données météo pour des prévisions de récolte précises.

Cette recherche se concentre sur l'amélioration de l'apprentissage avec peu d'exemples grâce à une sélection soignée des classes.

Combiner des sources de données améliore la précision des prévisions climatiques.

De nouvelles techniques simplifient les prévisions d'écoulement de l'eau en utilisant des méthodes d'apprentissage automatique.

RecDCL combine des techniques pour de meilleures recommandations centrées sur l'utilisateur dans des scénarios de données rares.

De nouveaux cadres visent à booster l'efficacité des LLM avec l'intégration d'outils.

Une nouvelle méthode améliore l'identification des données inconnues dans les modèles d'apprentissage automatique.

Une nouvelle approche classe les neurones selon leurs réponses spécifiques aux stimuli visuels.

Une approche systématique pour développer et utiliser des index dans la recherche.

Améliorer les bases de connaissances en utilisant des modèles de langage et l'implication textuelle pour plus de précision.

Cette recherche examine les garanties d'optimisation des réseaux déroulés en apprentissage automatique.

Cette étude remet en question la préférence pour l'AUPRC plutôt que l'AUROC dans les ensembles de données déséquilibrés.

De nouvelles méthodes quantiques basées sur la cohomologie pourraient accélérer les calculs des nombres de Betti.

Examiner l'équité des recommandations faites par des algorithmes après des résultats négatifs.

CLOTH améliore le transfert de connaissances entre les ensembles de données grâce à des techniques innovantes.

Une nouvelle méthode pour des recommandations plus précises en se concentrant sur les caractéristiques des articles.

Une nouvelle méthode pour améliorer la compréhension des séquences d'événements en utilisant des techniques auto-supervisées.

Un aperçu de comment ces modèles analysent des structures de données complexes dans différents domaines.

De nouvelles fonctions de perte améliorent la classification d'images dans les réseaux de neurones.