Masashi Sugiyama

Esaminando come il rumore nei dati di pre-addestramento influisce sulle prestazioni del modello.

Scopri come i computer prendono decisioni attraverso tecniche e processi di Reinforcement Learning.

FedLESAM affronta le sfide dei dati nell'apprendimento federato per migliorare le prestazioni del modello.

Investigando come piccoli errori nei dati di addestramento migliorano i contenuti generati dall'IA.

Nuovi metodi migliorano il processo decisionale in scenari multiplayer usando feedback basato sulle preferenze.

Esplorare metodi efficienti per un campionamento log-concavo accurato in ambienti dati complessi.

Ecco CLIPFit, un metodo per fare il fine-tuning in modo efficiente dei modelli Vision-Language.

Scopri come i metodi di campionamento parallelo trasformano l'analisi dei dati nella ricerca scientifica.