Articoli più recenti per Funzioni di Perdita

Un nuovo metodo migliora le immagini della risonanza magnetica correggendo i pregiudizi senza dati etichettati.

Una nuova funzione di perdita migliora l'accuratezza nel segmentare le immagini mediche, concentrandosi sui confini.

Un nuovo metodo trasforma proposte rumorose in rilevamenti accurati di oggetti 3D.

Un nuovo approccio aiuta le macchine a gestire la simmetria nei compiti di movimento.

Un nuovo approccio migliora l'accuratezza del riconoscimento degli oggetti usando sistemi a singola telecamera.

AQC offre soluzioni fresche per addestrare in modo efficiente le reti neurali.

Scopri come si comportano i modelli di machine learning su dati mai visti.

Usare disegni per insegnare ai robot offre un nuovo approccio intuitivo.

La ricerca migliora i modelli di deep learning per ambienti con risorse limitate.

Questo articolo esamina il ruolo dei regolarizzatori di equità negli algoritmi predittivi.

Questo articolo parla di come usare l'entropia per migliorare le prestazioni e l'interpretabilità delle reti neurali.

I metodi di smoothing semplificano le sfide delle funzioni non lisce nell'analisi e nell'ottimizzazione.

Approccio innovativo alla regressione senza assunzioni rigide sulla distribuzione dei dati.

Un nuovo modello migliora la comprensione delle somiglianze tra nodi nelle GNN usando la transitività.

Un nuovo metodo per ridurre il bias nei sistemi di riconoscimento visivo dell'IA.

Scopri l'evoluzione dei metodi per riempire le lacune nei media visivi.

Nuovi metodi migliorano la precisione nella stima dei parametri chiave dei dati.

Una panoramica delle Support Vector Machines e delle loro applicazioni nel machine learning.

Questo articolo esplora come le simmetrie influenzano il comportamento di apprendimento delle reti neurali.

Un nuovo modello leggero migliora la stima del pitch usando tecniche di apprendimento auto-supervisionato.

Scopri come l'omniprevisione influisce sulle previsioni in diverse industrie.

Un nuovo metodo per creare campioni casuali dalle funzioni caratteristiche usando reti neurali.

Nuove funzioni di perdita migliorano la classificazione delle immagini nelle reti neurali.

Presentiamo CLML: un modo coerente per l'apprendimento multi-etichetta.

Esplorando la distanza di Wasserstein al quadrato per una ricostruzione efficace delle SDE da dati rumorosi.

I coresets permettono di fare calcoli in modo efficiente nel machine learning senza perdere precisione.

L'ottimizzazione stocastica online aiuta a gestire l'incertezza nelle decisioni.

Le reti neurali quantistiche offrono nuovi metodi per elaborare informazioni nell'intelligenza artificiale.

Scopri come le funzioni lineari a tratti possano semplificare il processo decisionale in situazioni di incertezza.

Un nuovo approccio migliora le raccomandazioni sfruttando il filtraggio collaborativo e l'apprendimento contrastivo.

Un nuovo metodo di sottocampionamento riduce i costi nella formazione dei kernel quantistici.

Questo articolo parla delle difficoltà nell'ottimizzare i PINN e delle loro strategie di addestramento.

Migliorare la qualità delle immagini nella TC a raggi X tramite funzioni di perdita mirate.

Un nuovo metodo migliora l'accuratezza della generazione delle immagini usando modelli visione-linguaggio.

Le ricerche mostrano che l'applicazione di tassi di apprendimento efficaci va da modelli piccoli a modelli grandi.

Un nuovo metodo migliora l'accuratezza della segmentazione stradale in diverse immagini satellitari.

La libreria Spyx migliora l'efficienza nell'allenamento delle reti neurali spiking.

Un nuovo metodo per migliorare i modelli linguistici nonostante il feedback umano rumoroso.

Esplorare come le simmetrie nelle funzioni di perdita influenzano la dinamica del SGD durante il deep learning.

Nuovi metodi puntano a migliorare la creazione di immagini umane a partire da descrizioni testuali.