Articoli più recenti per Fuori distribuzione

Esplora l'impatto dei dati fuori distribuzione sulle prestazioni del machine learning.

LAPT semplifica la rilevazione OOD, migliorando l'affidabilità dell'IA in situazioni di incertezza.

Ti presento ESCAPE, un framework che migliora la precisione e la velocità del riconoscimento della posa 3D umana.

La ricerca punta a migliorare l'affidabilità dell'IA e l'efficienza energetica in diverse applicazioni.

L'augmentazione durante il test migliora l'analisi delle immagini per le malattie gastrointestinali.

Presentiamo un metodo per valutare i modelli di intelligenza artificiale su dati non visti in modo più efficace.

Esplorare come i dati rumorosi influenzano le prestazioni del modello su dati non visti.

Nuovi metodi migliorano i modelli di machine learning per rilevare meglio campioni insoliti in dataset sbilanciati.

Esplorare i problemi dell'incertezza epistemica nei metodi di Deep Learning Bayesiano.

Combinare i metodi esistenti migliora il rilevamento OOD per applicazioni di machine learning più sicure.

Migliorare l'accuratezza nelle immagini mediche tramite la rilevazione di dati fuori distribuzione.

Uno sguardo al pacchetto py-ciu per spiegare chiaramente le scelte dell'IA.

Nuovi metodi migliorano le previsioni delle proprietà dei materiali usando tecniche di machine learning.

InfoIGL migliora le prestazioni delle reti neurali grafiche in ambienti di dati diversi.

Esplorare priors flessibili per migliorare le previsioni nei modelli Bayesian Last Layer.

SONA crea casi difficili per un allenamento migliore dei modelli nel machine learning.

INK offre un metodo affidabile per identificare campioni fuori distribuzione nel machine learning.

Un nuovo metodo integra il contributo umano per migliorare l'apprendimento OOD per i modelli di machine learning.

SOOD-ImageNet affronta le sfide nella visione artificiale legate ai significati delle immagini che cambiano.

Un nuovo framework migliora il rilevamento degli oggetti identificando istanze fuori distribuzione usando prototipi.

Un nuovo metodo aiuta i modelli ad adattarsi ai dati reali inaspettati.

Un nuovo approccio migliora la capacità dell'IA di gestire dati insoliti.

Un nuovo metodo semplifica la rimozione di contenuti indesiderati nei dataset visivi.

I robot imparano a gestire situazioni complicate con il Recupero Centrico sugli Oggetti.

Un approccio basato su grafi per migliorare il machine learning in ambienti dinamici.

Disimparare aiuta i modelli di intelligenza artificiale a dimenticare informazioni specifiche senza perdere abilità fondamentali.

Un nuovo approccio per migliorare il rilevamento OOD nei modelli di machine learning.

Un nuovo metodo migliora la rilevazione di dati sconosciuti nei modelli di deep learning.

Esaminare gli ostacoli e i progressi nella lettura del testo scritto a mano.

Un nuovo metodo migliora le prestazioni nel Visual Question Answering strutturando l'apprendimento.

FEVER-OOD migliora il rilevamento delle distribuzioni fuori dal normale per applicazioni di machine learning più sicure.

Scopri come le città prevedono i modelli di movimento tramite metodi predittivi avanzati.

Scopri come l'AI distingue i dati conosciuti dagli input inaspettati.

Scopri come RASP migliora la comprensione del linguaggio umano da parte delle macchine.

Il Prototypical Outlier Proxy migliora la capacità dei modelli AI di rilevare dati sconosciuti.