Statistica - Apprendimento automatico

Un approccio innovativo per simulazioni di collisioni tra particelle in modo efficiente usando tecniche di machine learning.

Questo articolo parla di metodi per campionare dati complessi ad alta dimensione in modo più efficace.

Esplorare i rischi per la privacy nei dati sintetici e introdurre l'Indice di Plagio Dati.

L'apprendimento federato migliora l'imaging medico proteggendo i dati dei pazienti.

Un nuovo metodo combina previsioni bayesiane e copule a vite per un'analisi dei dati migliorata.

Indagare su come il mirror flow minimizza gli errori nei compiti di classificazione.

Scopri come la regressione del kernel e l'aggiornamento bayesiano migliorano le previsioni con i nuovi dati.

Presentiamo PACE, un approccio strutturato per spiegazioni affidabili dell'IA.

Nuovi modelli migliorano le previsioni in ambienti di dati in cambiamento.

Esplorando nuovi algoritmi per la classificazione multiclasse in condizioni di feedback limitato.

Scopri come il Cluster Quilting affronta le sfide nell'apprendimento del patchwork con dataset incompleti.

Analizzando metodi tradizionali e di machine learning per gestire i dati mancanti.

Nuovi metodi di attenzione migliorano i modelli transformer in efficienza e prestazioni.

L'attenzione ellittica migliora la concentrazione e le prestazioni nei compiti di intelligenza artificiale.

RPC-Attention migliora i modelli di auto-attenzione per avere prestazioni migliori sui dati rumorosi.

Un nuovo metodo che combina i punti di forza del Sliced e del Tree Wasserstein per l'analisi dei dati dinamici.

La calibrazione fa in modo che le previsioni siano in linea con i risultati reali in vari campi.

Scopri come l'apprendimento in contesto migliora i modelli predittivi usando più set di dati.

Esplorare il valore dei modelli approssimativamente equivarianti nel machine learning.

Quest'articolo introduce i quantili minimax per avere stime statistiche migliori.

I reti neurali bayesiane migliorano le previsioni sul comportamento dei materiali con stime di incertezza.

Questo studio esamina i PINN Bayesiani per stimare i parametri delle PDE dai dati rumorosi.

Un approccio di machine learning offre previsioni climatiche più veloci e precise.

Tecniche per migliorare l'inferenza grafica e la stima dell'incertezza in vari campi.

LaseNet migliora l'estrazione di variabili nascoste nei modelli cognitivi usando reti neurali.

Esplorare un nuovo approccio per l'ottimizzazione delle preferenze multi-obiettivo.

Un nuovo set di dati accelera le previsioni delle proprietà molecolari per la progettazione di farmaci.

Un nuovo metodo per misurare l'incertezza nel deep learning, specialmente nell'analisi di sopravvivenza.

Esplorare nuove tecniche nel design sperimentale e nell'analisi dei dati per la ricerca scientifica.

Un nuovo approccio per prevedere i cambiamenti nei sistemi complessi usando il calcolo a serbatoio.

Due nuovi stimatori migliorano l'accuratezza nell'analisi dei dati di risposta agli item.

Nuovi metodi migliorano l'accuratezza delle previsioni dei cambiamenti del livello del mare regionale usando il machine learning.

Nuovo metodo migliora le Reti Neurali Bayesian per una migliore generalizzazione nel trasferimento dell'apprendimento.

Nuovi metodi migliorano la previsione e la localizzazione del segnale wireless usando reti neurali.

Scopri come HQR e WACI migliorano l'accuratezza degli intervalli di previsione in vari settori.

Quest'articolo parla di come i grafi della conoscenza migliorano la selezione delle caratteristiche nell'analisi dei dati.

Esaminando il ruolo dell'attribuzione del credito nel machine learning e le questioni legate al copyright.

Affrontare i fattori confondenti e i cambiamenti nei dati per previsioni migliori.

KnewImp migliora la precisione nell'imputazione dei dati mancanti e semplifica i processi di training.

Esaminando le difficoltà di creare funzioni di ricompensa efficaci nell'apprendimento per rinforzo.