Statistica - Apprendimento automatico

Tecniche per migliorare i modelli di intelligenza artificiale usando il feedback da controparti meno capaci.

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

Lo studio sviluppa metodi automatici per migliorare l'accuratezza nelle stime del carico della rete elettrica.

Un nuovo metodo migliora la selezione degli esempi e l'ottimizzazione delle istruzioni per i modelli di linguaggio di grandi dimensioni.

Un nuovo approccio nell'apprendimento federato cattura le dipendenze dei dati mantenendo la privacy.

Un nuovo modello migliora la classificazione dei nodi sfruttando conoscenze correlate.

Scopri come l'inferenza bayesiana migliora le reti neurali e il processo decisionale.

RFM migliora la generazione dei dati gestendo efficacemente i vincoli di confine.

Esplorando il ruolo dei transformer nel prevedere i risultati dei dati sequenziali.

Scopri come le caratteristiche casuali semplificano i calcoli complessi nel machine learning.

Il Flusso Statistico di Corrispondenza migliora il modeling generativo per le sfide dei dati discreti.

Introducendo un metodo per ridurre l'overoptimization nei modelli addestrati con feedback umano.

Un nuovo metodo per stimare la densità dei bordi nei grafi casuali garantendo la privacy.

Presentiamo CrEIMBO, un metodo per capire meglio le interazioni neurali attraverso le registrazioni cerebrali.

I CMDP migliorano il processo decisionale tenendo conto del contesto in varie applicazioni.

OPERA combina più metodi per una valutazione delle politiche più precisa utilizzando dati passati.

Una tecnica di campionamento innovativa affronta le sfide delle distribuzioni complesse per il machine learning.

Un nuovo metodo per migliorare rapidamente la qualità delle immagini utilizzando modelli addestrati.

Uno sguardo a come le reti lineari apprendono e si evolvono durante l'addestramento.

Scopri come le Leaky ResNet migliorano le tecniche di deep learning.

Scopri il potenziale della modulazione basata su riferimenti nell'arte digitale.

I dati sintetici aiutano l'analisi della sopravvivenza generando set di dati realistici per una modellazione migliore.

Esplorando come i Transformer classificano i dati attraverso le informazioni contestuali.

Un nuovo metodo semplifica la selezione delle variabili in grandi dataset.

Una nuova misura di dissimilarità migliora il transfer learning in diverse distribuzioni di dati.

Questo articolo esamina come il trasferimento di conoscenza migliori l'accuratezza dei modelli generativi.

Scopri come la privacy differenziale protegge i dati personali pur permettendo analisi utili.

Questo paper presenta un metodo per valutare i modelli di linguaggio attraverso vari prompt.

Il potenziamento a fasi nella regressione distribuzionale migliora l'analisi dei dati complessi.

Un'analisi approfondita dell'errore di calibrazione U e del suo ruolo nel prevedere i risultati.

Un nuovo modo per migliorare la sicurezza dei modelli attraverso il rifiuto delle previsioni.

Questo articolo parla di come i modelli di intelligenza artificiale imparano dagli errori attraverso l’autocorrezione.

Impara a gestire le interferenze nelle decisioni basate sui dati.

Nuovo metodo migliora l'affidabilità nella misurazione dell'incertezza nei modelli predittivi.

Uno sguardo al ruolo della complessità nelle prestazioni del modello.

Una nuova funzione di perdita migliora l'apprendimento delle caratteristiche nei compiti di classificazione.

Esplorare metodi di classificazione per miscele gaussiane sovrapposte nel machine learning.

I tensori offrono un modo nuovo per analizzare dati complessi in diversi settori.

Nuovi metodi aumentano l'accuratezza nella gestione dei dati mancanti per gli alberi a stadi.

Questo articolo esamina come si sviluppa il pregiudizio durante l'addestramento dei modelli di machine learning.