Estatística - Aprendizagem automática

Esse artigo aborda questões de mudança de distribuição em simulações aprimoradas por aprendizado de máquina.

Essa pesquisa melhora o aprendizado de reforço online usando modelagem de razão de densidade pra uma exploração melhor.

A Regularização de Dimensionalidade Local oferece soluções para melhorar a qualidade da representação em SSL.

FREED++ mostra uma geração de drogas melhorada com um design molecular aprimorado e desempenho.

Aprenda como a métrica de menor desacordo melhora a eficiência do aprendizado ativo.

Esse artigo fala sobre como usar dados agregados em aprendizado de máquina enquanto protege a privacidade.

Uma nova abordagem pra melhorar a otimização em cenários complexos usando simulações.

Uma nova abordagem pra analisar os efeitos diferentes de tratamentos em grupos variados.

Analisando como a Amostragem de Thompson melhora as escolhas em meio à incerteza e ao barulho.

Analisando métodos pra identificar grupos de pacientes que estão respondendo aos tratamentos em estudos clínicos.

Um novo método melhora a precisão da anotação no reconhecimento de alvos usando técnicas avançadas.

Este artigo fala sobre novos métodos para descobrir padrões de forma eficaz em dados.

RUMBoost junta modelos de utilidade e aprendizado de máquina pra melhorar as previsões de escolha de viagem.

Uma nova abordagem melhora a modelagem de sistemas hamiltonianos, apesar dos dados ruidosos.

Um novo método acelera a visualização de dados de alta dimensão usando estruturas de quadtree polar.

Novas estratégias em Aprendizado Federado melhoram a privacidade e a eficiência no aprendizado de máquina.

Um olhar sobre como a análise em grupo melhora a compreensão das decisões de aprendizado de máquina.

Esse artigo analisa a eficácia de quatro métodos de descoberta causal em dados complexos.

Novos métodos combinam dados estruturados e não estruturados para fazer previsões melhores.

Explora como o aprendizado por reforço offline melhora a tomada de decisões analisando experiências passadas.

Explorando o impacto das representações latentes no desempenho de aprendizado de máquina.

Uma nova abordagem melhora modelos generativos pra ter saídas de melhor qualidade em várias áreas.

Este estudo investiga ataques adversariais em aprendizado profundo, focando no desempenho de redes neurais convolucionais (CNN).

Novos métodos melhoram a clareza das previsões de aprendizado de máquina.

Um estudo comparando métodos de imputação pra lidar com dados faltantes em estruturas hierárquicas.

Uma análise profunda dos principais aspectos e desafios do aprendizado federado descentralizado.

Estudo aponta problemas que afetam a justiça nas explicações de IA entre diferentes grupos.

Um olhar sobre como a gente avalia a qualidade das previsões.

Apresentando o CAP pra melhorar a justiça e a eficiência nos modelos de aprendizado de máquina.

Pesquisadores melhoram a seleção de anticorpos prevendo a "humanidade" através da análise de dados de patentes.

Novas técnicas melhoram a inferência bayesiana em sistemas complexos e de alta dimensão.

Explorando como o treinamento adversarial melhora a robustez do modelo através da purificação de características.

Saiba como o P3LS permite o compartilhamento seguro de dados na fabricação.

Um novo método melhora a comparação de modelos climáticos com observações do mundo real.

Um método pra fazer testes bayesianos mantendo a privacidade da galera.

Uma nova abordagem melhora a precisão na estimativa dos efeitos de tratamento contínuos em várias áreas.

Combinando estatísticas bayesianas e teoria da decisão pra melhorar a tomada de decisão com dados incertos.

Esse estudo explora redes neurais pra estimativa de função de score em modelos de difusão.

Analisando como diferentes tratamentos impactam os resultados dos pacientes na saúde.

Técnicas avançadas melhoram como os cientistas estudam os comportamentos moleculares na biologia e na química.