Informática - Aprendizagem de máquinas

Analisando os tamanhos de amostra necessários para modelos especializados superarem os gerais.

Esse artigo explora como a aleatoriedade afeta o aprendizado com dados rotulados limitados.

A álgebra apresenta novos métodos pra lidar com dados complexos em aprendizado de máquina.

Uma nova abordagem para detecção segura de anomalias em dados de grafo.

Um novo método melhora a compreensão das previsões dos modelos de aprendizado de máquina.

Uma visão geral do framework SKI-CL para melhorar as previsões de séries temporais.

Apresentando a distância de Wasserstein esférica fatiada estereográfica para comparação eficiente de dados esféricos.

Apresentando uma nova abordagem pra classificar modelos de linguagem sem precisar de respostas de referência.

Um benchmark pra avaliar modelos de linguagem biomédica em francês.

Melhorando a compreensão de imagens e texto pelos computadores através de técnicas de treinamento avançadas.

Essa pesquisa avalia a confiança dos modelos de IA e a qualidade das explicações em ambientes barulhentos.

Um novo método usa feedback humano pra melhorar previsões em análise de séries temporais.

Analisando os problemas de eficiência energética no treinamento de sistemas de IA e possíveis soluções.

Este estudo revela preconceitos em modelos de linguagem baseados em nomes relacionados a raça e gênero.

Um novo método melhora as capacidades de raciocínio em Modelos de Linguagem Grande.

Uma abordagem completa pra detectar anomalias nas operações de aeronaves usando métodos avançados.

Um método novo ajuda as tropas a se locomoverem com segurança sem precisar depender do GPS.

Um novo método melhora a detecção de anomalias usando insights de especialistas e amostras fracas.

Um método pra ajudar a IA a se adaptar mantendo o conhecimento do passado.

Avanços na reconstrução de RM usando deep learning melhoram a qualidade da imagem do coração.

Explorando a integração de gêmeos digitais e IoBNT na biotecnologia.

Apresentando o BeTAIL, um novo método pra melhorar corridas de robôs através de aprendizado por imitação.

Explorando os avanços e aplicações de transformadores lineares em aprendizado de máquina.

T-Stitch combina modelos pra gerar imagens mais rápido e com alta qualidade.

Apresentando um método pra acelerar modelos de linguagem enquanto melhora a eficiência dos recursos.

A BIRCO atende às necessidades complexas dos usuários em sistemas de recuperação de informações.

Um novo sistema permite um treinamento de CNN mais rápido em dispositivos com memória limitada.

DeiSAM melhora a compreensão de imagens ao combinar redes neurais com raciocínio lógico.

Esse estudo analisa contratos entre principais e agentes de aprendizagem através de interações repetidas.

Um estudo sobre a utilidade de algoritmos espectrais vanilla dentro do Modelo de Bloco Estocástico.

Um olhar crítico sobre as verdadeiras capacidades das Redes Generativas Adversariais.

Aprenda métodos pra identificar variáveis importantes pra ter uma análise de dados melhor.

Analisando como os sistemas de recomendação equilibram as preferências dos usuários e os objetivos de longo prazo.

Explore como os GINNs transformam o design através de princípios geométricos e soluções diversas.

Este estudo apresenta uma rede neural criada pra entender sistemas periódicos.

Avaliando a eficácia de GNN contra riscos de segurança em circuitos integrados.

Um estudo sobre como usar o DistilBERT para detectar e-mails de phishing de forma eficaz.

Um novo método melhora a eficiência da visualização na análise de dados científicos.

Uma olhada na importância do Coeficiente de Aprendizado Local em modelos de aprendizado de máquina.

Um processo em duas etapas pra modelar sistemas complexos com precisão usando redes neurais.