Toutes les news taguées avec ce sujet.
Une étude théorique et empirique révèle un paradoxe : la méthode de compression la plus efficace en pratique est aussi celle qui diverge en théorie.
Un nouveau cadre de nowcasting exploite les constellations de scatteromètres pour améliorer les prévisions éoliennes.
Une étude compare mélanges lognormaux, DeepONet et transformers sur la reconstruction de densités risque-neutre, sans vainqueur universel.
Une preuve mathématique établit que les réseaux de neurones entraînés par descente de gradient convergent bien vers la solution exacte de certaines EDP.
Des chercheurs proposent un test statistique combinant réseaux de neurones flexibles et calibration rigoureuse pour comparer deux distributions.
Une nouvelle architecture deep learning multimodal améliore l'identification précise de biomarqueurs via des capteurs nanopores.
Une thèse propose un cadre unifié pour les réseaux de neurones sur variétés, avec normalisation, régression logistique et métriques génériques.
Un framework à base d'autoencodeur promet des taux de compression bien plus élevés pour les données volumétriques scientifiques, sans réentraînement par fichier.
Un développeur détourne SQL pour entraîner et exécuter un réseau de neurones, avec une démo sur MNIST.
Un site compile et reformule les 30 papiers fondamentaux en machine learning recommandés par Ilya Sutskever, dans un format pédagogique.
TabPack propose une nouvelle approche d'ensemble de MLP qui échantillonne et entraîne en parallèle des hyperparamètres variés, sans tuning intensif.
Un modèle dual entraîné sans annotations humaines pour filtrer les transitoires astronomiques, avec calibration d'incertitude hybride.
Une étude théorique lève les dernières ambiguïtés sur la convergence de Random Reshuffling face au SGD classique en optimisation convexe lisse.