Toutes les news taguées avec ce sujet.
Double-Stitch accélère l'apprentissage de dynamiques de population conservatives ou périodiques, sans recourir à un solveur numérique coûteux à chaque itération.
Un ingénieur raconte comment il a mené un PhD en machine learning en parallèle de son emploi dans la tech au Japon.
Un framework léger découple direction et taille de pas d'optimisation, avec garanties théoriques et gains de performance sur plusieurs LLM.
Microsoft Research développe un pipeline ML qui anticipe les impacts des tempêtes géomagnétiques sur 66 935 postes électriques américains.
Une méthode qui adapte le seuil de risque à chaque entrée, plutôt qu'un seuil unique global, pour mieux calibrer les modèles prédictifs.
Un tour d'horizon de l'évolution des méthodes de classification de texte, du comptage de mots aux architectures modernes de langage.
Un nouveau modèle de prédiction tabulaire, fruit d'une collaboration NVIDIA-Kumo, promet un meilleur compromis entre performance et coût de calcul.
Une nouvelle méthode de PCA différentiellement privée qui s'affranchit de l'hypothèse d'écart spectral, appliquée aux données gaussiennes.
Une étude théorique sur les corrections apprises par ML dans les boucles de filtrage de Kalman, avec application au réglage des tolérances sur réseaux électriques.
Une nouvelle méthode de clustering entièrement data-driven qui élimine le réglage manuel des paramètres numériques.
Des modèles de machine learning entraînés sur des données de tubes améliorent la prédiction du flux thermique critique dans les réacteurs nucléaires.
Un essai technique remet en perspective l'usage des LLM pour la classification : sous le capot, on retrouve les mêmes principes que l'ingénierie de features classique.
Un nouveau cadre théorique combine parcimonie et probabilités pour expliquer les prédictions des réseaux de neurones, en classification comme en régression.
Une nouvelle méthode de noyau supprime la contrainte de définition négative conditionnelle, ouvrant les Gaussian Processes à des espaces d'entrée non euclidiens.
Des chercheurs proposent le rankECE, une alternative à l'Expected Calibration Error pour évaluer la fiabilité des probabilités prédites.
Amazon Science explore un phénomène contre-intuitif : les agents autonomes chargés d'expérimentations ML évitent souvent le surapprentissage malgré des itérations répétées.
Une méthode en deux étapes combine des proxies zero-cost et un raffinement à faible coût pour classer efficacement les architectures neuronales.
Un nouveau cadre basé sur le transport optimal permet d'isoler et d'analyser les facteurs d'efficacité du curriculum learning.
Une méthode basée sur le hessien et la différentiation automatique automatise la recherche d'orbites périodiques dans les systèmes dynamiques chaotiques.