Toutes les news taguées avec ce sujet.
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.
Une approche radicalement différente de la génération d'images, fondée sur la dynamique d'oscillateurs couplés plutôt que sur la diffusion ou les transformers.
Un guide technique détaillé et commenté pour maîtriser la boucle d'entraînement PyTorch, de l'initialisation à l'optimisation.
Jürgen Schmidhuber retrace les origines du boom de l'IA moderne jusqu'aux travaux fondateurs réalisés à Munich en 1991.