Toutes les news taguées avec ce sujet.
L'utilisation de l'IA pour résoudre un problème complexe relance le débat sur la nature de la preuve mathématique.
La méthode IIns-GAN génère des signaux sans fidèles pour l'entraînement des modèles, palliant le manque de données réelles.
Un réseau de neurones apprend les poids des stencils meshfree pour minimiser dispersion et dissipation, au-delà de la simple cohérence polynomiale.
Une étude identifie une divergence entre les directions de gradient et les mises à jour réelles des optimiseurs dans les PINNs.
Une étude explore comment des structures symboliques apparaissent spontanément dans les représentations internes des réseaux de neurones.
Un nouveau cadre d'apprentissage permet de transférer les modèles de résistance au gel des cépages vers des régions peu documentées.
Une revue de littérature dresse un état des lieux des méthodes d'optimisation modernes, entre géométrie matricielle, gestion de l'horizon et contraintes systèmes.
Une compilation des travaux fondamentaux ayant défini le domaine du deep learning moderne.
L'utilisation de capteurs multimodaux et d'algorithmes multi-sorties améliore la prédiction des résultats cliniques post-opératoires.
Une exploration pédagogique des mécanismes fondamentaux derrière les grands modèles de langage.
Une nouvelle architecture s'appuie sur la structure de basse dimension des systèmes dissipatifs pour améliorer précision et stabilité des prédictions à long terme.
Un essai revient sur la puissance surprenante des méthodes actuelles d'IA face aux prédictions plus prudentes des experts du domaine.
Une nouvelle cible d'entraînement garantit une séparation nette entre prédictions correctes et erronées, corrigeant l'excès de confiance des réseaux profonds.
Skala 1.1, entraînée sur 2,5x plus de données, gagne en précision et s'intègre à CP2K, Psi4, FHI-aims, ORCA et VASP.
Une méthode de diffusion masquée avec discrétisation stochastique améliore la robustesse de l'imputation.
L'IA générative permet de simuler des environnements complexes pour des décisions commerciales en temps réel.
Un papier théorique explore si des architectures fixes peuvent être entraînées par descente de gradient pour atteindre n'importe quel réseau cible.
Un nouveau framework scalable qui combine attention parcimonieuse et apprentissage de représentation pour exceller dans la régression sur données tabulaires complexes.
Une méthode de deep learning physique exploite l'information de magnitude du k-space pour améliorer la reconstruction IRM accélérée.
Un framework DNN interprétable et économe en données classifie les phénotypes de CTC via des trajectoires microfluidiques.
Un framework de transfert combinant données américaines et taïwanaises améliore la prévision de particules fines dans les zones à données limitées.
Une étude théorique explique pourquoi Adam brise le biais implicite vers les solutions de rang faible que la descente de gradient préserve naturellement.