Aram Ebtekar and Danica Sutherland: Understanding Generalization Requires Universal Induction
Aram Ebtekar et Danica Sutherland : Comprendre la généralisation exige une induction universelle
★
★
★
★
☆
4/5
One world theoretical machine learning
@oneworldtheoreticalmachine110
Alex Damian - Understanding Optimization in Deep Learning with Central Flows
Alex Damian - Comprendre l'Optimisation dans l'Apprentissage Profond avec les Flux Centraux
★
★
★
★
★
5/5
Minshuo Chen - Unlocking Adaptive Generative Decision-Making with Diffusion Models
Minshuo Chen - Déverrouiller la prise de décision générative adaptative avec les modèles de diffusion
★
★
★
★
☆
4/5
Tizian Wenzel: On the optimal shape parameter for kernel methods and beyond
Tizian Wenzel : Sur le paramètre de forme optimal pour les méthodes à noyau et au-delà
★
★
★
★
☆
4/5
Nicolas Boffi - Flow map language models
Nicolas Boffi - Modèles de langage de cartes de flux
★
★
★
★
☆
4/5
Xiong Wang: Statistical learning problems in interacting particle systems
Xiong Wang: Problèmes d'apprentissage statistique dans les systèmes de particules en interaction
★
★
★
★
☆
4/5
Giulio Biroli - Why Diffusion Models Don't Memorize
Giulio Biroli - Pourquoi les modèles de diffusion ne mémorisent pas
★
★
★
★
☆
4/5
Pierre-Alexandre Mattei - Ensembles in machine learning: (simple) theory and (simple) practice
Pierre-Alexandre Mattei - Ensembles en apprentissage automatique : théorie (simple) et pratique (simple)
★
★
★
★
☆
4/5
Yingzhen Li - Variational Uncertainty Decomposition for In-Context Learning
Yingzhen Li - Décomposition de l'incertitude variationnelle pour l'apprentissage en contexte
★
★
★
★
☆
4/5
Qing Qu - Understanding Generalization of Deep Generative Models based on Low-dimensional Structures
Qing Qu - Comprendre la généralisation des modèles génératifs profonds basés sur des structures de basse dimension
★
★
★
★
★
5/5
Andrew Ilersich - Learning Stochastic Multiscale Models of Spatiotemporal Systems
Andrew Ilersich - Apprentissage de modèles stochastiques multi-échelles de systèmes spatiotemporels
★
★
★
★
☆
4/5