Explore la méthode de fonction aléatoire pour résoudre les PDE à l'aide d'algorithmes d'apprentissage automatique pour approximer efficacement les fonctions à haute dimension.
Explore l'optimisation de la formation contradictoire, la mise en œuvre pratique, l'interprétation, l'équité, la distance de Wasserstein et les GAN de Wasserstein.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Explore l'apprentissage automatique à travers des modèles solvables, couvrant la complexité des échantillons, les réseaux neuronaux et les lacunes de calcul.
Explore les extrêmes de la capacité d'interprétation dans l'apprentissage automatique, en mettant l'accent sur les arbres de décision clairsemés et les réseaux neuraux interprétables.
Introduit des fondamentaux d'apprentissage profond, couvrant les représentations de données, les réseaux neuronaux et les réseaux neuronaux convolutionnels.
Déplacez-vous dans les potentiels interatomiques de la machine appris, montrant leur précision et leur rentabilité dans la prédiction des propriétés chimiques.
Explore la convergence des réseaux neuronaux à travers l'adaptation des paramètres et l'alternance des regrets, en mettant l'accent sur l'événement NeurIPS 2023 à l'EPFL.
Explore les applications d'apprentissage automatique dans les simulations atomistes, en mettant l'accent sur la modélisation de l'eau, les potentiels de réseaux neuronaux et la reconnaissance des structures.
