21800 articles
Cette section explore les recherches à la frontière entre la science des matériaux et la physique de la matière condensée, un domaine où les scientifiques manipulent la matière à l'échelle atomique pour créer des technologies révolutionnaires. Sur Gist.Science, nous rendons ces découvertes complexes accessibles à tous en traitant systématiquement chaque nouveau prépublication de cette catégorie provenant directement d'arXiv.
Notre équipe analyse chaque article pour vous proposer deux versions claires : un résumé technique détaillé pour les experts et une explication en langage simple pour le grand public. Cela vous permet de comprendre rapidement les avancées majeures sans avoir à décrypter un jargon scientifique obscur.
Voici la sélection des toutes dernières études publiées dans ce domaine passionnant, prêtes à être lues et comprises.
Cet article démontre que les intervalles de confiance pour l'erreur de généralisation des forêts aléatoires peuvent être calculés efficacement directement à partir des sous-produits standards de l'entraînement, offrant une alternative à faible coût au fractionnement des données et au réentraînement qui atteint de bons taux de couverture statistique et de convergence.
Cet article introduit un estimateur des plus proches voisins à robustesse double pour la complétion de matrices dans les modèles à facteurs latents qui garantit une estimation cohérente dès lors que des voisins de lignes ou de colonnes existent, tout en parvenant à une amélioration de l'erreur quasi quadratique et à des intervalles de confiance plus étroits lorsque les deux types de voisins sont disponibles.
Cet article établit les distributions exactes et universelles de la couverture empirique pour la prédiction conforme par fractionnement en mode lot, démontrant que ces distributions dépendent uniquement du niveau de sous-couverture nominal et de la taille de l'échantillon de calibration pour fournir un critère permettant de déterminer la quantité minimale de données de calibration requise.
Cet article introduit l'« attaque par score », une nouvelle technique basée sur les attaques de traçage qui établit des bornes inférieures minimax quasi optimales pour l'estimation de paramètres sous des contraintes de confidentialité différentielle à travers une large gamme de modèles statistiques, incluant les modèles linéaires généralisés et la régression non paramétrique.
Cet article établit que la publicité flexible peut augmenter le revenu d'un vendeur d'au plus un facteur de deux par rapport à la tarification seule, et propose un algorithme en ligne efficace qui atteint un taux de regret optimal de pour l'apprentissage et l'optimisation conjoints des stratégies de tarification et de publicité sous incertitude de la demande.
Cet article propose ShadowNet, un paradigme d'apprentissage de systèmes quantiques centré sur les données qui unifie les ombres classiques avec les réseaux de neurones pour surmonter les limites des méthodes existantes et effectuer efficacement des tâches telles que la tomographie d'état quantique et l'estimation directe de fidélité pour des systèmes allant jusqu'à 60 qubits.
Cet article introduit le Pointer Q-Network (PQN), une architecture neuronale hybride qui combine les réseaux de pointeurs (Pointer Networks) avec l'apprentissage Q sans modèle (model-free Q-learning) pour résoudre des problèmes d'optimisation combinatoire tels que le problème du voyageur de commerce en ajustant dynamiquement les scores d'attention avec des valeurs Q afin d'améliorer la prise de décision à long terme et l'adaptabilité dans des environnements instables.
Cet article démontre que les grands modèles de langage peuvent efficacement se substituer aux sujets humains pour générer des données d'entraînement destinées à la prédiction de choix économiques dans le cadre de jeux de persuasion basés sur le langage, surpassant souvent les modèles entraînés sur des données humaines réelles tout en révélant que la capture des schémas de décision dépendants de l'historique est cruciale pour une prédiction précise.
Cet article établit la cohérence en moyenne quadratique et presque sûre d'algorithmes d'apprentissage récursifs régularisés dans les espaces de Hilbert à noyau reproduisant pour des flux de données non stationnaires en introduisant un chemin de régularisation de Tikhonov aléatoire et en prouvant que les erreurs de suivi s'estompent et que la convergence est atteinte sous des conditions de régularisation et de mesures d'entrée variant lentement dans le temps.
Cette étude présente une approche de fusion spatiotemporelle basée sur l'apprentissage automatique pour augmenter la résolution des mesures d'humidité du sol à l'échelle ponctuelle de 28 sites in situ vers une résolution de 100 mètres, démontrant son efficacité pour capturer la variabilité spatiale et permettre des évaluations plus équitables des modèles et des données satellitaires grâce à une validation croisée robuste.