335 articles
La physique des données-analytiques explore comment les mathématiques et les statistiques éclairent les phénomènes naturels, transformant des observations brutes en lois fondamentales. Sur Gist.Science, nous rendons ces travaux complexes accessibles à tous, en décryptant les mécanismes qui régissent notre univers sans jargon inutile.
Chaque nouveau prépublication dans ce domaine provenant d'arXiv est analysé par nos soins. Nous proposons systématiquement deux versions de chaque article : un résumé clair pour le grand public et une explication technique détaillée pour les experts, garantissant ainsi une compréhension approfondie quelle que soit votre expertise.
Découvrez ci-dessous la sélection la plus récente de ces recherches passionnantes, où la rigueur scientifique rencontre la clarté de l'explication.
Ce document présente `PoissonRatioUQ`, un package R dédié à la modélisation bayésienne et à la quantification de l'incertitude pour les rapports de moyennes de Poisson, incluant des options pour les données spatiales et des transformations de puissance.
Cette étude utilise la théorie des programmes tensoriels et l'analyse des dynamiques rapides-lentes pour démontrer comment l'évolution à deux échelles de temps des poids dans un réseau de neurones à largeur infinie peut provoquer l'oubli progressif de caractéristiques (feature unlearning) selon la structure des données et l'échelle initiale des poids.
DerivKit est un package Python qui propose des outils de différenciation numérique stables pour réaliser des prévisions de matrice de Fisher et des approximations de vraisemblance d'ordre supérieur, créant ainsi un pont entre les prévisions rapides et les méthodes d'échantillonnage intensives comme le MCMC.
Ce papier propose une nouvelle méthode pour estimer la dimension latente pertinente pour une tâche en utilisant le principe de l'Information Bottleneck, en introduisant un « critique hybride » qui évite la surestimation de la dimension et permet une estimation directe et robuste, même dans des environnements bruités.
Ce document présente une méthode efficace pour certifier les performances de ressources quantiques soumises à des processus non i.i.d. (non indépendants et non identiquement distribués), en démontrant qu'un nombre constant de tests aléatoires suffit en moyenne pour garantir la fiabilité des essais restants.