Explore des exemples contradictoires, des défenses et une robustesse certifiée dans l'apprentissage profond, y compris le lissage gaussien et les attaques perceptuelles.
Couvre l'inférence statistique, l'apprentissage automatique, les SVM pour la classification des pourriels, le prétraitement des courriels et l'extraction des fonctionnalités.
Explore le chaos dans les théories quantiques des champs, en se concentrant sur la symétrie conforme, les coefficients OPE et l'universalité de la matrice aléatoire.
Explore la moyenne de voisinage, le lissage gaussien, le filtrage médian, l'amélioration du contraste et la détection des bords dans le traitement d'image.
Couvre la détection des bords et des contours dans les images, y compris les méthodes basées sur les gradients, l'opérateur laplacien, et des méthodes plus complexes.
Explore l'estimation spectrale des signaux gaussiens et binaires dans le problème d'estimation matricielle, en analysant l'impact du rapport signal-bruit.
Explore l'apprentissage de la fonction du noyau en optimisation convexe, en se concentrant sur la prédiction des sorties à l'aide d'un classificateur linéaire et en sélectionnant les fonctions optimales du noyau par validation croisée.
Introduit les bases de la détection de bord, y compris la mesure du contraste, les images de gradient, l'interprétation de Fourier, les fonctions gaussiennes, le détecteur de bord Canny et les applications industrielles.
Explore le groupe de renormalisation dans la théorie des champs, discutant des fonctions de mise à l'échelle, des exposants critiques et des points fixes gaussiens.
Explore les relations d'incertitude, l'impulsion gaussienne, la densité de pseudo-probabilité et les fonctions de Gabor dans les signaux et les systèmes.
Discute de l'estimation maximale de la probabilité pour la moyenne et la variance gaussiennes, explorant l'estimation des paramètres dans une distribution gaussienne.
