Explore la propagation des croyances sur les arbres, discutant des marges des cavités, des algorithmes de transmission de messages et du calcul de l'entropie libre.
Défis posés par l'apprentissage des modèles probabilistes, couvrant la complexité des calculs, la reconstruction des données et les lacunes statistiques.
S'insère dans la théorie de la complexité, en se concentrant sur le problème P vs NP et la classification des problèmes informatiques en fonction de l'efficacité.
Introduit l'apprentissage automatique scientifique, en mettant l'accent sur son application dans divers domaines scientifiques et sur le lien entre l'apprentissage automatique et la physique.
Explore les transitions de phase dans le modèle Ising, l'aimantation moyenne, la susceptibilité, les exposants critiques et l'universalité des exposants critiques.
Couvre les mécanismes d'attention subquadratiques et les modèles d'espace d'état, en se concentrant sur leurs fondements théoriques et leurs implémentations pratiques dans l'apprentissage automatique.
Explore le calcul avec des réseaux de tenseurs, couvrant les distributions de probabilités conjointes, la mécanique statistique et les applications de calcul quantique.
Explore la simplification des équations de propagation des croyances pour les modèles par paires, réduisant la complexité de calcul de l'ordre n cube à l'ordre n.
