Aller au contenu principal
← Retour aux actualités

Marformer : prédire les distributions des données manquantes pour mieux décider

Recherche
Source:arXiv
Un Transformer entraîné à prédire les marginales conditionnelles des variables manquantes, l'ingrédient clé pour calculer le risque bayésien et la valeur d'une observation supplémentaire avant de décider en conditions d'information incomplète.
Lire l'article original

Articles connexes

L'IA locale pour votre activité : 5 cas d'usage concrets

Cinq scénarios concrets où l'IA locale apporte une valeur immédiate à une entreprise : assistance client sur vos propres documents, extraction de données depuis des PDF, recherche interne, CRM et génération de contenus — avec les outils à utiliser et le matériel nécessaire.

Recevez le prochain point IA locale

Chaque semaine, une sélection du meilleur d'iaLocale : articles, actualités et ressources sur l'IA locale, et plus encore.

Après l'inscription, vous recevez un e-mail de confirmation (double opt-in). Sans confirmation, nous n'envoyons rien. Pas de spam, promis.

Ressources liées

Outils et ressources des archives iaLocale pertinents pour ce contenu.

📊

autotrust/JEV-35B

Modèles

Modèle décisionnel open de 35B paramètres (3B actifs) d'Autotrust, fine-tune de Qwen3.5-35B-A3B pour la classification de texte et le scoring du risque. Quantisé en NVFP4, il occupe environ 25,6 Go de VRAM : il tourne sur un GPU 32 Go sans passer par une inférence frontière.

🧮

NVIDIA Kumo-Tabular

Modèles

Modèle de fondation de 500 millions de paramètres de NVIDIA pour les données tabulaires : prédiction, imputation et génération sur des jeux de données structurés, avec prise en charge d'OpenMDW 1.1 et des checkpoints prêts à l'emploi. Un exemple d'IA locale sur des données métier, non générative de texte.

Parcourir toutes les ressources