Vai al contenuto principale
← Torna alle notizie

Marformer: prevedere le distribuzioni dei dati mancanti per decidere meglio

Ricerca
Fonte:arXiv
Un Transformer addestrato a prevedere i marginali condizionali delle variabili mancanti, l'ingrediente chiave per calcolare il rischio bayesiano e il valore di un'osservazione aggiuntiva prima di decidere in condizioni di informazione incompleta.
Leggi l'articolo originale

Articoli correlati

IA locale per la tua attività: 5 casi d'uso pratici

Cinque scenari concreti in cui l'IA locale porta valore immediato a un'azienda: supporto clienti sui propri documenti, estrazione dati da PDF, ricerca interna, CRM e generazione di contenuti — con i tool da usare e l'hardware necessario.

Ricevi il prossimo punto sull'IA locale

Ogni settimana, la selezione del meglio di iaLocale: articoli, notizie e risorse sull'IA locale, e altro ancora.

Dopo l'iscrizione ricevi una email di conferma (double opt-in). Senza conferma non inviamo nulla. Nessuno spam, ti promettiamo.

Risorse correlate

Strumenti e risorse dell'archivio iaLocale pertinenti a questo contenuto.

📊

autotrust/JEV-35B

Modelli

Modello decisionale open da 35B parametri (3B attivi) di Autotrust, fine-tune di Qwen3.5-35B-A3B per classificazione di testo e scoring del rischio. In quantizzazione NVFP4 occupa circa 25,6 GB di VRAM: gira su una GPU da 32 GB senza bisogno di inferenza frontier.

🧮

NVIDIA Kumo-Tabular

Modelli

Modello fondazione da 500 milioni di parametri di NVIDIA per dati tabellari: predizione, imputazione e generazione su dataset strutturati, con supporto OpenMDW 1.1 e checkpoint pronti all'uso. Esempio di IA locale su dati di business, non generativa di testo.

Sfoglia tutte le risorse