KDDMay, 2016

量化问题的在线优化方法

PDF
TL;DR本研究提出了用于优化量化特定的性能参数的首批在线随机算法，其对于多变量优化的理论具有最优的收敛性，并通过实验验证，相对于现有的算法，能够更好地对性能参数进行优化。
class prevalencedata analyticsquantificationperformance measuresstochastic algorithms
发现论文，激发创造
  • 多元损失函数的文本量化器优化

    本研究旨在探讨采用结构化预测的有监督学习模型解决量化问题，通过在 5500 个二进制高维数据集上实验，证明该方法比现有的量化方法更准确、更稳定、更高效。

    Feb, 2015

  • 基于正则化的排序量化方法

    分类量化的研究在近年来获得了更多的关注，但是大部分的研究都集中在二分类和多分类问题上，很少研究有序情况下的分类量化。本文主要贡献有三点：首先，我们创建了两个新的有序分类量化数据集，弥补了之前数据集的不足；其次，我们对现有的有序分类量化算法进行了实验比较，将来自数据挖掘和天体物理学等不同研究领域的算法作者集于一身；第三，我们提出了一种新的正则化的有序分类量化算法，在实验中优于现有算法。我们的算法在性能上取得了提升，关键原因是我们的正则化方法防止了在实际应用中不合理的有序估计，因为我们假设有序分布在实践中趋于平滑，我们通过多个实际应用案例对此假设进行了非正式验证。

    Oct, 2023

  • 多类定量的核密度估计

    我们在本文中提出了一种基于核密度估计的多元密度表示机制，称为 KDEy，通过实验证明 KDEy 在量化性能上优于现有的分布匹配方法，并与目前在量化领域中的最强竞争者期望最大化方法展开比较。

    Dec, 2023

  • 二进制量化和数据集变化：实验调查

    在这项研究中，我们通过实验分析了当前的定量化算法在不同类型的数据集偏移下的行为，以识别现有方法的局限性，并为开发更广泛适用的方法铺平道路。我们通过提出细粒度的数据集偏移类型分类，建立受这些偏移类型影响的数据集生成协议，并在生成的数据集上测试现有的定量化方法。研究结果表明，许多已被发现对于先验概率偏移具有鲁棒性的定量化方法对于其他类型的数据集偏移可能不具备鲁棒性。此外，没有发现任何现有的定量化方法能够对我们在实验中模拟的所有数据集偏移类型具备足够的鲁棒性。

    Oct, 2023

  • 基于直方图的置换不变网络的量化

    本研究探讨了深度神经网络在量化任务中的应用，并提出了适用于量化问题的基于直方图的无重排不变表示的新型神经架构 HistNetQ。通过实验结果表明，HistNetQ 在量化问题上优于其他用于集合处理的深度神经架构和现有的量化方法，具有不需要训练示例的标签但仅需要训练数据集中的流行度值的能力，并且能够优化任何自定义的量化相关损失函数。

    Mar, 2024

  • 现场量化：数据集和基准

    本研究在野外应用于海洋生态学两个大规模数据集，并研究了文献中的若干量化方法，特别是表明了在有限的数据下深度神经网络可以胜过其他方法。

    Oct, 2015

  • 具有不确定性量化预测的在线算法

    如何在设计在线算法中最佳利用不确定性量化预测，以及如何利用更一般形式的不确定性量化，提出了基于在线学习的框架来在多实例场景中学习如何充分利用不确定性量化作出最佳决策。

    Oct, 2023

  • 在先验概率转移下最小化量词方差

    通过研究二元预测问题、先验概率转移及基础分类器的优化策略，本文确定其最大似然估计量的渐近方差，发现其与特征下类别标签的 Brier 得分相关，并点明了训练基础分类器的方法以最优化训练集和测试集的 Brier 得分。

    Jul, 2021

  • 通过分位数实现的受限分类和排名

    本文提出了一种基于约束学习的新框架， 可以通过在训练数据的子集上预测正 / 负例率来解决二分类器中的类不平衡问题，并避免了复杂的约束优化问题。该方法与模型无关且仅支出少量计算代价。在各种基准测试上的实验显示了与现有基准相比具有具有竞争性的性能。

    Feb, 2018

  • 临床试验结果预测的不确定性量化

    在临床试验结果预测中，将不确定性量化、选择性分类和层次交互网络（HINT）相融合的方法显著提高了模型的性能，其中 PR-AUC 指标相对基础模型提高了 32.37％、21.43％和 13.27％，在预测 III 期试验时达到了 0.9022 的 PR-AUC 得分，表明该策略在临床试验预测领域具有鲁棒性和前景潜力。

    Jan, 2024