MMJul, 2018

机器学习用的摩尔斯电码数据集

PDF
TL;DR本研究提出了一种算法来生成可调难度的分类摩尔斯代码符号的合成数据集，主要用于监督机器学习问题，特别是神经网络。这些数据集具有一维空间和少量的输入特征，导致输入信息内容密度高，从而使网络复杂度降低方法实施时特别具有挑战性。我们探讨了通过故意添加各种形式的噪声和扩大特征集和数据集大小来增加网络性能的影响。最后，我们建立了几个指标来表明数据集的难度，并评估它们的优点。该算法和数据集是开源的。
发现论文，激发创造
  • Synbols：使用合成数据集来测试学习算法

    介绍了一种名为 Synbols 的机器学习工具，可用于生成新的数据集以测试各种学习算法的限制和缺陷，包括监督学习、主动学习、非分布式泛化、无监督表示学习和目标计数。

    Sep, 2020

  • 用于评估视频预测模型学习到的表示的数据集

    该研究提出了一个名为 Moving Symbols 的参数化合成数据集，以支持对视频预测网络的客观研究。使用该数据集的几个实例来控制明确的变化，突出了现有最先进方法存在的问题，并提出了使用具有更大语义意义的性能指标，以提高实验的可解释性。该数据集可帮助社区更好地了解并最终改进相关网络所学习的表示。

    Feb, 2018

  • 一款用于生成和操作迷宫数据集的可配置库

    为了系统地研究机器学习模型对分布变化的响应，我们提出了「maze-dataset」，这是一个生成、处理和可视化迷宫求解任务数据集的全面库，支持多种输出格式和工具，保证在研究应用中具有多样性和适应性。

    Sep, 2023

  • 构建高质量的训练数据集对于神经代码搜索的重要性

    本文提出一个数据清洗框架，包含基于规则的句法过滤器和基于模型的语义过滤器，将其应用于神经代码搜索数据集，以提高数据集质量和模型性能。实验证明，使用我们的框架训练神经代码搜索模型可平均提高 19.2％的 MRR 和 21.3％的 Answer@1。

    Feb, 2022

  • 一种新的算法能在极度缺乏真实世界数据的条件下生成用于训练机器学习模型的数据

    使用基因算法生成的大规模人工数据集，可以用于训练机器学习模型，以应对真实世界数据的极端稀缺或成本或数据敏感性等问题。

    May, 2023

  • 利用神经机器翻译构建多语言代码搜索数据集

    本研究使用神经机器翻译模型，创建了一个包括四种自然语言和四种编程语言的多语言代码搜索数据集，并使用 Transformer 模型预训练和微调，然后在多个代码搜索测试集上进行评估。结果显示，预训练模型在自然语言和编程语言数据上表现最佳。通过应用反向翻译数据过滤，研究表明翻译质量在一定程度上影响模型的性能，但数据规模更为重要。

    Jun, 2023

  • 符号计算机器学习中的数据集与范式教训：基于 CAD 的案例研究

    符号计算算法及其在计算机代数系统中的实现通常包含不影响输出正确性但可能显著影响资源需求的选择，这些选择可以通过机器学习模型针对每个问题单独完成，本研究报告了在符号计算中使用机器学习的经验教训，特别强调在机器学习之前分析数据集的重要性以及可能使用的不同机器学习范例，通过一个特定案例研究 —— 圆柱代数分解的变量排序选择来呈现结果，并预期所得经验教训适用于符号计算中的其他决策，我们利用一个现有的从应用中获取的示例数据集发现对于变量排序决策存在一定的不平衡，我们引入了一个多项式系统问题的增广技术，使得数据集平衡并进一步扩增，从而分别平均提高了机器学习结果 28% 和 38%，随后展示了如何将用于问题的现有机器学习方法 —— 分类方法重新转换为回归范例，虽然这对性能没有根本改变，但扩大了方法可以应用于的范围。

    Jan, 2024

  • Afro-MNIST: 合成 MNIST 风格的数据集，用于低资源语言

    介绍 Afro-MNIST 合成数据集及其用途，以及一种基于单个数字示例生成 MNIST 风格数据集的方法，并希望激励其他数字符号系统的科学研究。

    Sep, 2020

  • 基于人工神经网络和合成数据的自然场景文本识别

    本文提出了一个自然场景文本识别的框架，使用深度神经网络模型和合成数据训练三种不同方式的单词识别模型，能够显著提高对标准数据集的性能表现，而且不需要任何人工标记数据和零数据采集成本。

    Jun, 2014

  • 生成文本识别的合成数据

    本研究使用开源字体和数据增广技术生成 900 万份手写词图像，可用于训练深度神经网络并提高手写词识别的性能。

    Aug, 2016