卷积神经网络优化的分析特征及设计空间探索
这篇论文关注于为印度城市创建一个智能监控系统,该系统可以实时识别和分析人们的属性。通过使用人工智能和机器学习等先进技术,该系统可以识别上半身颜色、穿着、配饰以及头饰等属性,并通过城市周围安装的摄像头来分析人们的行为。
Jul, 2024
从绿色人工智能的角度出发,我们建议使用机器学习的小规模集合(2 个或最多 3 个模型),利用基于子集的训练、多数投票和能源高效的 ML 算法(如决策树、朴素贝叶斯或 KNN)来设计更加高效的机器学习模型组合。
Jul, 2024
TxGraffiti 是一种基于机器学习和启发式方法的人工智能,旨在自动完成数学猜想的任务,并生成许多令人惊讶的猜想,已发表在权威的数学期刊上。本文概述了 TxGraffiti 所实施的机器学习和启发式技术,并宣布了一个新的在线版本,供对图论中的猜想感兴趣的人探索使用。
Jul, 2024
基于数字技术的学习内容个性化给个体和社会带来了巨大的好处,然而如何实现这种个性化仍然是一个未解之谜。为了解决这个问题,我们在一个大型数字自学平台上进行了一项随机对照试验。我们基于两个卷积神经网络开发了一个算法,根据学习路径将任务分配给 4365 位学习者,将学习者随机分为三组:两个处理组(一个群组自适应处理组和一个个人自适应处理组)和一个对照组。我们分析了三组在平台上所提供的努力和表现之间的差异。我们的空缺结果揭示了与学习路径个性化相关的多个挑战。
Jul, 2024
我们应用机器学习技术解决急性感染和败血症快速准确诊断和预后的医学需求,通过测量患者血液中 29 种信使 RNA 的丰度作为机器学习的特征,并通过分类器将这些特征转化成直观的检测报告,包括细菌感染、病毒感染和病情严重程度的区分。在内部验证中,该系统在三种疾病诊断(细菌感染、病毒感染或未感染)上实现了 0.83 的 AUROC 值,在疾病严重程度的二元预测上实现了 0.77 的 AUROC 值。该系统已经获得了美国食品药品监督管理局(FDA)的突破性设备认定,本工程手稿介绍了用于将学术研究概念转化为临床产品的标准和新颖机器学习方法,并讨论了相关经验教训。
Jul, 2024
提出了两种方法来保护文本数据中的个人可识别信息(PII)的隐私性,一种是使用机器学习改进结构化输入性能的基于特征的方法,另一种是考虑原始文本和泛化候选项之间的上下文和语义关系的新颖上下文感知框架。实验证明,上下文感知方法在不同尺度上优于基于特征的方法,通过突出特征选择、集成学习和融入上下文信息等方面推进了 PII 泛化技术的发展,从而更好地保护文本匿名化中的隐私保护。
Jul, 2024
RCTNet 通过引入早期融合骨干网络、交叉阶段聚合模块、多尺度特征融合模块和高效自译注意力模块,以在准确变动检测中捕捉全局信息和细微细节,展示了相对传统遥感图像变动检测方法的明显优势,实现了准确性和计算成本之间的最佳平衡。
Jul, 2024
本文提出了一种新颖的多任务图神经网络(GNN),能够同时检测道路区域和道路边界;这两个任务之间的相互作用从两个角度提供了卓越的性能:(1)层次化检测的道路边界使网络能够捕获并编码整体道路结构以增强道路连通性(2)识别语义土地覆盖区域的内在相关性缓解了识别外观相似区域中充满道路的困难。实验结果表明,与现有方法相比,所提出的架构可以提高道路边界勾画和道路提取的准确性。
Jul, 2024
本研究探讨了参数转换为实际机器可用变量对大规模问题中寻找最佳参数组合的关键性,以及借助机器学习(如具有退火功能的因式分解机)将参数转换为二进制变量来解决二次无约束二进制优化问题。通过旅行商问题的实例,我们提出并评估了灰度标记方法,该方法将二进制标记中的海明距离与旅行距离相关联。通过对最多 15 个城市的旅行商问题进行数值模拟,并限制迭代次数,与自然标记相比,灰度标记显示出更低的局部最小解百分比和更短的旅行距离。
Jul, 2024