人工智能和机器学习提供商有责任开发有效可靠的系统。这篇论文探讨了处理机器学习的结果与用户信任之间的动态以及提出了度量系统可靠性的框架和指标。

Jul, 2024

通过机器学习技术，该研究引入基于数据驱动的方法，探索和预测月球表面的反照率异常，并利用多样的行星数据集，包括高空间分辨率的反照率地图和来自激光和伽马射线测量的元素地图（LPFe，LPK，LPTh，LPTi）来推断表面化学元素与反照率之间的关系，从而扩展我们对行星表面的认识并提供有关数据不完整区域的预测能力。通过高斯模糊技术，包括一种创新的自适应高斯模糊，弥合了反照率和元素地图之间的分辨率差距，最终部署了一个经过优化的极限梯度提升回归模型来预测完整的反照率。此外，还提供了一个交互式分析工具来可视化预测误差，描绘其空间和化学特征。该研究成果不仅为更全面地了解月球表面铺平了道路，也为类似的研究提供了一个框架，用于研究其他天体。

Jul, 2024

Friendship, rapport, and child-child interactions in educational settings are explored through the UpStory dataset, which includes 35 pairs of children engaged in a task-oriented activity with an experimental manipulation of rapport, providing valuable annotations for ML analysis.

Jul, 2024

基于机器学习的硬件木马检测方法主要识别疑似电路，但缺乏解释决策的能力。基于现有硬件木马检测特征引入了一种可解释的方法和体系结构，通过使用信任中心木马基准对网络列表中的数字硬件木马进行解释和结果的提供。

Jul, 2024

将大型语言模型（LLMs）整合到综合卫星、航空和地面网络（ISATNs）中，利用先进的人工智能（AI）和机器学习（ML）技术提升数据流、信号处理和网络管理，以推进 5G/6G 通信技术。通过先进的预测算法和实时决策，优化 ISATNs 的性能并解决传统数据处理瓶颈、网络管理挑战和技术限制，以实现真正互联的智能全球网络系统。

Jul, 2024

本文提出了一种基于小波的动态时空感知图神经网络 (W-DSTAGNN)，用于解决交通流量预测问题，实验证实该方法有效地捕捉时空相关性，在三个不同的真实交通数据集上胜过了十种最先进的模型，可以以高效的方式处理动态时空依赖性并进行长期预测。

Jul, 2024

通过使用适用于对标签顺序进行正确预测的分类模型的排名式评分函数，我们提出了一种新颖的符合性预测方法，该方法能够预测一组可能的标签，并获得相应的置信度得分以捕捉不确定性。我们的方法构建了在实现期望覆盖率的同时管理其大小的预测集合，通过对底层分类器的排名分布进行理论分析，我们提供了符合性预测集合的预期大小的理论分析。通过广泛的实验证明了我们的方法在各种数据集上优于现有技术，提供了可靠的不确定性量化。本文的贡献包括一种新颖的符合性预测方法、理论分析和实证评估，通过实现可靠的不确定性量化，推动了机器学习系统的实际部署。

Jul, 2024

通过将 OOD 分为内部和外部两种情况，本研究研究了数据集的内部和外部 OOD 配置文件对机器学习模型性能的影响，并强调区分这两种情况对于开发有效的抵制 OOD 方法的重要性。

Jul, 2024

该研究将计算机视觉和深度学习方法应用于实时海况识别，旨在提高航海船只的运营安全性和能源效率，以满足国际海事组织的碳减排目标。通过使用单个固定摄像机在船舰上的桥梁上捕捉的海洋图像，我们训练了基于 Beaufort 风力等级的深度学习算法，以实现自动海况估计。使用 Resnet-101、NASNet、MobileNet_v2 和 Transformer Vit-b32 等四种最先进的神经网络来识别海况。此外，我们还定义了一个独特的大规模数据集，从一艘为机器学习做好准备的远洋船只上收集了各种不同的海洋条件下的数据。通过对数据集进行转移学习，微调了模型。研究结果表明，这种方法有潜力在传统方法不可行或气象浮标数据插值精度不足的情况下，补充传统方法。此研究为开发基于机器学习的海况分类模型奠定了基础，以解决海事研究中存在的差距，实现更安全、更高效的海事运营。

Jul, 2024

本文提出了一种名为 GOPSA 的新方法，来解决在多源 DA 中处理 EEG 数据分析中的预测性变化，通过利用 Riemann 流形的测地优化和共域特定再中心操作器，实现了对跨源、目标站点组合的回归指标（$R^2$，MAE 和 Spearman's $rho$）的显着性能优化。

Jul, 2024