将可解释的监督式机器学习引入交互式反馈循环，用于统计生产系统
本文提出了一种针对图分类的算法，通过吸收来自不同类型任务的观点，旨在增强图分类中的适应性、可扩展性和泛化性，通过学习整个图的核心子图，重点关注与任务相关的最重要特征，从而改善模型性能、增加领域适应性并增强对领域变化的鲁棒性。实验结果表明，与现有方法相比，我们的方法取得了显著的性能提升。
Jul, 2024
通过创造一种新的损失函数，将目标分类损失和成员推断损失相结合，用于从神经网络中删除敏感信息的机器遗忘机制，本研究通过成员推断机制作为概念验证，提供了实验证据，证明了我们的遗忘方法在遗忘效果、延迟和主要任务准确性方面的优越性。
Jul, 2024
从有限数量的密度观测结果中估计两个概率密度的比率是机器学习和统计学中的一个核心问题。本研究从一类 Bregman 散度中的预设误差度量出发，表征了导致密度比率估计具有小误差的所有损失函数，并提供了一个简单的构建具有特定属性的损失函数的方法。
Jul, 2024
梯度下降优化在机器学习的成功中起到了关键作用，本研究论文聚焦于嵌套优化问题，特别是超参数优化和生成对抗网络；然而，在大规模求解嵌套问题时，经典方法往往表现不佳，因此我们针对深度学习环境构建了可扩展的嵌套优化工具。
Jul, 2024
在这项研究中，我们提出了一个名为 PCX 的库，旨在解决机器学习中预测编码网络的效率和可扩展性问题，并使用 PCX 实现了一系列用于实验的基准测试。我们通过广泛的基准测试和算法比较，展示了 PCX 的高效性，并指出了需要解决的潜在局限性，为解决该领域的主要开放问题之一 —— 可扩展性提供了基准。
Jul, 2024
通过机器学习、深度学习和计算机视觉技术，该研究旨在应用 MobileNet SSD 模型进行实时动物分类，以解决农业领域野生动物对作物的威胁，通过智能稻草人与目标检测的无缝集成，为精准农业提供了一种健壮的解决方案。
Jul, 2024
模型解释中，遗漏数据与解晰人工智能相关联的相关领域的一个主要因素，在本文中，经验性地研究了各种填充方法对 Shapley 值（一种解释复杂机器学习模型的流行技术）的计算的影响。通过比较不同填充策略，评估其对 Shapley 值决定的特征重要性和交互作用的影响，理论上分析了缺失值对 Shapley 值的影响。结果表明，填充方法的选择可能引入偏差，从而改变 Shapley 值，影响模型的解释性，强调了在机器学习模型中考虑填充效应以确保可靠洞见的重要性。
Jun, 2024
在机器学习中，剂量 - 反应预测是癌症领域的一个活跃应用领域。该研究使用大型 extit {in-vitro} 药物敏感性筛选库，旨在开发准确的预测模型，用于指导实验设计或决策治疗。通过改进以前的工作，利用置换不变的多输出高斯过程，我们开发了一种变分近似模型，以提供可扩展性建模，并对缺失数据进行自然处理。此外，我们提出使用深度生成模型以连续方式编码化学空间，从而能够预测新药物和新组合。我们在简单的高通量数据集中展示了模型的性能，并证明该模型能够有效地借用输出信息。
Jun, 2024
在本文中，我们提出了基于双模态深度学习结构和注意力机制的情感分类方法，使用文本和语音数据进行训练和测试，并报告了不同结构的详细细节和性能分析结果。研究结果表明，使用不同类型数据（文本和语音）训练的深度学习结构优于仅使用文本或语音训练的结构，并且我们提出的基于注意力机制的双模态结构在情感分类中优于现有的系统。
Jun, 2024