软件漏洞评估中存在的数据不平衡问题对预测性能有重要影响，通过数据增强方法可以解决该问题并显著提高评估模型的预测性能。

Jul, 2024

深度学习方法在药物发现和材料设计的分子筛选加速方面被认为具有很大的潜力。我们介绍了一种名为分数降噪（Frad）的分子预训练框架，它能够解耦噪声设计与力学习等价性所施加的约束，从而允许噪声的定制化，以显著改善分子分布建模。实验证明，我们的框架始终优于现有方法，在力学预测、量子化学性质和结合亲和力任务方面取得了最先进的结果。精细的噪声设计提高了力学准确性和采样覆盖率，为创建物理一致的分子表示提供了贡献，从而最终实现了更好的预测性能。

Jul, 2024

研究机器学习模型在无法获取标签的情况下，如何通过模型置信度等新方法来估计其预测性能，探讨了这些方法的理论特性和相对质量。

Jul, 2024

通过引入约束条件，使用 Constrained Bayesian Optimization 来降低能耗，同时保持机器学习模型在预测性能上的优势。

Jul, 2024

本研究提出了一种新的基于贝叶斯模型平均的测试时间增强（TTA）优化框架 BayTTA，通过结合模型预测并加权考虑后验概率，可以提高相关机器学习或深度学习模型的预测性能。在医学图像分析和一些流行的预训练 CNN 模型中，BayTTA 的实验结果显示可以有效地提高准确性和鲁棒性表现。

Jun, 2024

本研究提出了一种新颖的时间序列预测模型，FPN-fusion，具有线性计算复杂度，相比于 DLiner 具有更优越的预测性能而无需增加参数数量或计算需求。我们的模型引入了两个关键创新：首先，采用特征金字塔网络（FPN）有效地捕捉时间序列数据的特征，避免了传统趋势和季节分解；其次，开发了一个多层融合结构，无缝地整合深层和浅层特征。在八个开源数据集上的 32 个测试案例中，FPN-fusion 在 31 个案例中表现优于 DLiner，平均均方误差 (MSE) 减少 16.8% 和平均绝对误差 (MAE) 减少 11.8%。此外，与基于 Transformer 的 PatchTST 相比，FPN-fusion 在 32 个测试项目中实现了 10 个最佳 MSE 结果和 15 个最佳 MAE 结果，仅使用了 PatchTST 总计算负载的 8%。

Jun, 2024

机器学习方法、预测性能、负面结果、效率低下、科学产出

Jun, 2024

图神经网络架构与 $k$ 维 Weisfeiler--Leman（$k$-WL）层次结构相吻合，其在理论上具有良好的表达能力。然而，这些架构在实际应用中往往无法提供最先进的预测性能，从而限制了它们的实用性。最近的一些研究将图变换器架构与 $k$-WL 层次结构相结合，展示了有希望的实证结果，但是将变换器用于更高阶的 $k$ 仍然存在挑战，因为自注意力的运行时间和内存复杂度过高，并且存在不切实际的架构假设，例如不可行的注意力头数。在这里，我们推进了将变换器与 $k$-WL 层次结构相结合的研究，展示了每个 $k$ 更强的表达能力结果，使得它们在实践中更可行。此外，我们发展了一个理论框架，可用于研究已建立的位置编码，如拉普拉斯位置编码和 SPE。我们在大规模 PCQM4Mv2 数据集上评估了我们的变换器，展示了与最先进方法的竞争性预测表现，并在小尺度分子数据集上进行微调时展示了强大的下游性能。我们的代码可在此 https URL 找到。

Jun, 2024

通过研究我们发现，在机器学习模型的性能评估中，交叉验证方法会引入分布偏差现象，导致性能评估及超参数优化受到负面影响。为了解决这个问题，我们提出了一个通用的校正分布偏差的交叉验证方法，并通过合成模拟和多个已发布的实验验证结果。

Jun, 2024

使用例行血液检查和人口统计数据，在非急诊门诊设定中进行机器学习诊断 ITP 的可行性研究，决策树和随机森林模型表现出优越的预测性能并取得近乎完美的预测和公平性分数，血小板计数被确定为最重要的变量。

May, 2024