Sep, 2023

从文本到趋势：现代农业未来的独特园艺分析视角

PDF
TL;DR通过分析园艺业从业人员的文本查询，我们展示了机器学习技术预测园艺业趋势的潜力。我们利用自然语言处理、分类和时间序列分析等方法，识别了从业者查询中的模式，并预测了园艺业的未来趋势。结果表明，机器学习技术还可用于预测其他农业领域的趋势，如果大规模农业企业能建立和维护一个类似的文本数据库，趋势预测和战略农业规划的潜力将会革新。技术与农业的融合为未来可持续农业和数据驱动型农业实践提供了一个有前景的发展路径。
发现论文，激发创造
  • 基于时间文档历史的未来语言建模

    预测未来的文本数据，结合时间历史背景，基于概率模型建立了未来语言模型。

    Apr, 2024

  • 数据驱动的自然语言生成：通向成功之路

    本研究讨论了统计机器学习用于自然语言生成的商业应用的两个主要瓶颈：缺乏可靠的自动评估指标和高质量的领域内语料库。通过彻底分析当前的评估指标并提出需要新的更可靠的指标，我们解决了第一个问题。通过提出一种新的框架来开发和评估用于自然语言生成训练的高质量语料库，我们解决了第二个问题。

    Jun, 2017

  • 论文：大型语言模型对时间序列分析的启示

    当前大语言模型在时间序列分析领域的潜力和发展前景

    Feb, 2024

  • 大型语言模型用于时间序列的研究概述

    该综述论文详细探讨了利用大型语言模型进行时间序列分析的各种方法，包括直接提示、时间序列量化、对齐技术、利用视觉作为桥梁机制以及与其他工具的结合，同时提供了现有的多模态时间序列和文本数据集的综合概述，并分析了该新兴领域的挑战和未来机会。

    Feb, 2024

  • 从分类到临床洞见：用大型语言模型分析和推理移动和行为健康数据

    使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

    Nov, 2023

  • 神经数据转换为文本生成的创新

    本文调查了神经元数据到文本生成的方法、基准数据集和评估协议，突出了技术应用阶段及其在自然语言生成领域中的前景。

    Jul, 2022

  • 利用 NLP 云 API 简化文本数据增强

    本工程研究了文本数据增强预处理技术，使用了常见的技术，如噪声注入，词法替换和生成的近义词，如后向转换或通过句法树的转换。使用这些技术，通过增加只有五个数据放大因子，已经使得在文本极性预测标准化任务上神经网络的准确度在 4.3% 到 21.6％的范围内获得了不错的提升，而且部分标准深度神经网络架构也都进行了测试。

    Dec, 2018

  • 深度学习和基础模型在时间序列预测中的调查

    深度学习在时间序列预测方面取得了显著优势，然而在大流行预测领域仍存在挑战，如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术，并提供了进一步研究的建议。

    Jan, 2024

  • 从 ChatGPT、DALL-E 3 到 Sora：生成型人工智能如何改变数字人文研究与服务？

    大规模语言模型在数字人文研究中的应用深入探讨，揭示了它们在古籍保护、智能处理和学术创新方面的重要潜力，通过具体案例展示了人工智能在古籍组织、分类和内容生成中的辅助作用，并探索了在艺术创新和文化遗产保护中的应用前景，最后探讨了由人工智能技术引发的数字人文领域中技术、信息和社会相互交融的挑战和机遇。

    Apr, 2024

  • 基于神经网络的个人健康数据数值转文本生成研究

    本文旨在研究如何利用编码 - 解码模型，从个人健康数据中自动生成高质量的自然语言总结，在帮助用户了解自己的健康状况和行为习惯的基础上，摆脱个人健康数据量大、上下文不连贯等问题，实现个人健康数据自动化总结的初步目标。

    Jul, 2022