Aug, 2023

分类问题的转换机器学习拓展

PDF
TL;DR该研究探讨了转化机器学习在药物发现中的应用和性能。通过利用各种领域的共同属性，TML（一种元学习算法）发展了优于传统模型的组合模型，从而提供了更高的预测准确性、改善的可解释性和更好的泛化能力。我们还探索了不同的机器学习分类器的有效性，其中没有一个分类器表现出明显的优越性，因此考虑到了像随机森林这样的集成分类器。我们的发现表明，随着训练数据集的增加，TML 在超越传统基础机器学习（ML）方面表现出色，因为它能够更好地逼近正确的假设、克服局部最优解，并通过结合不同分类器的能力来扩展可表示函数的空间。然而，这种优越性相对于所应用的重新采样方法而言，Near Miss 由于嘈杂的数据、重叠的类别和非线性类边界而表现较差。相反，随机过采样（ROS）在噪声和离群值的抵抗能力、改善的类别重叠管理能力和适应非线性类边界方面提供了更稳健的性能。
transformational machine learningdrug discoverymeta learning algorithmensemble classifiersrandom over sampling
发现论文，激发创造
  • 转移度量学习：算法、应用和展望

    本文介绍了关于迁移测度学习的分类和度量传递策略，包括直接度量逼近、子空间逼近、距离逼近和分布逼近。同时，总结和探讨了迁移测度学习的不同方法及其应用，并指出了未来可能的研究方向和挑战。

    Oct, 2018

  • 通过转换和增强不完美的训练数据实现鲁棒机器学习

    机器学习的数据敏感性和数据不完整性的研究，包括公平表示学习、对不可靠功能进行学习的问题，以及强化学习中的数据不充分覆盖问题。

    Dec, 2023

  • 基于语言模型的元学习：在不平衡文本分类中的挑战与机遇

    检测违规言论内容是重要但困难的任务，机器学习是解决这一挑战的强大工具，本论文提出了一种元学习技术（MLT），将使用不同文本表示构建的个体模型结合起来，进一步提高对高度不平衡的分布和超出分布数据集的综合预测性能。

    Oct, 2023

  • 跨多个领域进行异构多任务度量学习

    提出一种新的异构多任务度量学习框架（HMTML），利用多个不同子领域数据学习跨域度量，并在共同子空间中最大化预测结构的高阶协方差，进而有效地探索高阶信息，验证实验表明其方法具有更可靠的特征转换和度量。

    Apr, 2019

  • 临床预测的时间相关元学习

    本论文提出了一种基于时间的元学习（TAML）方法，用于在多个未来时间点做出有效的预测，并且在临床数据集上得到验证。

    Mar, 2023

  • 一个统一的可传输的机器学习增强数据库管理系统模型

    本文介绍了一种基于多任务迁移学习和预训练微调的统一模型 MTMLF，旨在解决数据库管理系统中现有机器学习方法无法有效探究不同任务间内在联系、同时重复训练大量训练数据的问题，从而实现云数据库服务的革命性发展。同时，作者在块查询优化任务上进行了实证研究，并提出了未来探究方向。

    May, 2021

  • 预测谁将换工作

    人力资源部门面临预测申请人是否寻找新工作或留在公司的挑战。本论文讨论了机器学习如何用于预测谁将转到新工作，采用数据预处理以适合机器学习模型，处理分类特征，应用数据编码和多个机器学习算法，包括随机森林、逻辑回归、决策树和极端梯度提升。为提高机器学习模型的性能，使用合成少数类过采样技术 (SMOTE) 进行改进，采用决策支持指标，如精确度、召回率、F1-Score 和准确度进行评估。

    Sep, 2023

  • T-AutoML：使用 3D 医学影像变换器进行病变分割的自动化机器学习

    本文提出了一种新的自动化机器学习算法 T-AutoML，它不仅可以搜索最佳神经结构，而且可以同时找到最佳超参数和数据增强策略。该方法利用现代 transformer 模型适应搜索空间嵌入的动态长度并在多个大规模公共病变分割数据集上达到了最先进的性能。

    Nov, 2021

  • 自然语言处理中使用基于 Transformer 的多任务学习的挑战与机遇：一项调研

    机器学习模型处理自然语言处理（NLP）中的多任务学习（MTL）及持续学习（CL）的挑战、机会和应用，以及对基于 Transformer 的 MTL 架构的系统分析。

    Aug, 2023

  • 可信机器学习

    机器学习的可信度问题，主要关注可信机器学习、越界泛化、可解释性、不确定性量化和可信度评估等领域研究。

    Oct, 2023