Nov, 2023

如何在小数据情况下进行机器学习？—— 一份来自工业角度的综述

PDF
TL;DR人工智能在科学、工业和日常生活中经历了技术突破，小型数据的机器学习在数据科学和应用中扮演着重要角色，机器学习在小型数据的工业应用面临五个关键挑战：无标签数据、不平衡数据、缺失数据、不足数据和稀有事件。
artificial intelligencemachine learningsmall dataindustrial applicationsdata science
发现论文，激发创造
  • TinyML: 工具、应用、挑战和未来研究方向

    综述了 TinyML 的背景、各种支持 TinyML 的工具、利用先进技术进行 TinyML 的最新应用以及未来研究方向，TinyML 是一种嵌入式 ML 技术，使 ML 应用程序能够在多个廉价、资源和功耗受限设备上运行

    Mar, 2023

  • 分布式机器学习调查

    本文介绍机器学习技术的发展以及为了应对更加复杂的应用而需要分布式系统来分担机器学习的工作负担，但分布式系统带来的挑战在于高效地并行训练过程和创建一个连贯的模型。文中提供了分布式机器学习领域当前的最新进展和系统概述。

    Dec, 2019

  • 工业感知与控制的机器学习：调查与实践视角

    利用深度学习技术，本研究旨在探索数据驱动感知、优化和控制在工艺产业中的应用及相关挑战，并提出基于统计和机器学习的混合建模方法与领域知识相结合的数据驱动方案。

    Jan, 2024

  • 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

  • 化工数据集信息最大化：机器学习应用

    本文讨论了化学工程数据普遍存在的高方差 / 低体积数据、低方差 / 高体积数据、噪声、缺失数据和受物理限制的数据等四种特征如何导致传统人工智能方法应用困难，并阐述了当前化学工程研究如何扩展数据科学和机器学习以应对这些挑战，最后识别出未来研究的几个关键问题。

    Jan, 2022

  • 深度学习和大数据应用的自动数据处理和特征工程：一项调研

    现代人工智能（AI）的方法旨在设计可以直接从数据中学习的算法，本文综述了深度学习流程中自动化数据处理任务的方法，包括数据预处理、数据增强和特征工程，并讨论了自动机器学习方法和工具在整个机器学习流程中的优化应用。

    Mar, 2024

  • AI 竞赛与基准测试：数据集开发

    发展机器学习数据集的方法论和实践经验，涵盖数据准备、集合、质量评估等方面。

    Apr, 2024

  • 机器学习的硬件：挑战与机遇

    本文讨论了如何在各种硬件设计级别上解决机器学习中遇到的挑战，主要包括机器学习、传感器数据、嵌入式处理、能源消耗和硬件设计。

    Dec, 2016

  • 面向机器学习的微型机器学习调查

    综述了 TinyML 的学习算法、系统实现工作流程、模型优化与设计、硬件设备和软件工具的特点，以及挑战和未来方向。

    Sep, 2023

  • 物联网数据分析的机器学习：一项调查

    本文评估了处理物联网数据挑战的不同机器学习方法，以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法，阐述如何应用不同技术从数据中提取高层次信息。此外，还讨论了机器学习在物联网数据分析中的潜力和挑战，并介绍了应用支持向量机（SVM）在奥尔胡斯智能城市交通数据上的案例。

    Feb, 2018