使用纽约大学（NYU）的高性能计算集群 NYU Greene，在 MLCommons 的科学云掩膜基准测试中，报告了深度学习模型的性能基准测试结果：包括基准测试任务的描述、更新的代码以及在我们选定的超参数设置下，该基准测试的最佳模型。基准测试结果包括在 NYU 系统上实现的最高准确率以及训练和推理的平均耗时。我们的代码可在 GitHub 上找到，MLCommons 团队已知悉我们的进展并可能在未来的工作中使用我们开发的代码。

Mar, 2024

通过总结云遮罩领域的正在进行的研究活动，特别是 MLCommons 科学工作组目前进行的研究和基准测试，希望为其他人更容易地开始并协作进行与 MLCommons 云遮罩基准测试相关的工作。

Dec, 2023

HPC 系统性能基准测试中发现，使用机器学习模型对使用 GPU 加速节点进行材料分割分析时，Onyx 和 Vulcanite 两个 ERDC DSRC 系统的表现存在差异，Onyx 在各项测试中的模型时间保持一致，而 Vulcanite 在大多数基准测试中速度较快，但也受环境因素影响导致部分性能较慢。

Jul, 2023

本文介绍了一种基于几何特征重建的点云表示学习框架，其中包括三个点云专有的自监督学习目标，即质心预测、表面法线估计和曲率预测。该框架采用自监督学习方法，创造有意义的任务，相互促进模型更好地推理点云的精细几何结构。通过训练后，该模型在物体检测、分割和多目标跟踪等任务上均实现了显著的表现提升。

May, 2023

本文提出了 PointCMP 的对比度掩膜预测框架，用于自我监督学习点云视频，实现了同时学习局部和全局位相信息，并通过互相相似的数据增强模块生成艰难的样本。实验表明，PointCMP 实现了基准数据集上的最先进性能，并优于现有的全面监督对应。传递学习结果证明了学习表示在不同数据集和任务之间具有优越性。

May, 2023

本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

Oct, 2017

该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。

Mar, 2017

本文提出了一种基于去噪扩散的新框架，通过训练一个运动扩散模型来生成运动，然后通过去噪过程实现在观察到的运动条件下进行运动预测，并在现实任务中有效地实现了不同类别运动的切换，取得了良好的算法性能和结果。

Feb, 2023

本文探索了一种任务特定的掩蔽框架，用于预先训练的大型语言模型，在 GLUE 基准测试的数据集上实现了卓越的性能，我们基于令牌输入梯度开发了我们自己的掩码算法 Typhoon，并将其与其他标准基线进行了比较。我们发现 Typhoon 在 MRPC 数据集上的表现与整词掩蔽相当。

Mar, 2023

介绍了一种新型的自对抗方法 PointCAM，用于学习 3D 点云的遮罩函数，相较于之前的方法取得了更优秀的结果。

Jul, 2023