基于稀疏注意力回归网络的土壤肥力预测
本研究探讨了在医学分割的主动学习领域中，熵和代表性采样技术的混合模型，特别是研究了 UMAP（均匀流形逼近和投影）作为捕捉代表性的技术的作用。通过在医学分割十项挑战中使用心脏和前列腺数据集进行验证，我们发现新颖的熵 - UMAP 采样技术的混合组合在 Dice 分数上显著优于随机基线（心脏为 3.2％，前列腺为 4.5％），并在我们研究的 10 种不同主动学习方法中获得了最高的 Dice 系数。这提供了初步证据表明，在混合主动学习模型中，熵和 UMAP 方法之间存在着有趣的协同作用，其中前者在后者之前起到了积极的作用。
Dec, 2023
深度学习模型的数据增强技术在提高性能方面发挥重要作用。本文提出了一种叫做 UMAP Mixup 的混合正则化方案，用于深度学习预测模型的 “在流形上” 自动数据增强。该方法通过利用一种称为统一流形逼近和投影的降维技术，确保 Mixup 操作生成的合成样本位于特征和标签的数据流形上。对多样的回归任务的评估显示，UMAP Mixup 在与其他 Mixup 变种的竞争中表现出色，显示出改进深度学习模型泛化性能的潜力。
Dec, 2023
UMAP 是一种基于黎曼几何和代数拓扑的流形学习技术，可以作为机器学习中通用的降维算法，具有与 t-SNE 相当的可视化质量和更好的整体结构保留能力，并且没有关于嵌入维度的计算限制。
Feb, 2018
研究探讨将作物建模和机器学习（ML）相结合是否能提高美国玉米带的玉米产量预测，并确定 APSIM 特征对于玉米产量预测的影响，研究结果显示将 APSIM 模拟作为输入特征用于 ML 模型中可将预测均方根误差（RMSE）降低 7 到 20％，其中土壤湿度相关的 APSIM 变量对于 ML 预测最具影响力。
Jul, 2020
本文提出了一种半监督回归建模方法，通过利用建立于航空激光扫描数据和 C 波段合成孔径雷达的预测地图来生成有效的伪目标训练数据，解决了传统回归模型样本量不足的问题，并成功实现了在坦桑尼亚和挪威的不同地区和森林类型上进行地面生物量和树干体积的预测。
Jun, 2023
通过叶片图像处理，我们提出了一个名为 sugarcaneNet2024 的独特模型，该模型在自动快速检测甘蔗病害方面优于以往的方法。通过优化加权平均集成七个定制和 LASSO 正则化的预训练模型，尤其是 InceptionV3、InceptionResNetV2、DenseNet201、DenseNet169、Xception 和 ResNet152V2，并加入了多层 dropout 和批归一化，该模型的准确性得到了大幅提高。最终通过实施优化加权平均集成技术与网格搜索相结合，该 sugarcaneNet2024 模型实现了 99.67% 的准确率、100% 的精确度、100% 的召回率和 100% 的 F1 得分，是目前检测甘蔗病害效果最好的模型。
Mar, 2024
在脑机接口领域，我们引入了一种名为近似 UMAP（aUMAP）的新方法，用于实时推断，其结果显示该方法能够在减少投影速度一个数量级的同时维持与标准 UMAP 相同的训练时间和投影空间。
Apr, 2024
我们提出了一种基于自组织映射中的拓扑投射的半监督学习方法，通过利用大规模未标记数据集中的信息，显著减少了进行参数预测所需的标记数据点数量，从而有效降低了在某些领域（如电力系统、医学和工程学）中获取地面实况标记的成本。
Jan, 2024
EMUSES 利用高维数据进行空间嵌入统计分析，揭示了潜在结构，并检测和解释新出现的性质，为研究人员提供了一个强大的工具来理解复杂现象的多因素起源。
Jun, 2024