May, 2024

基于长短期记忆网络的增强 AdaBoost 虚拟现实体验预测

PDF
TL;DR基于改进的 AdaBoost 的长短期记忆网络（LSTM）的分类预测算法用于预测虚拟现实（VR）用户体验。该算法通过结合 LSTM 和 AdaBoost 算法，在虚拟现实领域的相关研究中取得了显著进展，提高了模型的准确性和泛化能力。
发现论文，激发创造
  • 使用长短期记忆网络预测电子游戏结果

    我们的研究旨在通过引入实时方法预测获胜来增强电子竞技比赛的观众参与度。我们的基于长短期记忆网络（LSTM）的方法通过仅使用每个玩家的健康指标作为时间序列，实现了高效的胜负结果预测。我们以经典的两人对战街头霸王 II Turbo 为例，评估了我们模型在此游戏中的表现，并与流行的时间序列预测方法进行了对比。最后，我们公开了数据集和代码，以期促进对街机游戏的预测性分析进一步的研究。

    Feb, 2024

  • 自适应提升集成神经关系抽取

    本研究提出了一种集成神经网络模型 —— 自适应 Boosting LSTMs with Attention，通过适应性增强的多个 LSTM 分类器的集成，能够构建更加有效和稳健的联合神经网络关系提取器，实验结果表明，该模型相对于现有的最先进模型，F1 得分提高了约 8%。

    Jan, 2018

  • 基于长短期记忆网络的时间序列预测深度学习

    本文介绍 LSTM 模型的结构和前向传播机制，提出了 Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

    Oct, 2018

  • 改善年龄预测：利用基于 LSTM 的动态预测增强多变量时间序列分析

    通过数据增强和验证框架结合长短期记忆网络来丰富神经成像数据集，从而提高深度学习模型的性能，克服神经成像数据集规模有限的挑战。

    Dec, 2023

  • 基于注意力长短期记忆 (LSTM) 的语音可懂度自动分类系统

    该研究致力于开发一种自动非侵入式系统，用于预测语音可懂度水平，研究结果显示采用长期短期记忆（LSTM）网络以及对数 - 梅尔频谱图作为输入特征的 LSTM 架构通过引入简单的注意力机制，能够确定任务中更为相关的帧，从而优于基于支持向量机（SVM）和手工特征、基于均值池化的 LSTM 系统。

    Feb, 2024

  • 循环神经网络协同过滤

    本文提出一种将协同过滤视为序列预测问题的解决方案，应用了循环神经网络中的 LSTM 模型，并将其与标准的最近邻和矩阵分解方法在电影推荐方面进行了比较，表明 LSTM 在项目覆盖和短期预测方面具有竞争力，大大优于其他方法。

    Aug, 2016

  • 使用长短期记忆网络的深度句子嵌入：分析和在信息检索中的应用

    本文提出了一种基于循环神经网络和长短时记忆单元的句子嵌入模型，该模型能够自动侦测句子中关键词和主题，从而进行网络文档检索等艰难的语言处理任务，并在性能上显著优于现有的先进方法。

    Feb, 2015

  • 长短期记忆视频摘要

    本文提出了一种针对视频进行自动化重点帧或子镜头选择的新型监督学习技术，其将问题视为顺序数据上的结构化预测问题，主要想法是利用 LSTM（长短时记忆），该专用网络类型可模拟视频摘要任务中包含的可变范围依赖性，详细分析证明了模型设计的合理性，通过引入领域适应技术，我们还介绍了应对训练复杂学习模型所需大量注释数据需求的技术。

    May, 2016

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 人工智能时代的风暴潮模拟：基于 LSTM 的机器学习用于提高预测准确性

    利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

    Mar, 2024