May, 2024

一种自动化的创业评估流程：创业成功预测框架 (SSFF)

PDF
TL;DR早期评估创业公司是一个复杂的任务，需要专家进行详细的分析。本文介绍了创业成功预测框架 (SSFF)，这是一个结合传统机器学习和先进语言模型的新型自动化系统。SSFF 由预测模块、分析师模块和外部知识模块组成，以模拟风险投资家的分析过程，并从外部来源获取实时信息，自动化地进行高精度的分析。
startupsautomated systemstartup success forecasting frameworkmachine learningventure capitalist
发现论文，激发创造
  • auto-sktime：自动化时序预测

    auto-sktime 是一个自动化的时间序列预测框架，利用自动机器学习技术来自动构建整个预测流程，针对时间序列数据提出了三项改进，实验结果显示了它的有效性和效率。

    Dec, 2023

  • 使用 CrunchBase 数据进行创业成功预测和风投组合模拟

    利用机器学习和深度学习模型，结合资金指标、创始人特征和行业分类等多个因素，预测初创企业成功的目标里程碑，如首次公开募股 (IPO)、独角兽地位、并购成功。通过使用 Crunchbase 的历史数据进行模型回测，并评估模型在真实投资环境中的实用性，研究结果显示了这种深度学习模型和非结构化数据在预测初创企业成功方面的巨大潜力，并为未来的研究进展提供了奠基。

    Sep, 2023

  • 利用机器学习进行次季气候预测：挑战、分析与进展

    通过研究不同的机器学习方法，包括梯度提升和深度学习等，对美国本土的次季气候预测（SSF）进行了研究，发现通过精细构建特征表示方法，即使是简单的线性回归模型，如 Lasso，都可以取得良好的表现。期望通过研究特征的重要性，实现对气候和土地等协变量预测的进一步改善。

    Jun, 2020

  • 面向时空序列预测的机器学习：综述

    通过对时空序列预测 (STSF) 的三个子类别的对比和对 STSF 中两个主要挑战的综述，提供了一种机器学习解决方案，并为 STSF 领域提出了一些潜在的研究方向。

    Aug, 2018

  • 通过文本分析提升创业成功率

    通过扩大和丰富数据源以及特征数量，利用机器学习模型对创业公司的公开数据进行预测，可较准确地预测公司是否能在未来一定时间内筹集到资金。

    Dec, 2023

  • 敏捷预测模型开发的精简框架：实现高效库存管理

    提出了一种开发预测模型的框架，包括数据集清理、算法选择、多重交叉验证等步骤，以及在智能预测竞赛和库存管理中的应用。

    Apr, 2023

  • 可解释的人类轨迹预测带有行为不确定性

    提出了一种新的贝叶斯神经随机微分方程模型 BNSP-SFM，将行为 SDE 模型与贝叶斯神经网络（BNNs）相结合，展示出了卓越的预测能力，并提供了行为和观察的可量化不确定性强的解释能力，实验证明 BNSP-SFM 的预测准确性比 11 种现有方法提高了 50％，且对环境和人群密度等变化的适应能力较强。

    Jul, 2023

  • 模块化后继特征逼近器的任务知识组合

    本文提出了一种新的神经网络结构 MSFA，这种结构通过模块化的方式发现了对预测有用的状态特征并学习了它们自己的预测表示形式，相比于传统的基准架构和模块化架构，MSFA 能够更好地泛化。

    Jan, 2023

  • DeepTSF: 无代码的时间序列预测机器学习运营

    DeepTSF 是一款全面的机器学习操作（MLOps）框架，通过工作流自动化和无代码建模来创新时间序列预测。

    Jul, 2023

  • 借助人工智能改进软件工作量估算：综合研究和框架提案

    本研究在过去的五年中对 AI 技术在软件工作量估计方面进行了广泛的研究。通过克服传统方法的局限性，该研究旨在提高准确性和可靠性，并通过性能评估和与包括人工神经网络（ANN）、支持向量机（SVM）、线性回归、随机森林在内的多种机器学习模型进行比较，找到最有效的方法。所提出的基于 AI 的框架具有增强项目规划和资源分配的潜力，有助于软件项目工作量估计研究领域。

    Feb, 2024