关键词classification datasets
搜索结果 - 13
- 自动化的量子变分机器学习探索
我们提出了一种自动化量子变分机器学习的方法，称为 MUSE 算法，在五个真实世界的分类数据集上进行模拟实验，并通过改进量子变分分类器的检测准确性和预测质量，显示出与经典模型相当的分类和回归得分。
- 探究预训练对时间序列分类的影响
预训练和微调对于数据拟合不佳的模型能够帮助优化过程，但对于拟合较好的模型则没有这种效果；当给予足够的训练时间时，预训练不会表现出正则化的效果；预训练只能加速收敛，前提是模型具备足够的拟合能力；增加更多的预训练数据不能改善泛化能力，但可以增强 - 利用替代特征选择找到最佳的多样特征集
特征选择是一种流行的方法，可以获得小型、可解释且高度准确的预测模型。本文介绍了一种名为 “替代特征选择” 的方法，并将其形式化为一个优化问题。我们定义了替代特征集合的约束条件，并允许用户控制替代特征的数量和差异性。进一步分析了该优化问题的复 - 因果效应正则化：自动检测和去除假冒属性
本文提出了一种方法，通过估计标签对因果效应的影响来自动识别虚假属性，并使用正则化目标来减轻分类器对它们的依赖性，优于先前方法，特别是在虚假相关性高的情况下，并在噪声影响下缓解了对虚假属性的依赖。
- 变分量子算法的权重重新映射
本研究通过使用 7 种不同的重量映射函数来对 8 个分类数据集进行评估，结果表明重量重新映射不仅可以增强 VQC 的收敛速度，而且在某些情况下还可以显著提高准确性。
- AAAI固定权重差分目标传播
本篇研究提出了 Fixed-Weight Difference Target Propagation（FW-DTP）算法，该算法在训练过程中保持反馈权重不变，以解决 Target Propagation（TP）算法存在的问题。结果表明，FW - ICML可解释的最优输运分布漂移检测
本文提出了一种基于最优输运的方法来识别和表征分类数据集中的分布变化，它能够帮助用户确定每个类别受到变化的程度，并提供相应的样本对以提供其性质的洞见。作者在合成和自然变化的数据集上进行了实验验证，并希望这能够激发未来的可解释方法来分析分布变化 - 经济有效的在线上下文模型选择
本研究提出了一种上下文活动模型选择算法（CAMS），基于给定策略类的一种新型的不确定性采样查询标准，实现了自适应模型选择任务，相比其他算法可以大幅度降低标记成本，实验证明该算法在多个基准分类数据集上具有效果优异的指标表现。
- MACFE: 基于元学习和因果推断的特征工程框架
该论文提出了一种基于元学习和因果特征选择的特征工程方法，名为 MACFE，通过预选择具有因果关系的原始特征来加速搜索，并在多个分类数据集上实验证明其可以显著提高预测性能。
- AAAI弱指导自监督预训练用于时间活动检测
本文提出了一种新的弱引导自我监督预训练方法，即用大规模分类数据设计一个检测任务，无需额外注释，通过生成帧级伪标签、多动作帧和动作片段等，以弱标签进行自我监督的预训练，证明该方法在多项含有挑战性的活动检测基准测试中优于先前工作，并提供了如何使 - 时间序列之间的可微分差异
本文提出了一种新的距离函数 ——soft-DTW 距离，并通过实验表明该函数在时间序列分类上的效果优于其他距离函数，如动态时间扭曲和 soft-DTW。
- DiscSense: 议态词自动语义分析
使用训练预测语篇标记的模型预测已知语义关系的句子对之间可信的标记，从而在现有分类数据集上提供语篇标记与语义关系之间的自动化底层特征化。
- 残差知识蒸馏
本研究提出了一种名为 Residual Knowledge Distillation (RKD) 的知识蒸馏方法，通过引入辅助器来进一步提炼知识，从而解决现有方法由于学习容量间的巨大差距而导致的性能下降问题，并在 CIFAR-100 和 I