- 本质维度相关性:揭示多模态表示中的非线性连接
探索了机器学习方法背后的机制,利用内在维度与相关性之间的纠缠提出了一种度量标准,用于量化高维流形之间的相关性。验证了方法在合成数据上的优势和缺点,并在神经网络表示中将分析扩展到大规模应用,揭示了多模态数据的潜在表示之间明显的关联,而现有方法 - ChatGPT 中表达的语法准确性与语言学家和普通人的比较
通过实验和比较 ChatGPT 与普通人和语言学家在语言构造的判断上的一致性,在判断任务和语言处理方式上的差异性分析,我们的研究结果显示 ChatGPT 是人工智能模型中与语法直觉最接近的模型之一。
- MGCP:一种基于多粒度相关性的预测网络用于多变量时间序列
提出了一种基于多粒度关联的预测网络 (MGCP),该网络同时考虑了多粒度水平上的多元时间序列的关联,从而提高了预测性能。通过使用自适应傅里叶神经算子和图卷积网络来学习全局时空关联和跨系列关联,MGCP 能够从多元时间序列中提取细粒度和中等粒 - 探索深度神经网络如何学习语言结构的理论
通过下一个词预测需要多少数据来学习语言的结构?我们通过一个概率上下文无关文法 (PCFG) 生成的合成数据集进行了研究,该文法是表示自然语言树状结构的层次生成模型。我们在模型中通过分析确定了词 - 词之间的相关性,并显示它们可以用来构建文法 - 机器学习驱动的医学诊断生物标志物选择
评估了 4 种生物标志物选择方法和 4 种不同的机器学习分类器,发现当允许 3 个和 10 个生物标志物时,现代方法在性能上优于以前报告的逻辑回归。在特异性固定为 0.9 的情况下,机器学习方法的灵敏度为 0.240(3 个生物标志物)和 - 利用 SenticNet 分析 X 平台情绪趋势:与加密货币价格的比较分析
本研究探讨了来自 X 平台数据的情绪趋势与 Cardano、Binance、Fantom、Matic 和 Ripple 这些知名加密货币的市场动态之间的关系,时间跨度为 2022 年 10 月至 2023 年 3 月。利用 SenticNe - 超越单事件提取:迈向高效的文档级多事件论证提取
提出了一种多事件论证提取模型 DEEIA (Dependency-guided Encoding and Event-specific Information Aggregation),该模型能够同时从文档中提取所有事件的论证,并能够在四个 - 机器学习下的展开景观
机器学习创新使得数据展开成为可能,而不需要分箱并且可以考虑多个维度之间的相关性。我们描述了一组已知的、升级的和新的基于机器学习的展开方法,并在相同的两个数据集上评估了这些方法的性能。我们发现所有技术都能够准确地再现复杂可观测量下的粒子水平谱 - 楼梯滑行:相关潜变量如何加速神经网络的学习
神经网络从高阶输入累积量中有效地提取相关方向并通过层次性学习加速了模型的性能。
- 应用排序技术估计地球变量对温度预报误差的影响
该研究揭示了地球系统变量对温度预测误差的影响,并提出了一种基于排名的方法来分析变量之间的相关性。研究结果表明,这种基于排名的方法在不同地点和季节的情况下表现出了良好的性能。
- ACL重温语法错误修正的元评估
本文提出了 SEEDA,这是一个用于语法错误修正的新数据集,包含了 12 个最先进的系统和两个不同焦点的人工纠错评估,通过在句子级别元评估中对齐粒度来改进相关性,并指出传统度量在评估具有多个编辑的流畅修正句子方面相对较差。
- 保持相关性:一种生成合成数据的统计方法
我们提出了一种生成具有统计代表性的合成数据的方法,其主要目标是在合成数据集中保持原始数据集中存在的特征相关性,同时以舒适的隐私级别以满足特定客户需求。
- 带潜变量的套索:高效估计、协变量缩放和计算统计差距
稀疏线性回归中的相关性以及智能缩放解决方案
- 多元概率时间序列预测与相关误差
通过对误差的自相关特性进行高效建模,本研究提出一种能够有效量化预测不确定性的方法,并在多个实际数据集上验证了其在提高预测准确性和不确定性量化质量方面的有效性。
- 在主动认知测试中应用的分布隐变量模型
在这篇论文中,我们探索了利用潜变量建模在同时学习许多相关变量的条件下进行认知测试的方法,并提出了一种活跃学习框架,可以更高效地进行认知测试电池。通过在整个人群中对潜在空间进行联合训练,将个体的测试结果嵌入到潜在空间中,从而利用了单个参与者的 - Windformer: 风速预测的双向长距离时空网络
该研究提出了一种名为 Windformer 的方法,通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性,然后部分移动窗口以提供窗口之间的连接性,并最终基于详细和全局信息融合多通道特征,以动态建模风速变化过程。这种方法在提高预测准确性 - 利用视觉语言驱动的图像增强提高公平性
本文提出了一种方法,通过学习语义空间中可解释和有意义的路径来减轻深度学习区分模型中的相关性,以提高公平性。通过编辑受保护特征(如年龄和肤色),将这些路径应用于增强图像,从而改善给定数据集的公平性。
- 用联合熵法求解光度红移
应用 copula entropy (CE) 以提高光度红移的准确性,通过选择与高 CE 关联的测量结果来预测红移,并在 SDSS 类星体数据上验证了所提出的方法,实验结果显示相对于使用所有测量结果的实验结果,光度红移的准确性得到了提高,尤 - 通过显著特征去相关化学习通用代理
我们提出了基于显著性引导的特征解相关方法 (SGFD),通过样本重新加权消除观测状态空间中特征之间的相关性,以实现在视觉强化学习任务中的泛化能力。实验结果表明,SGFD 在处理任务无关和任务相关的变化方面明显优于现有方法。
- 针对目标的双变压器用于少样本分割
使用少量有标签的支持图像来识别新类别对象的分割,本文提出了 Target-aware Bi-Transformer Network(TBTNet)以等效处理支持图像和查询图像,并设计了强大的 Target-aware Transformer