data-driven machine learning | BriefGPT

关键词data-driven machine learning

搜索结果 - 11

D3A-TS: 时间序列中的去噪驱动数据增强
研究了在时间序列的分类和回归问题中，使用不同的技术进行数据增强的方法，特别关注了使用扩散概率模型和元属性来生成合成数据的可行性，结果表明该方法在训练分类和回归模型时具有很高的实用性。
PDF7 months ago
基于深度均衡的神经算子对稳态偏微分方程的研究
基于数据驱动的机器学习方法正在越来越多地应用于解决偏微分方程（PDEs），特别是在训练运算符方面展现出了显著的成功。在本文中，我们研究了使用绑定权重神经网络架构求解稳态 PDEs 的优势，并证明了 FNO-DEQ 可以近似解决任何可写为固定
PDF7 months ago
生物启发学习中分解编码器设计中的表征学习
本文研究了在代表性学习中利用具有局部可塑性规则的归纳偏见，探索了在编码器的早期层中通过使用人为指定的准不变滤波器的归纳偏见来提高学习分类器的鲁棒性和透明性。研究结果表明，这种形式的归纳偏见在局部可塑性规则模型和反向传播模型之间缩小差距，以及
PDF7 months ago
边缘反转网络：在边缘设备上启用 InversionNet 的高效推理
通过应用结构剪枝算法得到 InversionNet 的轻量化版本以便在资源有限的边缘设备上进行高效推断，实验结果表明剪枝后的 InversionNet 在模型性能适度下降的情况下能够节省高达 98.2％的计算资源。
PDF9 months ago
ICCV快速洪涝淹没预测采用傅里叶神经算子
我们提出了一种基于混合过程和数据驱动的机器学习方法，用于洪水范围和淹没深度的预测，该方法使用傅里叶神经运算器进行代理建模，并在休斯敦的城区进行了演示测试。结果表明，傅里叶神经运算器模型优于基准的 U-Net 模型，并具有较强的泛化能力。
PDFa year ago
多域少样本知识重装，针对高级持续性威胁的上下文感知防御
本文提出了一种针对 APT 的上下文感知防御方案 FMKR，通过元学习在不同的网络领域生成多个小型任务，将威胁情报和本地实体融合成元学习的支持 / 查询集，以识别可能的攻击阶段，同时提出了基于微调的部署机制在最小化防御成本的同时将学习的知识
PDFa year ago
工业应用中的预测维护和质量检查联邦学习
本研究对不同的联邦学习聚合方法进行了性能评估，并将它们与中心化和本地化训练方法进行了比较。研究结果表明，FL 的性能高度依赖于数据及其在客户端的分布。在某些场景下，FL 可以是传统中心化或本地化训练方法的有效替代方案。此外，我们介绍了一个来
PDFa year ago
KENN：利用知识增强深度神经网络进行时间序列预测
本文提出了一种新颖的知识融合架构，Knowledge Enhanced Neural Network (KENN)，用于时间序列预测，旨在将知识和数据领域的优势相结合，减少整体框架对数据的依赖性，提高性能并将其与现有方法进行比较。
PDF2 years ago
联邦学习与数字化健康的未来
该论文考虑了隐私问题对医疗数据的影响，通过联邦学习提供了数字健康的潜在解决方案，并强调需要解决的挑战和问题。
PDF4 years ago
科学机器学习的通用微分方程
介绍了 SciML 软件生态系统作为混合物理定律和科学模型的信息和数据驱动机器学习方法的工具，描述了一种数学对象 —— 通用微分方程（UDEs），作为连接生态系统的统一框架，并展示了这些工具的通用性。
PDF4 years ago
量化相位成像与人工智能：一篇综述
本文回顾了 QPI 和机器学习之间的协同作用，着重介绍了深度学习的应用，并提出了未来发展的实用指南和观点。
PDF6 years ago