- COLINGSciDMT: 用于科学引文检测的大规模语料库
SciDMT 是目前最大的科学实体提及检测语料库,它包含 48,000 篇科学文章、180 万个弱标注的提及标注以及 100 篇手动注释用于评估的科学文章。通过与 SciBERT 和 GPT-3.5 等先进深度学习架构的实验,我们演示了该语 - 基于混合机器学习算法的水稻种子纯度识别新方法
该研究提出了一种基于混合机器学习算法自动识别特定某一类型米种纯度的新方法,通过深度学习架构从原始数据中提取重要特征,并使用机器学习算法进行分类,实验结果表明该方法显著提高了现有方法的性能,可用于设计有效的米种纯度识别系统。
- 提升基于 CTC 的语音识别的多样建模单元
近年来,由于转换器等深度学习架构的进展,端到端(E2E)自动语音识别(ASR)模型的演变令人瞩目。在 E2E 系统的基础上,研究人员通过使用音素模型对 E2E 模型的 N 个最佳假设进行重新评分,实现了相当大的准确性提升。我们研究了驱动这些 - 利用 TPE 贝叶斯优化的门控循环神经网络提高股指预测准确性
利用深度学习架构,研究了股票价格预测中的门控循环神经网络、超参数优化和 TPE-LSTM 模型,结果显示 TPE-LSTM 模型在预测股票指数价格方面具有最低的 MAPE 误差。
- 使用深度学习的动物行为分析方法:一项综述
动物行为学的关键研究方向是深度学习架构在动物行为识别中的应用、相关挑战以及未来研究方向。
- 数据范围确定:高效学习通用传输偏微分方程的演化
该论文提出了一种分布式数据范围方法,通过严格限制信息范围来预测局部属性,从而解决了深度学习架构在传输现象模拟中的不兼容问题,实验证明该方法显著加速了训练收敛并提高了大规模工程模拟的模型泛化能力。
- ECCV对齐、最小化和多样化:一种基于源自由的无监督领域自适应方法用于手写文字识别
该论文介绍了一种用于手写文本识别的 Align, Minimize 和 Diversify(AMD)方法,它是一种无源无监督域自适应方法。通过解耦适应过程和源数据,这种方法不仅避免了资源密集型的重新训练过程,还能够利用现代深度学习架构中编码 - 人工智能本体论:基于 LLM 辅助构建的人工智能概念层次结构
人工智能本体论(AIO)是一个人工智能(AI)概念、方法论及其相互关系的系统化体系。通过手动整理和大语言模型(LLMs)的辅助开发,AIO 旨在通过提供一个全面框架,涵盖技术和伦理两个方面的人工智能技术,来应对人工智能领域迅速发展的局面。
- 范畴符号学:知识整合基础
我们扩展了代数规范方法以解决从不同模型中提取的知识的集成问题,并且通过将图形结构与 Ehresmann 的素描结构相结合,提出了一个统一的理论,它能够优雅地包含确定性和非确定性神经网络设计的基本概念。这个拓展的代数规范框架为跨不同模型和领域 - 推进疼痛识别中的多模态数据融合:利用统计相关性和以人为中心的观点的策略
通过结合统计相关性和以人为中心的方法,本研究解决了融合异构数据进行特定行为识别在疼痛识别领域的挑战,利用多样化的深度学习架构突出了方法的适应性和有效性,在各种复杂环境中提高模型性能。通过战略性的加入统计相关性权重和以人为中心的多模态数据分割 - CPS 时代下的锂离子电池健康预测现状
研究论文探讨了锂离子电池(Li-on)与预测与健康管理的无缝集成,提供了一种多学科方法,增强了这些动力源的可靠性、安全性和性能。重点深入探讨了剩余寿命(RUL),强调其在预测组件故障之前的作用。论文综述了各种 RUL 预测方法,从传统模型到 - 大型变换的全局点云配准网络
三维数据配准是许多应用的关键问题,本文提出了 ReLaTo,建立了一个优化配准方法,特别适用于大变换的情况。
- 混合架构的机理设计与缩放
通过深度学习架构的机械设计管道,我们提出了一种新的混合架构,通过集成多种计算基元,利用合成任务对性能进行测试,并验证其在计算和状态最优化方面的表现优于传统架构。
- AD-NEv++:多架构基于神经演化的多变量异常检测框架
使用 AD-NEv++ 方法,通过优化神经进化过程中的突变算子,并支持广泛的神经层面,包括关注、稠密和图卷积层,我们在广泛采用的多变量异常检测基准数据集上进行了大规模实验评估,结果表明 AD-NEv++ 模型在异常检测中胜过知名的深度学习架 - 从活动识别的角度进行情绪识别
通过探索深度学习体系结构在持续情感识别方面的应用,我们提出了一种新颖的三流端到端深度学习回归流程,其中包含一个注意力机制,该机制是基于多个最先进的动作识别系统的子模块的一种组合设计。定量分析表明,所提出的模型优于情感识别和动作识别模型的多个 - 基于网络的黑色素瘤检测
通过引入支持 11 个数据集和 24 种先进深度学习架构的统一黑素瘤分类方法,该研究建立了一个可比较 1,296 个实验的公平对比,并生成一个可在 Web 上部署的轻量级模型(称为 Mela-D)以及减少参数 24 倍以提高 33 倍运行速 - 北欧地区的车辆检测性能
本研究使用北欧地区的无人机图像数据集(Nordic Vehicle Dataset)评估了最先进的车辆检测算法在恶劣天气条件下的性能,并针对其中的困难问题提出了一系列针对不同检测框架的增强方法,包括数据增强、超参数调整、迁移学习以及针对 D - 使用合成数据训练基于点的深度学习网络进行森林分割
通过使用合成数据集,我们开发了一个逼真的模拟器,生成了合成的森林场景,用于开展不同基于点云的深度学习网络在森林分割方面的比较研究,并确定了使用合成数据来训练深度学习网络对真实森林数据集中的点云进行分类的可行性。
- 深度学习体系结构在航天器异常检测中的比较
通过比较各种深度学习架构在宇宙飞船数据中检测异常的有效性,结果显示卷积神经网络(CNNs)在识别空间模式方面表现出色,长短时记忆网络(LSTM)和递归神经网络(RNNs)则在捕捉时间序列航天遥测中的时序异常方面表现出较高的功效。 Trans - 探究神经网络语音模型中自动语音识别系统所编码的信息
通过神经网络的层级表达,在多个任务中评估自动语音识别声学模型的性能变化和目标任务,我们可以推测哪些信息在不同层次的架构步骤中得到强化或干扰。分析结果显示,基于神经网络的声学模型拥有异质信息,似乎与音素识别没有相关性,例如情感、情绪或说话人身