- 最大独立集问题的无数据二次神经网络
通过引入一种新颖的无数据二次神经网络,该论文解决了最大独立集问题,并展示了与现有学习方法相比具有竞争力或更好性能的优势。
- 探讨二维手势表达对言语伴手势生成的影响
评估训练数据的维度对多模态语音至手势深度生成模型性能的影响,比较直接生成的三维手势序列与通过二维生成并转换为三维后的手势序列。
- 基于显著性引导和基于块的混合策略用于长尾皮肤癌图像分类
为解决长尾医学图像数据集分类中的性能问题,提出了一种基于显著性引导和基于块的混合方法(SPMix)来实现长尾皮肤癌图像分类,并通过实验证明了其在 ISIC2018 数据集上相较于现有最先进方法的优越性。
- 使用 Transformer 和 Mamba 学习线性时间逻辑中的系统规约估计
提出自回归模型,从系统追踪中生成线性时间逻辑公式,用于解决规范挖掘问题,并使用多种架构和度量方法进行实验证明其有效性。
- 非理性程度:情绪与隐含波动率曲面
本研究使用 VAR 方法构建每日高频情绪数据,利用 BERT 和 LSTM 等深度学习方法建立市场情绪指标,并应用 FFT 和 EMD 方法进行情绪分解,发现高频情绪与平价期权的隐含波动率更强相关,而低频情绪与深度 OTM 期权的隐含波动率 - NetMamba:通过预训练单向 Mamba 实现高效的网络流量分类
网络流量分类是一个重要的研究领域,追求提升服务质量、简化网络管理和加强网络安全。NetMamba 是一个高效的线性时间状态空间模型,具备全面的流量表示方案,以应对传输加密技术不断复杂化带来的挑战,并利用改进后的 Mamba 架构取代 Tra - 使用深度学习进行单变量时间序列预测的滞后选择:实证研究
对于多元时间序列数据集,通过广泛的实证分析比较研究了不同的滞后选择方法,发现滞后大小是准确预测的一个关键参数,交叉验证方法在滞后选择方面表现最佳,但与简单的启发式方法性能相当。
- SimAD: 一种基于简单不相似性的时间序列异常检测方法
时间序列异常检测仍然具有挑战性,现有方法在处理时间窗口、正常模式表示和评估指标上存在问题。本文提出了一种名为 SimAD 的基于差异性的时间序列异常检测方法,通过先进的特征提取器、EmbedPatch 编码器和 ContrastFusion - 利用计算机视觉和 LSTM 网络分析和预测太阳冕空洞
使用计算机视觉技术检测太阳上的日冕洞区域并估计其大小,利用深度学习方法分析日冕洞面积的趋势,并预测未来七天不同太阳区域中日冕洞的面积。通过研究时间序列数据,希望找出日冕洞行为的模式,并了解其对太空天气的潜在影响,以提高我们预测和应对可能影响 - 视觉曼巴在遥感影像语义分割中的扫描策略重新思考:实验研究
深度学习方法在高分辨率遥感图像的语义分割中扮演重要角色,主要采用卷积神经网络(CNN)和视觉 Transformer(ViT)。然而,CNN 由于有限的感受野而受限,而 ViT 则面临二次复杂度的挑战。最近,Mamba 模型因具有线性复杂性 - 利用 Transformer 计算平面 N = 4 超 Yang-Mills 理论中的散射振幅
利用深度学习方法改进理论高能物理领域中的先进计算,通过使用 Transformers 预测含有整数系数的散射幅度,该方法在两项任务上均实现了高准确率(> 98%),证明了 Transformers 成功应用于需要精确解的理论物理问题。
- 优化用于视觉任务的变分自编码器潜在表示中的不确定性
深度学习方法在计算神经科学中作为建模工具变得越来越重要,本文系统地研究了变分自编码器的不确定性表示,提出了一种新的方法解释偏离变分自编码器 (EA-VAEs),并发现它在各种情况下能够产生有意义的不确定性报告,可在计算神经科学的感知模型和计 - 基于时间感知的异构图变换器与自适应注意力合并的健康事件预测
通过利用电子健康记录 (EHR) 数据在医学领域的广泛应用,使用深度学习方法在疾病风险预测方面取得了早期成功。然而,现有研究对 EHR 数据的潜力未能充分利用,存在着许多关键问题,如融入疾病领域知识、异构学习疾病表示以及捕捉疾病进展的时间动 - 手写文本识别系统的最佳实践
手写文本识别已得到迅速发展,本论文通过实验证明了在预处理、CNN 架构和 CTC 损失三个方面的简单修改,可以提高手写文本识别系统的性能。
- WPS-Dataset:木板去皮加工中的木板分割基准
利用深度学习方法可以提高去皮效率,增强木制品质量。本研究提出了一种用于去皮过程中的木板分割的基准数据集 WPS-dataset,共包含 4863 幅图像。通过六种典型的分割模型对 WPS-dataset 进行评估,模型在训练过程中有效地学习 - 随机超平面剖分的因果效应估计
我们提出了一种简单、快速而又高效的匹配方法,使用随机超平面分割来估计因果效应,它在大维度的协变量下优于传统匹配技术,并与最先进的深度学习方法竞争,并避免了计算昂贵的深度神经网络的训练。
- 细胞图像分割模型在显微镜光学像差下的可靠性基准测试
细胞分割在生物医学研究中对于分析细胞形态与行为至关重要。深度学习方法特别是卷积神经网络(CNNs)通过从图像中提取复杂特征,对细胞分割进行了革命性的突破。然而,这些方法在显微镜光学像差下的鲁棒性仍然是一个重要挑战。本研究使用 Dynamic - 自动化国家城市地图提取
使用地球观测和深度学习方法,该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割,以实现相对较高的像素度量分数,进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果,并以黎巴嫩为案例,成功产生了首个包含约 100 万个单 - 卫星图像时间序列分析的深度学习:一综述
利用深度学习方法对卫星图像时间序列数据进行环境、农业和其他地球观测变量的建模的最新方法进行了综述,为遥感专家提供了一个利用时间信息增强地球观测模型的资源。
- 基于条件扩散模型的腹部淋巴结分割 CT 图像综合
我们提出了一个集成条件扩散模型和 nnU-Net 模型的流程,通过合成多样化的真实腹部淋巴结数据来改善腹部淋巴结分割的性能,并证实 LN-DDPM 在腹部淋巴结图像合成方面优于其他生成方法,并更好地辅助下游的腹部淋巴结分割任务。