- LCEN:一种用于非线性、可解释机器学习模型的新型特征选择算法
简介:本文提出了 LASSO-Clip-EN(LCEN)算法用于创建非线性的可解释机器学习模型。LCEN 在人工和实证数据集上进行了测试,比其他常用的架构创建出更准确、更稀疏的模型。LCEN 对噪声、多重共线性、数据稀缺和超参数方差等多种问 - 空间环境下预测方法的一致验证
空间预测是天气预报、空气污染研究等科学探索的关键。确定在统计或物理方法中信任预测的程度对科学结论的可信度至关重要。本文中我们基于现有的共变量转移方法,根据验证数据提出了一个新方法,并在模拟和真实数据上通过经验证明了其优势。
- 参数矩阵模型
我们提出了一种称为参数矩阵模型的通用机器学习算法类。参数矩阵模型基于矩阵方程,其设计受到了近似解参数方程的简化基准方法的高效性的启发。该模型的因变量可以隐式或显式定义,并且方程可以使用代数、微分或积分关系。参数矩阵模型只需要经验数据进行训练 - 物理学知识驱动的机器学习:问题、方法和应用综述
本篇调查报告讲述了物理资讯机器学习在机器学习与数学物理模型的交叉领域中的应用和发展,它以物理机制为前提,在模型结构、优化器、推断算法和特定领域的应用(如逆向工程设计和机器人控制)等方面将不同的物理先验形式编码成模型,随着跨领域的研究,增强模 - 基于置信度熵的量子贝叶斯网络中干涉效应的不确定度测量
本文提出了一种新的量子 - 类贝叶斯网络,以解释社会困境中人们的行为违反 Sure Thing 原则的现象,同时使用 Deng 熵提出了信仰距离概念,从而使得该模型在实证数据测试中证明是可预测和有效的。
- IJCAI层次化计划中遇到截止日期的概率估计
针对含不确定性任务时间的分层计划(或时间表),我们提出了一种确定性多项式算法以估计其在特定期限前完成的概率,或者,其 ' 完成时间 ' 小于给定持续时间的概率。对于我们提出的近似算法,我们建立了形式化的逼近界限,并通过任务网络对其进行实证验 - Powerlaw: 用于重尾分布分析的 Python 包
该论文介绍了 powerlaw Python package 软件包,该软件提供易于使用的命令,用于拟合和统计分析分布,以降低使用好的统计方法拟合功率定律分布的障碍。
- 人类移动的规模特性建模
使用移动电话轨迹的经验数据,证明了连续时间随机漫步模型的预测与经验证据存在系统性冲突。并引入了两个原则,建立了一个统计自洽的微观模型来解释人类活动模式,不仅说明了实验观测到的标度定律,而且还允许我们以解析的方式预测大部分相应的标度指数。
- 社会动力学的统计物理学
这篇论文探讨了在社会结构中由个体互动产生的集体现象,从观点、文化和语言动态到群体行为、层次结构形成、人类动态和社会传播等一系列主题进行了综述,并强调了这些问题与统计物理其他更传统的问题之间的联系,并比较了模型结果与社会系统的实证数据。
- 实证数据中的幂律分布
提出一种基于极大似然拟合和基于 Kolmogorov-Smirnov 统计量和似然比检验的拟合优度检验方法,用于鉴别和量化实验数据中幂律行为,并在 24 个不同领域的数据集上进行了测试。
- 速率失真函数估计
本文引出自压缩领域和相关的理论问题,分析了通过实证数据来估计未知(并非必须是离散型的)信源的失真率 - 失真函数的问题。我们探讨了 “插件” 估计器的行为,给出了其一致性的充分条件,同时提供了某些情况下它失败的例子。针对一类广泛的信源,包括 - 加权复杂网络聚类系数的推广
本文主要针对加权复杂网络中聚类系数的各种泛化方法进行了比较研究,并结合世界贸易和共同作者关系网络的实证数据阐述了其优缺点。