- EPIC-KITCHENS-100 多例检索挑战 2024 的对称多相似性损失
我们在 CVPR 2024 的 EPIC-KITCHENS-100 多实例检索挑战中提出了一种新的损失函数 —— 对称多相似性损失,通过与技巧和集成学习相结合,模型在公共排行榜上获得了 63.76% 平均 mAP 和 74.25% 平均 n - 原子级材料建模中基于图的模型的可扩展训练:以 HydraGNN 为例
基于 HydraGNN 的可扩展图基础模型 (GFM) 的开发和训练,具有高度的训练规模和数据多样性,以及并行训练算法的创新;我们使用超级计算资源展示了多个优化策略和性能,开发出适用于材料发现和设计的 AI 加速的 GFM 模型。
- 基于集成学习和可解释人工智能的 AI 驱动的慢性肾脏病早期预后预测分析方法
使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值,提高对该疾病早期预测和检测的准确性,为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。
- 自适应增强和动态权重调整
Adaptive Boosting with Dynamic Weight Adjustment improves efficiency and accuracy in ensemble learning by dynamically up - 使用 VAE 集成比较表示空间的信息内容与解缠
用机器学习将数据集的信息划分为有意义的片段,通过研究多次训练运行中学习的通道作为信息片段的整合,并将表示子空间视为数据嵌入的概率分布进行相似度比较,最终实现 VAE 的集成学习以提升信息内容。
- 基于 Bert、Roberta 和 Xlnet 的分子性质预测集成模型
提出了一种新的方法,通过集成学习和 BERT、RoBERTa 和 XLNet 的监督微调,无需进行大量预训练即可高精度预测分子属性,解决了实验组面临的计算资源有限的问题,提供了一种具有成本效益和资源高效的解决方案,可能推进分子领域的进一步研 - 使用未观测到的偏好异质性进行直接偏好优化
利用 DPO 和最大期望适应机制,通过生成模型的混合来对齐不同人类偏好的生成模型,同时引入极小极大后悔集成学习模型以在类似潜在因素的注释者子组之间最小化最坏情况后悔,实验证实了方法在产生公正生成策略方面的有效性。
- 绿色人工智能行动:生产中集成模型选择的战略
通过减少模型数量或改进集成推断时的模型使用效率,本研究提出并评估了两种模型选择策略 —— 静态和动态,以在最小化能量使用的同时优化集成学习系统性能,平衡模型的准确性与能源消耗之间的挑战,结果显示静态策略将 F1 得分从基准线提高,并将平均能 - 阿尔茨海默病的磁共振成像分类方法:基于深度学习和元学习模型
通过使用深度学习技术,特别是基于最先进的卷积神经网络(CNNs),对磁共振成像(MRI)数据进行分类,以便识别阿尔茨海默病(AD),该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性,其中多数投票法表现得更好。我们提出的 - E2GNN:高效的半监督分类图神经网络集成
该研究旨在研究半监督条件下图神经网络(GNNs)的集成学习。通过将多个薄弱学习器的输出组合起来,集成学习已经在传统机器学习中提高准确性和鲁棒性方面显示出优越性。然而,在集成不同的 GNN 模型时,由于 GNN 的推理能力较差,这个想法很具有 - 通过无监督相似度度量集成的高级源代码克隆检测
该研究介绍了一种新的集成学习方法来评估代码相似性,结合多种无监督相似度度量的优点。初步结果表明,尽管基于 Transformers 的 CodeBERT 和其变种 GraphCodeBERT 在有充足训练数据的情况下是最佳选择,但在特定的小 - 鱼眼镜头数据集中用于改善目标检测的低光图像增强框架
提出了一种新颖的方法,结合基于变压器的图像增强框架和集成学习技术,解决城市交通监测系统中基于鱼眼镜头相机的问题,提高了系统的有效性和准确性,为智能交通管理系统的未来作出了重要贡献。
- 对装袋不足进行复制分析
通过对一种用于从不平衡数据中训练分类器的流行集成学习方法的尖锐渐近性进行推导,本文比较了与几种其他标准方法在从二元混合数据中训练线性分类器的情况下学习不平衡数据的性能。从结果中发现,增加多数类别的大小可以提高 UB 的性能,特别是当少数类别 - 基于分类树的主动学习:一种封装方法
使用包装器主动学习方法对分类问题进行改进,通过在初始标记样本上构建分类树,将空间分解为低熵区域,再使用基于输入空间的准则从这些区域中进行子采样,并证明了该方法在使用受限标记数据集时构建准确分类模型的有效性。
- 基于自然启发计算的癌症筛查集成方法的全面利用
准确筛选肿瘤类型对于有效的癌症检测和精确的治疗选择至关重要。本研究提出了一种名为进化优化的多样化集成学习(EODE)的框架,用于改进基因表达数据的癌症分类的集成学习。实验证明,EODE 相对于单独和传统聚合模型,在 35 个基因表达基准数据 - 城市环境中的越南场景文本检测的集成学习
提出了一个简单而高效的整合学习框架用于越南场景文字定位。通过结合多个模型以提高预测准确性的整合学习方法,旨在显著提升在具有挑战性的城市环境下的场景文字定位性能。通过在 VinText 数据集上的实验评估,我们提出的方法相对于现有方法在准确性 - 深伪卫兵:利用集合智能进行鲁棒的检测与泛化
提出了一种主动可持续的深度伪造训练增强解决方案,将人工指纹引入模型中,通过采用池化自编码器的整体学习方法,模仿深度伪造模型引入的伪造效果,实验结果表明,我们提出的整体自编码器数据增强学习方法在泛化能力方面有所提升,并抵抗基本数据扰动,如噪声 - 基于多样功能表示的监督学习:功能投票分类器
功能数据分析(FDA)是用于建模和分析时间域函数数据的框架,在该领域中,集成学习的功能分类器只是最近引起了极大的兴趣。该论文的重点是基于功能数据的集成学习,展示了如何使用不同的功能表示来训练集成成员,并通过多数投票来组合基模型的预测结果。所 - 多样性感知的无偏锐度最小化集成方法
我们的工作调查了集成学习和损失尖锐度最小化相结合是否能增加泛化能力,并提出了 DASH 算法,该算法在深度集成中促进多样性和扁平性,理论和实证证据表明集成的可泛化性得到了改进。
- 超声心动图左室射血分数的自动神经网络预测模型开发
基于深度神经网络和集成学习的新型管线方法用于左室射血分数(LVEF)的自动准确量化,并在心力衰竭的诊断和分类中取得了与专家评估相当的效果。