关键词gradient boosting decision trees
搜索结果 - 12
- 基于知识图谱的电力变压器故障预测
应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。
- 知识树：基于知识神经元的梯度提升决策树作为探测分类器
使用梯度提升决策树作为语言模型中隐藏层的检测分类器，相对于逻辑回归于转换器层的输出表示，用于识别句子部分更具优势，并且比许多其他方法更可取，根据预置设置，错误率的增益范围为 9-54%。
- UTBoost: 基于树提升的提升建模系统
通过创新 GBDT 算法的两种方法，即序贯学习和克服反事实性，用于 uplift modeling，该研究提出了一种能够优化资源分配、最大化整体回报的客户激励估计模型，并且在大规模数据集上的实验证明了该方法的有效性。为了方便应用，还开发了针 - 鲁棒 - GBDT: 一种新的梯度提升模型用于噪声鲁棒分类
该研究介绍了一种名为 Robust-GBDT 的噪声鲁棒增强模型，该模型在多类分类任务中应用广泛，通过采用凸可靠损失函数和处理类不平衡的新型鲁棒损失函数，有效抵抗标签噪声和类别不平衡，提高了分类准确性和泛化能力。
- KDD基于任务的分裂梯度提升树用于多中心糖尿病预测
本研究旨在解决糖尿病预测中的两个主要挑战：数据异质性和数据不足问题。通过采用梯度提升决策树（GBDT）处理数据异质性，引入多任务学习（MTL）解决数据不足问题，提出了一种名为 Task-wise Split Gradient Boostin - 自然语言处理技术在自发言语中预测阿尔茨海默病方面的比较
该研究使用 Spontaneous Speech 数据集文本转录，使用多种模型对 AD 和正常人的分类和预测进行训练和评估。结果表明，使用 TF-IDF 向量化器作为输入的 SVM 模型和使用 ' DistilBERT ' 的预训练模型作为 - AAAI实用联邦梯度提升决策树
本文研究了使用局部敏感哈希的 GBDT 在水平联邦学习中的训练，证明了其安全性并且可以显著提高预测准确性。
- 用于表格数据深度学习的神经无意识决策集合
本文提出了一种新的深度学习架构 Neural Oblivious Decision Ensembles（NODE）用于处理表格数据，并且与目前主要的 GBDT 方案相比，在大量的数据集上展示了超越竞争方案的表现。
- SIGIR树状提升集成的预测解释
本文介绍了如何生成树型集成学习（特别是梯度提升决策树）的本地解释，以便理解黑盒子模型的预测。作者提出了一种方法，可以对于正确预测的实例生成对抗解释，来研究模型的敏感性。与现有方法不同，这个方法可以在保持原有结构和准确性的情况下为 GBDT - 梯度提升决策树算法的基准测试和优化
本文研究了三个软件 Gradient Boosting Decision Trees (GBDTs) packages: XGBoost, LightGBM 和 Catboost 的 GPU 加速性能以及在超参数优化方面的比较，并注意到 G - 一种查询效率高的硬标签黑盒攻击：基于优化的方法
本文提出一种用于攻击离散和非连续的机器学习模型的新方法，将难标记黑盒攻击转化为实值优化问题，并且在 MNIST，CIFAR 和 ImageNet 数据集上展示出比现有方法更优异的表现。
- AAAI基于多层深度级联树的推荐系统转化率预测
本文提出了一种基于深层级深度级联树的集成学习方法，即 Ensemble ldcTree。通过这种方法，推荐系统可以更有效地学习特征表示。通过在线离线实验表明，该方法可以提高推荐系统性能。