- FloodDamageCast: 基于机器学习和数据增强的洪水损害实时预测
在本研究中,我们引入了 FloodDamageCast 这一针对财产洪水损害的机器学习框架,利用异构数据以 500 米 ×500 米的分辨率预测 2017 年 “哈维飓风” 期间德克萨斯州哈里斯县的住宅洪涝损害,结果展示了该模型发现基线模型 - 整合监督学习和无监督学习方法揭示关键过程输入
该研究介绍了一个针对大规模工业过程的机器学习框架,旨在识别影响输出的关键参数,并生成精确的离样品定性和定量预测。该框架使用化学气相沉积作为示例,通过合并专业知识和聚类技术,确定了关键过程输入,并证明在输入众多、数据不足以直接应用深度学习技术 - TinySeg:用于小型嵌入式系统上图像分割的模型优化框架
TinySeg 是一个优化模型的框架,可以在小型嵌入式系统中实现内存高效的图像分割,通过分析目标模型中张量的生命周期并识别长期存在的张量,利用张量溢出和合并提取技术将目标模型的峰值内存使用率降低了 39.3%。
- 基于视觉 Transformer 的熔池深度轮廓预测的深度学习方法
用机器学习框架将高速彩色成像下的热像与熔池横截面轮廓进行相关联,以模拟超声成像所观察到的熔池亚表面形态,并通过与实验熔池观察结果进行比较评估性能。
- 基于机器学习的层间光电二极管数据检测 LPBF 过热异常
通过利用光电二极管传感器数据的机器学习框架,本研究集中于检测过热异常,其中提取了光电二极管数据的三组特征(MSMM、MSQ 和 MSD)并采用多数投票集成方法,实现了层次化的过热异常检测,结果表明,所涉及的方法在检测层次化过热异常方面取得了 - 漂移电子磁体中手性结域的粗化:一种机器学习力场方法
通过机器学习框架模拟复杂的交叉磁场和自旋 - 自旋相互作用来研究三角晶格中手性磁域的增长规律,发现磁域特征尺寸随时间线性增长,这归因于磁域边界的方向各向异性,同时揭示了机器学习模型在研究移动磁体的大规模自旋动力学方面的潜力。
- KDD智能路由中的复杂性中的师生学习
通过开发一个机器学习框架,我们预测客户联系的复杂程度并相应地将其转接给适当的代理商,从而显著提高了顾客体验,并提出了一个用于统计评估客户服务效果的有用指标,称为复杂度 AUC。
- 基于多组学数据的个体逆因果治疗建议的机器学习框架:走向面向 AI 的精准肿瘤学
AI 驱动的精准肿瘤治疗具有转变癌症治疗的潜力,通过利用 AI 模型分析复杂患者特征与相应治疗结果的相互作用,以及新技术平台提供的多模态肿瘤生物学数据,开展数据驱动的临床决策改进研究。该研究提出了一个模块化机器学习框架,旨在通过一组训练于多 - OCT-SelfNet: 用于广义和稳健视网膜疾病检测的自监督多模态数据框架
我们的研究提出了一种自我监督的强大机器学习框架 OCT-SelfNet,用于使用光学相干断层扫描 (OCT) 图像检测眼部疾病,通过结合多个机构的数据集,采用两阶段训练方法(自我监督预训练和有监督微调),并基于 SwinV2 主干结构的遮罩 - 可靠的神经网络概率分类
Venn Prediction 是一种新的机器学习框架,用于产生校准良好的概率预测。本文基于神经网络提出了五种 VP 方法,通过实验评估它们在四个基准数据集上的性能,结果表明它们的输出在校准上表现出了优越性,相比传统的神经网络分类器有了明显 - EMNLP上下文化学习创建任务向量
使用全面实验证明,In-context learning 通常具有非常简单的结构,即对应于仅有查询 x 和从训练集计算得到的单个 “任务向量” 的 Transformer LLM,可将训练集 S 压缩为单个任务向量 θ(S),并使用该任务向 - 从文本到趋势:现代农业未来的独特园艺分析视角
通过分析园艺业从业人员的文本查询,我们展示了机器学习技术预测园艺业趋势的潜力。我们利用自然语言处理、分类和时间序列分析等方法,识别了从业者查询中的模式,并预测了园艺业的未来趋势。结果表明,机器学习技术还可用于预测其他农业领域的趋势,如果大规 - 基于群贡献法的非线性光学分子的神经网络驱动交互设计
使用 Lewis - 模态群贡献方法(LGC)、多阶段贝叶斯神经网络(msBNN)和进化算法(EA)框架进行 D-Pi-A 类型有机小分子非线性光学材料的有理设计。通过结合 msBNN 和修正的 LGC 方法(cLGC),仅利用小规模数据集 - 金融网络学习优化动量策略
网络动量提供一种新型的风险溢价,利用金融网络中的资产相互连接来预测未来回报。我们提出了 L2GMOM,这是一个端对端的机器学习框架,它同时学习金融网络和优化网络动量策略的交易信号,通过 64 个连续期货合约的回测表明,在 20 年的时间段内 - Alioth: 公有云上基于机器学习的多租户应用干扰感知性能监测器
通过构建一个新颖的机器学习框架 Alioth 来监控云应用性能降低,并提供对决策的洞察力。
- 一种用于在线发言人分离的强化学习框架
该研究提出了一种基于强化学习的机器学习框架,用于实时的多扬声器识别和分割,并能应对有限的训练数据和分布环境的挑战。
- 单位选择:从有限人口数据中学习受益函数
本论文提出了一种机器学习框架,利用可估算的有限人口数据上的福利函数范围来学习特征单元格的福利函数范围,以便轻松获得最大化福利函数的特征。
- ICLR旅行观察者模型:通过空间可变嵌入进行多任务学习
该论文提出了一种基于机器学习框架的数据预测方案,能够将看似无关的任务通过将其输入和输出变量嵌入到共享空间中解决,并在实验中显示了远优于单任务和多任务学习替代方案的表现。
- 通过对抗训练进行说话者不变的情感表示学习
本文提出了一种基于对抗训练网络来消除发言人特征并更好地表示情感的机器学习框架,在 IEMOCAP 和 CMU-MOSEI 数据集上实验表明该框架能够提高语音情感分类的准确性并增加对未知发言人的泛化能力。
- 代码交替数据的词性标注
本文研究多种策略用于在两种语言或方言之间进行 linguistic code switching POS 标注的方法,并表明使用两种现有的 POS 标注器的机器学习框架比其他方法实现的性能更好。