关键词nonlinear relationships
搜索结果 - 6
- 因子增强的张量对张量神经网络
通过提取和总结有用的预测信息（由 “因子张量” 表示）并利用张量分解模型将其输入到时间卷积神经网络中，本研究提出了一种因子增强的张量对张量神经网络（FATTNN）。该方法能够处理复杂数据结构之间的非线性关系，并在预测准确性和计算成本方面优于 - 双向对抗自编码器用于光热表面结构设计
使用深度学习设计反向设计方法，以预测拓扑结构的光致发光光谱作为输入数据，采用双向对抗自编码器能够生成能够提供多个峰值的非线性光子元表面，对于先进光子元表面设计具有重要的推进作用。
- 基于有序方差的自动编码器用于非线性模型识别
本文介绍了一种新型的具有有序方差的自编码器 (AEO)，其中损失函数通过方差正则化项进行了修改，以强制约束潜在空间的顺序。此外，使用 ResNets 对自编码器进行了修改，得到了 ResNet AEO (RAEO)。本文还展示了 AEO 和 - AAAI神经网络的全贝叶斯显著性检验
提出了一种全贝叶斯显著性测试方法（nFBST），采用贝叶斯神经网络来拟合非线性和多维关系，并通过计算证据值避免了传统方法中的理论派生难题，可以测试全局、局部和实例显著性，并且是一个可根据所选择的度量进行扩展的通用框架。
- 基于图神经网络的多元实现波动率预测与溢出效应
我们提出了一种新颖的方法来建模和预测多元实现波动率，使用定制的图神经网络来整合股票之间的溢出效应。该模型通过整合多跳邻居的溢出效应、捕捉非线性关系和灵活地使用不同的训练损失函数，具有很多优势。实证结果表明，仅仅考虑多跳邻居的溢出效应并不能明 - 正交搜索法进行因果特征选择
提出一种基于反偏倚机器学习的一对多特征选择方法，可用于纯观察性数据，同时提供理论保证，包括部分非线性关系和循环数据的情况，并证明与目前的方法相比有显著改进。