- 通过贝叶斯网络分析方法探索 1 型和 2 型糖尿病的生物标志物关系
通过应用贝叶斯网络结构学习分析上海 1 型和 2 型糖尿病数据集，揭示了与糖尿病相关的关键生物标志物之间的复杂关系。构建的贝叶斯网络在预测准确性方面表现出显著的效果，特别是对于 2 型糖尿病，其均方根误差为 18.23 毫克 / 分升，在单 - 时间筛：通过信息瓶颈提取时间动态
我们提出了一种创新的时间序列预测模型 TimeSieve，通过使用小波变换预处理时间序列数据并引入信息瓶颈理论过滤冗余特征，提高了预测准确性和泛化能力，解决了时间序列预测中的关键问题。
- 用于评估延迟系统的因果框架
通过因果推断的方法，评估延迟系统对预测准确度的因果影响，区别两种场景，一种是能够接触到人类和机器学习模型的预测结果，另一种是只有人类预测结果可用，通过这种方法在合成和真实数据集上对七种延迟系统进行了实证评估。
- 使用机器学习方法和大型语言模型预测上海胡同房租价格
在上海，住房已经成为年轻人最关注的问题之一。本研究利用多种传统机器学习方法和大型语言模型 ChatGPT 来预测上海的胡同房租价格。研究结果表明，相较于传统方法，ChatGPT 在预测准确性方面表现出了巨大的潜力。
- 基于 Kolmogorov-Arnold 网络的柔性 EHD 泵预测建模
我们提出了一种新颖的方法，使用 Kolmogorov-Arnold 网络预测柔性电流体力泵的压力和流量。通过受到 Kolmogorov-Arnold 表示定理的启示，KAN 通过可学习的基于样条的激活函数代替固定的激活函数，使其比传统模型如 - 金融报告中的可解释风险分类
本文介绍了一种名为 FinBERT-XRC 的可解释深度学习模型，它以 10-K 报告作为输入，自动评估其关联公司的事后收益波动风险，并在词语、句子和文集三个层面上同时提供分类决策的解释，此模型的预测透明性和准确性在金融领域的应用中起着重要 - 一个用于完全可解释的出行行为分析的深度因果推理模型
CAROLINA 是一个明确模拟旅行行为因果关系、提高预测准确性并保持可解释性的深度因果推论模型，通过深度学习和传统离散选择模型相结合，在虚拟现实行人过街行为、伦敦的出行偏好行为以及合成数据等案例研究中展示了我们提出模型在揭示因果关系、预测 - 基于预测准确度的医学图像分割主动学习
通过引入预测准确率来定义不确定性，我们提出了一种高效的基于预测准确率的主动学习方法（PAAL）用于医学图像分割，在保证采集样本的不确定性和多样性的同时，显著降低了大约 50% 到 80% 的标注成本，具有在临床应用中的重要潜力。
- 基于广义特征值问题的数据协作分析的新解决方案
近年来，随着各个机构间数据的积累，保密数据分析技术备受关注，它通过在多个机构间共享数据来提高分析准确性，同时保护敏感信息。其中，数据协同分析（DCA）作为一种高效的计算成本和通信负载的方法，在保护机密信息的同时促进了不同机构间数据共享和分析 - ICLR变分贝叶斯最后几层
我们引入了一种确定性变分公式，用于训练贝叶斯神经网络的最后一层，它生成了一个无需采样、单次通过的模型和损失函数，有效提高了不确定性估计。我们的变分贝叶斯最后一层（VBLL）仅需要最后一层宽度的二次复杂度进行训练和评估，因此（几乎）对标准架构 - BayesJudge：基于贝叶斯核语言建模的法院判决预测中的置信度不确定性
利用贝叶斯方法和深度高斯过程，我们提出了一种名为 BayesJudge 的新型贝叶斯方法，通过贝叶斯千次采样 dropout 量化预测的不确定性，提高了预测的准确性和置信度评估，从而实现可靠的法律 AI 应用。
- 翻译过程中翻译技巧的预测
本研究发现提前识别翻译技巧并应用于机器翻译过程可以进一步优化机器翻译，通过不同实验对从头翻译和后编辑两种翻译过程进行了预测，预测准确率分别达到 82% 和 93%。
- 整合可穿戴传感器数据和自报日记以进行个性化情绪预测
本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模 - 通过强化学习提高特征选择的分类性能
本研究通过采用强化学习算法（特别是 Q 学习和 SARSA 学习）来解决特征选择的挑战，评估其在优化分类任务中的效果，并以乳腺癌科英布拉数据集（BCCDS）和三种归一化方法（最小 - 最大、l1 和 l2）作为实验验证。结果显示，QL@最小 - 在检索增强开放域问答中的可回答性
本文研究了利用随机策略训练模型存在识别高语义重叠无关文本摘录能力不足的重要局限性，并发现了一种有效的方法来训练模型以识别此类摘录，通过利用 SQuAD 2.0 数据集的不可回答配对，我们的模型在面对这些具有挑战性的文本摘录时实现了近乎完美的 - MM-SurvNet：基于深度学习的多模式数据融合在乳腺癌中的生存风险分层
通过将组织病理图像、遗传数据和临床数据整合，构建了一种新颖的深度学习方法，使用视觉转换器和自注意力机制在病人层面上提取图像特征和捕获图像关系，同时采用双交叉注意力机制结合遗传数据，并在最终层级上加入临床数据以提高预测准确性，通过在公共 TC - 用于推理高效 LLMs 的串联变压器
使用 Tandem transformers 架构，通过将小型自回归模型与以块模式操作的大型模型结合，以提高预测准确性并加快推理速度。在预训练数据集上，Tandem 模型显示出对下一个标记预测准确性的 3.3％改进，相比于性能相当的 PaL - 可解释性全球野火预测模型基于图神经网络
利用基于图神经网络（GNN）的混合模型，我们通过将全球气候和野火数据表示为图形，解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战，并且在未见过的 JULES-INFERNO 模拟数据集上展示出卓越的预测准确性。此外，通过社区检测和集 - 大规模人工智能时代的贝叶斯深度学习
在当前深度学习研究的背景下，着重于在涉及大型图像和语言数据集的监督任务中取得高预测准确性，然而从更广泛的视角来看，存在许多被忽视的度量标准、任务和数据类型，如不确定性、主动和持续学习以及科学数据，需要关注。本文认为贝叶斯深度学习（BDL）是 - 机器学习中的动态模型切换以提高准确度
本研究通过动态模型切换的新范式，应对了机器学习中数据集不断变化的挑战，引入了一个自适应集成模型，能够根据数据集的演变智能地在 CatBoost 和 XGBoost 之间切换，以优化预测准确性。