- CYRUS 足球模拟 2D 团队中的观察降噪技术(RoboCup 2024)
我们提出了一个去噪算法,利用预测建模和交叉分析来提高 Soccer Simulation 2D 中观测数据的准确性,并减少噪音和部分数据的影响,从而提高游戏性能。
- 大数据生态系统中提升数据质量的 AI 驱动框架:错误检测、修正和元数据集成
该研究论文提出了一套新的互联框架,旨在全面提升大数据质量,包括引入新的质量指标和加权评分系统,采用人工智能模型检测各种质量异常,以及通过预测建模纠正检测到的异常,并着重讨论了在大数据生态系统中提高元数据质量的创新框架。
- 使用 ARIMA 预测用户数据消耗的扩展
本研究探讨了如何利用从用户数据中提取的洞察来影响电信决策,重点是使用 ARIMA 模型等机器学习技术的预测建模。该研究通过评估 ARIMA 模型在各种指标下的表现,探索时间序列预测以预测用户使用趋势,并将 ARIMA 模型与卷积神经网络模型 - 社交媒体应用顺序可预测:使用 LSTM 和 Transformer 神经网络建模习惯行为
通过对连续智能手机用户行为的预测建模,本文引入了一种研究社交媒体习惯的新方法。使用长短期记忆(LSTM)和变压器神经网络,我们展示了社交媒体使用在个人内部和个人之间是可预测的,同时在个体之间的预测差异也是稳健的。
- 公平教育 AI 用于解释性创伤性脓毒症死亡预测模型
本研究针对医疗领域中人工智能应用的公平性和可解释性的关键需求,提出了一种通过预测模型来改善公平性的方法,并介绍了一种新型特征重要性算法,用于解释各个特征对公平性的贡献。该方法不仅有助于识别和减轻预测模型中的偏见,也增加了模型预测的透明度和公 - CT-ADE: 临床试验结果不良药物事件预测的评估基准
为了提高药物研发的安全性和患者预后,本研究介绍了 CT-ADE 数据集,该数据集基于临床试验结果提供了药物、患者人群和环境信息,并以 MedDRA 本体论的系统器官类别层次进行多标签 ADE 分类任务的标准化注释,通过基准模型的初步分析获得 - StockGPT:用于股票预测和交易的 GenAI 模型
本文介绍了 StockGPT,一种在美国股票每日收益历史数据上直接预训练的自回归 ' 数值 ' 模型。通过将每个收益系列视为标记序列,该模型在理解和预测高度复杂的股票收益动态方面表现出色。利用注意机制,StockGPT 自动学习预测未来收益 - 生成模型与联网自动驾驶车辆:探索交通与人工智能的交集调查
本研究探讨生成模型和连接自动驾驶车辆(CAV)两个开创性力量对技术和交通的历史和影响。通过关注生成模型在 CAV 背景下的应用,本研究旨在揭示这种整合如何提高自动驾驶车辆中的预测建模、模拟准确性和决策过程。本论文讨论了在交通运输中将生成模型 - PE-MVCNet:肺栓塞预测的多视角和跨模态融合网络
为了提高患者的生存率,该研究提出了一种多模态融合方法来检测肺栓塞。通过集成 CT 肺血管造影和电子病历数据,该方法融合了图像和临床信息,取得了显著的预测效果,从而超越了仅使用单个数据模式的模型。
- 因果插补用于反事实结构方程模型:连接图和潜在因子模型
我们介绍了一种基于 SCM 的模型类,其中结果以反事实形式表达,操作以对工具变量进行干预表示,并且上下文是基于系统初始状态定义的。我们展示了在 PRISM 药物重用数据集上评估了几种矩阵填补方法,并且我们的方法优于所有其他考虑的矩阵填补方法 - 在线 A/B 测试中未来用户活动的改进预测
在线随机实验和 A/B 测试中,参与者包含率的准确预测是至关重要的,本文提出了一种新颖、直接且可扩展的贝叶斯非参数方法,用于预测在线 A/B 测试中个体接受干预的比率,并展示了其在实验和模拟数据上相对于现有方法的卓越性能。
- 电子健康记录预测建模的最新进展
对基于电子健康记录数据的深度学习预测模型的最新进展进行系统综述,并讨论了预测建模在医疗保健中的挑战、基准和工具,以及未来研究的方向。
- 预测建筑废弃物运输车辆的交通活动:一种输入 - 输出隐马尔可夫方法
基于 IOHMM 模型的预测方法可以准确地预测建筑垃圾运输车辆的目的地和停留时间,从而有助于有效的环境管理。
- 预测建模的预登记
通过研究预测建模中出现的再现性和泛化性的担忧,我们探讨引入先注册的可能性和潜在好处。虽然预测建模取得了显著进展,涵盖了核心机器学习任务和各种科学应用,但是忽视的背景因素、基于数据的决策和意外重复使用测试数据等挑战引发了对结果完整性的质疑。为 - 医疗保险可解释成本预测的机器学习
本文研究了在医疗保健领域中应用预测建模以提高保险公司生产力和效率的潜力,通过使用三种基于回归的集成机器学习模型(Extreme Gradient Boosting、梯度提升机和随机森林)对医疗保险费用进行预测,并采用可解释的人工智能方法来发 - 教授机器人建立关于自身的仿真模型
通过使用自我监督学习框架,我们使机器人能够只使用简短的原始视频数据来模拟和预测其形态、运动学和运动控制,从而实现了准确的运动规划和异常检测。
- 未来视角:从单个隐藏状态预测后续标记
利用隐藏状态向量进行预测模型,使用线性逼近和因果干预方法对 GPT-J-6B 网络中的隐藏状态进行评估,发现某些层的单一隐藏状态可以以超过 48% 的准确率近似模型输出,并提出了 “未来镜头” 可视化方法来呈现 Transformer 状态 - 机器学习管道中的信息泄漏
机器学习(ML)提供了强大的预测建模工具,然而,如果不正确实施和评估,ML 流程可能会出现泄漏问题,导致过于乐观的性能估计并且无法泛化到新数据,本文旨在拓展对于在设计、实施和评估 ML 流程中导致泄漏的原因的理解,以具体示例说明,提供了各种 - 大学生退学原因预测及相关因素分析的机器学习技术应用
大学辍学预测使用学术、人口统计、社会经济和宏观经济数据类型,通过训练四个二元分类器来预测学生是否会毕业或辍学,结果发现学术数据类型对模型性能最有影响。
- 机器学习在公交运输分析中的优势
利用监督机器学习算法分析德黑兰 BRT 巴士系统准时性的影响因素,并构建准确的预测模型,研究各算法的决策过程,揭示影响巴士线路效果的关键因素,为提高其性能提供有价值的见解。