- 理解孕妇和胎儿结果的风险因素的可解释预测模型
使用可解释性增强学习机(EBM)进行预测和风险因素的识别,可以改善孕期并发症的预测和预防,提高临床应用的潜力。
- 滑坡拓扑揭示破坏运动
通过利用 3D 滑坡拓扑结构,我们提出一种基于运动方式(滑动和流动)来识别滑坡失败类型的方法。我们发现滑坡的拓扑属性能够揭示质量运动机制的普遍特征,例如探测复杂滑坡中耦合运动方式之间的相似性。我们通过使用这些拓扑属性作为预测因子,能够在意大 - 游戏化学习环境中学生表现建模
研究了基于游戏的学习在教育游戏 “Jo Wilder and the Capitol Case” 中的应用,使用 K-Nearest Neighbors (KNN)、Multi-Layer Perceptron (MLP) 和 Random - 基于先进信号处理与机器学习的音频呼吸疾病分类及辅助诊断支持
利用全球最大的公开医疗数据库中的呼吸声音,结合经验模式分解和谱分析等方法,训练多个机器学习模型对不同健康状况进行分类诊断,从而大大提高辅助和远程诊断能力。
- 自主驾驶中基于世界模型的异常检测潜能探索
自动驾驶中的异常检测研究综述,重点介绍了如何利用世界模型及相关组件实现预测建模、稀疏奖励和复杂控制任务的突出结果。
- 一种用于主动匝道信号灯性能评估的迁移学习框架
本研究提出了一个基于转移学习模型的预测高速公路交通参数(速度、占用率和流量)的框架,用于在新的匝道计量控制策略实施后预测交通参数,以主动评估匝道计量性能。实验结果显示,该框架可作为一种替代方法,用于预测高速公路交通参数以评估匝道计量性能。
- 机器学习在传染病风险预测中的应用调查
通过机器学习可以定量描述疾病传播模式并准确预测传染性疾病风险,促进疾病预防和控制。
- 软干预下因果解缠识别保证
本论文提出了一种基于潜在变量和因果模型的预测建模方法,以预测基因组学中联合扰动效应,并证明了该模型在无限数据极限下可以恢复潜在因果模型。
- MM基于扩散式随机再生模型的风噪音降低
本文提出了一种基于扩散的随机再生模型的单通道风噪声降噪方法,该方法结合了预测和生成建模,引入了一种非加性的噪声模型以解决膜的非线性变形和可能的剪切问题。通过数据集的实验和测试结果表明,所提出的随机再生模型优于其他基于神经网络的风噪声降噪方法 - 基于迁移学习的脑部损伤分割元分析
本文提出了一种基于深度学习技术的脑卒中损伤分割方法,旨在实现损伤扩展和影响的客观测量,以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割,并同时提供损伤体积和对大脑结构的加权损伤量量化。
- 使用生存机器学习和统计方法预测痴呆风险:以英国衰老长期研究队列为例的结果
研究使用机器学习中的生存分析方法,基于英国长寿研究队列 ELSA 数据,构建了两种基于随机森林和弹性网络算法的生存机器学习模型,并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。
- 又一款 ICU 基准测试:用于临床机器学习的灵活多中心框架
该研究介绍了一个名为 “YAIB” 的模块化框架,旨在为医疗保健机器学习领域定义可重复和可比较的实验,支持大部分开放获取的重症监护病房数据集,并为多个机器学习和深度学习模型提供透明的预处理管道和可扩展的训练代码。通过这个框架,作者发现数据集 - 通过强制条件单调性实现早期退出结构的任意时刻分类
本研究提出了一种基于 Product-of-Experts 的修改方法,使得早期退出网络在计算过程中逐渐变得自信,并具有预测质量的条件单调性,从而在保持竞争力的前提下实现了真正的任意时间预测建模。
- 大型医院网络患者预后预测改善运营
本研究使用机器学习算法基于患者数据预测患者短期和长期预后,以及病人的出院去向等重要临床结果,帮助医疗团队提升决策质量并实现有效的医院管理。实施该工具后平均每位患者住院时间减少了 0.67 天,每年可为医疗系统创造高达 5500 万至 720 - 利用预测模型进行时空流体过程的自适应采样
本文针对流体过程的持续监测问题,提出了一种基于预测模型的自适应采样算法(PASST),该算法利用深度学习模型进行路径规划,采样数据用于更新初始状态以改进预测性能,并通过强化学习算法进行路径规划,实现在给定时间范围内对流体过程进行高效可靠的监 - 从临床记录中提取物理康复运动信息:基于规则和机器学习自然语言处理技术的比较
本研究介绍一种基于规则的自然语言处理算法,可以从非结构化的电子健康记录中标注中风患者的治疗过程,与几个小型机器学习模型进行比较,并发现我们的算法在提取足够数据可用的一半概念方面表现优异,并且每个概念的个别运动描述可以分配二进制标签,f-sc - 基于文本情感预测咖啡评价分数 -- 从糖浆般的口感到巧克力的微妙味道
使用咖啡品资格认证评价中所收集的文本数据预测咖啡豆在 0-100 分之间的评分。通过构建回归模型来转换这些高度专业和标准化的文本数据,精确捕捉相应咖啡豆评分的模式。
- 通过运算学习逼近同步发电机的动态响应:朝着基于深度运算器的电力网模拟器建设迈出一步
本文提出了运算符学习框架,基于深度算子网络构建了一套数值仿真方案,有效地近似了同步发电机的暂态响应特性,并提供了一种预测建模算法来更好地预测发电机的动态响应。
- 具有可解释专家分布的深度聚类生存机器
提出了一种混合生存分析方法,结合了区分性和生成性机制,以描述混合模型形式下的生存数据。通过该模型可以实现个体实例的可解释子集聚类、权重学习以及时间预测。
- 针对传感器数据应用的显式上下文集成循环神经网络
本文介绍了一种上下文集成循环神经网络 (Context Integrated RNN, CiRNN) 模型,用于处理含有传感器数据和上下文信息的数据,在引擎健康预测领域的实验中表现出比现有模型 39% 和 87% 的示范性改进,特别是在使用