- EMNLP社交媒体客户服务话语参与的语言元素
本文通过分析初次客户和品牌帖子的语言内容和风格方面的表达共情、心理语言特征、对话标记和量化话语的个性化度量等因素,证明我们可以使用这些因素来预测客户和品牌之间的互动来促进客户对社交媒体客户支持的参与度。
- 分子图深度学习预测药物副作用
本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型,旨在通过提高分类效果,提前预测药物副作用,从而减少药物住院和提高新药研发效率。
- 学习采样与聚合:少样本推理时间知识图谱
本文研究少样本时间知识图谱推理问题,提出了 MetaTKGR 框架,通过时间监督信号对未来事实进行快速反馈,动态调整采样策略,并提供时间适应正则化器来稳定元时间推理。 在三个真实世界的时间知识图上进行的大量实验证明了 MetaTKGR 相对 - 废物 - 燃料工厂传感器数值预测:一项案例研究
本研究通过机器学习模型对垃圾转燃料发电厂未来传感器读数进行预测,从而实现对厂址运营的主动控制。我们开发了三种不同类型的模型进行比较(仅考虑上一次预测值的 naive 预测,基于过去传感器数据的神经网络以及使用特征构建的梯度提升树回归器),并 - 量化在线长期研究兴趣
该研究利用机器学习模型分析了多个社交媒体平台上文章被在线分享的持续时间,以预测研究文章的长期在线兴趣。研究发现,旧的文章主要与经济和工业相关,而最近发表的文章则最多在研究平台和社交媒体平台方面被提及。
- WWW对话中的个人属性预测
本论文提出了一种基于预训练语言模型的模型,通过对话系统中用户发出的不带标签的语句进行无监督学习,从而实现预测用户个人属性值的目的,从而丰富 PKB,并通过挖掘未标注语句中嵌入的个人属性知识来实现两类监督。实验结果表明,该框架在预测个人属性方 - AAAI利用图神经网络预测纳米孔中的 $ extrm {CO}_2$ 吸附
该研究利用基于图的卷积神经网络模型进行预测和排名晶体金属有机骨架 (MOF) 吸附剂的气体吸附性能,其模型仅基于包含吸附剂材料候选物的标准结构输入文件。结果表明,该方法可以更精确地预测吸附性能,在运算速度更快、特征更少的情况下不失精度,更广 - KDD利用可解释机器学习预测母婴结局
使用可解释的 Boosting Machine 模型研究严重孕产妇病、肩难产和早发型先兆子痫等并发症的重要风险因素,以较高准确度代替传统的黑盒机器学习方法,改善孕妇和婴儿的预后。
- ICML使用反应预测预训练变形金刚进行分子属性预测
本文旨在使用反应数据进行预训练分子表示的过程,运用在 MoleculeNet 的 12 个分子属性预测任务上,结果显著地提高了预测模型的表现。
- 计算无歧视保险价格的多任务网络方法
本文介绍一种使用多任务神经网络架构进行索赔预测的技术解决方案,该模型能够使用只有部分受保护特征信息的数据进行训练,并且生成的价格不受间接歧视影响,且其性能在有部分缺失政策持有人信息的情况下具有明显的优势。
- 以交互为预训练的地面功能表示学习
借助神经网络建模物体状态,可以实现有效的物体功能信息提取并与传统语义学模型相结合,能够在基于图像的语言学习上取得更好的表现。
- 使用元梯度下降进行预测特征发现的单经验流
本文介绍了使用 meta-gradient descent 过程来进行连续学习的方法,它可让计算机代理通过预测未来感觉来选择合适的决策,并独立地选择可以解决部分可观察性问题的预测,从而实现类似于专家指定 GVFs 的性能,并使代理程序能够以 - 利用街景图像、航空图像和地表温度数据估算建筑能效
通过对广泛可用的遥感数据进行多源融合和深度学习建模,可以较快地并且准确地评估建筑的能源效率,本研究通过对英国近 40,000 座建筑的数据分析和建模,证明了通过街景、航拍图像、建筑平面和卫星表面温度等信息,深度学习建模的方法可以取得令人满意 - 学习行动:一种强化学习方法来推荐最佳下一步活动
本文介绍了一种基于强化学习的优化策略方法,利用过去的执行观察来学习最佳决策,并以关键绩效指标优化为目标,从而为用户提供最好的活动推荐。
- AAAI学习时间点过程用于连续时间事件序列的高效检索
我们提出了 NEUROSEQRET,它可以学习检索和排名相关连续时间事件序列的集合,以解决连续时间事件序列的检索问题,并使用 MTPP 引导神经相关模型,以及使用二元序列嵌入的优化框架来进行哈希,从而获得显着的速度优化。
- 数据模型:从训练数据中预测预测
提出一种数据建模框架, 可以分析训练数据集对模型行为的影响,通过建立参数化函数,预测数据子集对于训练后的模型的影响并导出各种机器学习应用。
- AAAI利用二分模式挖掘半结构化点击流数据中的意图预测
通过约束推理,我们引入了一种半结构化数据的模式挖掘框架,可以发现频繁出现且具有所需特性的顺序模式,从而创建有用的新模式嵌入,进而用于客户意图预测。总的来说,我们证明了模式嵌入在半结构化数据和机器学习模型之间具有整合作用,提高了下游任务的性能 - 这是必须的地方:预测大规模分布式活动中在线社区的参与度
通过对 Reddit 等社区进行大规模的分析研究,结合文本分析、社区元数据和结构属性,我们提出了一种预测社区集体决策的混合模型,该模型能够准确预测分布式环境下的大规模集体行动,并对社区的特征、社会认同等等可能应用于在线活动、减少极端言辞等领 - ICLR利用无标签数据预测超出分布性能
本研究提出了一种平均阈值置信度 (ATC) 的实用方法,通过使用已标记的源数据和未标记的目标数据来预测目标域准确性。ATC 在多种模型结构、分布转移类型和数据集上的表现均优于之前的方法,并且比之前的方法更准确地估计目标性能。
- AAAIDDG-DA:用于可预测概念漂移适应的数据分布生成
本研究提出了一种基于 DDG-DA 的预测建模方法,结合对数据演化的预测和生成的方法,能够有效应对概念漂移,提高预测性能。