关键词supervised learning models
搜索结果 - 7
- 优化非监督学习和监督学习:精确自然语言任务建模的混合方法
本文提出了一种新颖的混合方法,通过协同无监督和有监督学习,来提高自然语言处理任务建模的准确性。通过集成无监督模块和有监督模块,该方法在文本分类和命名实体识别方面取得了最新技术结果,为更高效和强大的自然语言处理系统铺平了道路。
- 浅电路基础学习中的量子经典分离与噪音
我们研究了基于浅层电路的经典和量子监督学习模型之间的量子经典分离,并在有和无噪声的情况下进行了研究。我们构建了一个由无噪声的浅层量子电路定义的分类问题,并严格证明了任何有界连接性的经典神经网络需要对数深度才能以超指数小的概率正确输出。这种无 - ICML公平监督学习的损失平衡
通过使用现成的凸规划工具(如 CVXPY),本文提出了 ELminimizer 算法,通过将非凸优化问题转化为一系列凸优化问题,高效地找到满足等效损失约束条件下的全局最优公平预测器,并通过多个实证研究支持我们的理论结果。
- 探索临床笔记表型的替代特征提取流程
通过使用 ScispaCy 从临床记录中提取常见疾病,训练各种监督学习模型来确定其与患者属性的相关性,并与 ClinicalBERT 和基于 LSTM 的方法进行比较,提出一种可作为现有方法的补充的替代方法。
- 中小企业和大型企业财务绩效管理的预测人工智能
提供新的金融和宏观经济比率以及监督学习模型(ML 回归器和神经网络)和贝叶斯模型预测公司绩效,并发现这些新的变量与行业标准比率结合使用可以提高模型准确性。Feedforward 神经网络(FNN)在 6 个预测任务中(ROA、ROE、净利润 - 异常鲁棒性对抗训练
基于异常值健壮的对抗训练(ORAT)是在传统健壮学习方法和最近的对抗训练方法的基础上开发的,以同时处理低质量训练数据和推理时的敌对攻击,并在三个基准数据集上展示了其有效性和鲁棒性。
- 超参数调整的实用多保真贝叶斯优化
本篇论文提出了一种基于知识梯度的多保真度贝叶斯优化方法,能在深度神经网络和大规模核学习的超参数调整方面表现优异,并有效解决了验证误差的计算问题。