- 利用机器学习技术在基于雾计算的无线传感器网络中缓解拒绝服务攻击
无线传感器网络中使用决策树和 XGBoost 两种机器学习模型能够更准确地识别拒绝服务攻击并减少影响,XGBoost 模型具有更高的真正阳性率(98.3%)和更低的假阳性率(1.7%)。
- 基于 NASA 的 POWER 数据三十年的统计分析:加纳主要城市的全球变暖
研究了全球变暖对世界各地高温的影响,考察了代表不同气候区域的四个主要加纳城市的长期气温趋势。使用 NASA 的全球能源资源预测数据,进行统计分析评估局部气候变暖及其影响,并使用线性回归趋势分析和 eXtreme Gradient Boost - 利用极端梯度提升、土地覆盖和地形参数进行城市区域数字高程模型修正
通过使用极值梯度提升(XGBoost)集成算法提高数字高程模型(DEMs)的准确性,用于改善城市地貌的水文模拟。
- 信任语言模型在教育中的应用
我们提出使用基于注意机制的特征,将 XGBoost 模型应用于 BERT,以输出更正概率,从而避免误导学生。我们的假设是注意力流中包含的不确定性水平与模型回答的质量相关。
- 使用 Google AutoML、TensorFlow 和 XGBoost 定价欧式期权
使用神经网络及其他机器学习技术可以用历史数据更准确地估算欧式期权价格,其中 Google Cloud 的 AutoML Regressor、TensorFlow 神经网络和 XGBoost 梯度提升决策树的效果均超过了传统的 Black S - 双重贝叶斯 ResNet:心脏杂音检测的深度学习方法
该研究介绍了尝试通过使用大量记录的心音监测数据,利用双重贝叶斯 ResNet(DBRes)模型进行自动检测心脏杂音和其他听诊器所需的特定未知指标的方法。
- 基于最先进的梯度提升算法的分类性能基准测试
比较了四种梯度提升方法在一些真实数据集上的表现,着重考虑超参数优化策略,并尝试找到一种具有效果、可靠性和易用性的梯度提升算法。
- 利用外生变量和机器学习算法进行短期股票价格预测
追溯 2020 年 3 月至 2022 年 5 月的短期内,该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性,并发现 XGBoost 模型虽然运行时间较长(最多 10 秒),但提供了最高的准确性。
- 手中一只 CBR 胜过两只丛中鸟
本研究探讨了使用 XGBoost 回归方法进行航班起飞延误预测问题,通过建立一个 XGB-CBR 模型,将 XGBoost 模型的特征重要性转换为 CBR 模型中的全局权重来提供全球性的解释,并提供最具可解释性的本地解释,以提供该问题背景下 - 芝加哥市预测特定犯罪类型的多种方法的比较分析
本文研究犯罪现象受到生理、社会和经济等因素影响,特别是针对通过时空信息预测盗窃这一单一犯罪案件的时空模型和不同算法进行探究,其中 XGBoost 算法表现最优,F1 分数为 0.86。
- 分位极值梯度提升用于不确定性量化
本研究通过对 Extreme Gradient Boosting (XGBoost) 的改进,使用修正后的分位数回归作为目标函数以估计不确定性 (QXGBoost),并将其应用于预测间隔的创建,并将其应用于一个模拟数据集和一个实际环境数据集 - 可学习学习速率的无梯度联合梯度提升树
提出一种水平联邦 XGBoost 的创新框架,通过使聚合树模型的学习率可学习,从而不依赖于梯度共享,同时提高隐私和通信效率,降低通信轮数和开销,并在各种数据集上进行了广泛评估。
- 用于模糊图像分类的基于块的特征
本文提出了一种用于图像质量评估的低计算量轻量级分块特征方法,该方法可以区分模糊与清晰图像降级,并在开放数据集上实现了 90.1%的平均准确率。
- 评估 XGBoost 在平衡和不平衡数据上的应用:应用于欺诈检测
本文使用不同大小和类别分布的数据集评估 XGBoost 在欺诈检测中的性能,并提出了数据准备管道和比较,发现随机搜索微调对大型数据集有一致的改进,但对于中小型数据集则不是如此。在数据不平衡的情况下,训练集平衡化并不能提供一致的改进,因此未来 - 人工智能对人类语言起源的启示
研究人工智能和声音象征主义之间的结合,以及机器学习算法在训练中的偏向性和错误管理理论的假设,在中日韩宝可梦的名称中观察分类误差分布。
- 基于跨语料库领域自适应的意大利老年人情感识别
本文旨在定义一个语音情感识别(SER)模型,能够在自然会话中识别意大利老年人的积极、中性和消极情绪。通过合并英语数据集和意大利语数据集并采用 XGBoost 模型训练,提出了一种适用于多个语种和多个年龄段的通用模型,并提出两种领域自适应策略 - 基于同态加密的隐私保护信用卡欺诈检测
本文提出了一种使用同态加密进行私密欺诈检测的系统,在使用明文数据训练完 XGBoost 和神经网络后,将其转换为同态加密模型用于私有推断,比较两种模型的延迟、存储和检测结果,并探讨部署的可行性和应用案例。
- 利用机器学习估算油藏采收率:XGBoost 分类应用
利用机器学习算法 XGBoost 和可用特征估算石油开采过程中的油脂率和关键特征,表明特征重要性的评估可较准确地评价该模型的可靠性。
- 样本非独立同分布数据上的联邦 XGBoost
本研究旨在调查非独立同分布数据对联邦 XGBoost 的影响,并在多个数据集和数据 Skew 分区上进行了广泛的实验测试,结果表明该模型在不同的分区比例下性能表现良好且与在集中式环境下训练的模型相当或接近。
- 自然语言处理数据集机器学习模型评估与特征重要性分析
该研究使用机器学习模型,对埃塞俄比亚一家私人银行提供的数据进行分析,发现 XGBoost 模型在 KMeans SMOTE 过采样数据上取得了最高的 F1 分数,而评估信贷风险时,申请人的年龄、就业年限和总收入等因素比抵押相关的因素更为重要