新的拉伸变换框架增强了表格数据的深度学习能力

研究人员引入了一个名为“拉伸变换”的新框架，以改进深度学习模型处理异构表格数据的方式。该框架将数值特征预处理优化为一个优化问题，以创建更平滑、更易于学习的目标函数。提出了两种变体：无监督拉伸，它重新分配特征密度；以及有监督拉伸，它基于目标函数的平滑度优化变换。在38个数据集上的实验表明，有监督拉伸的性能持续优于现有方法，这表明为目标函数平滑度进行优化是表格深度学习的一种有价值的策略。 AI

影响 这项研究可能有助于开发更有效的深度学习模型，用于分析各行各业的各种表格数据集。

排序理由 该项目是一篇学术论文，详细介绍了用于表格数据机器学习的新技术框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Dirichlet energy
• empirical CDF transformation
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Piecewise Linear Encoding
• ScienceCast
• Tabular Numeric Stretch Transformation
• TALENT benchmark
• target encoding

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →