新的机器学习模型通过先进的插补技术改进岩土强度预测

研究人员开发了用于预测岩土工程中不排水抗剪强度的新概率间接模型，解决了显著的数据缺失和变异性挑战。该研究使用了CLAY/10/7490全球数据库，并测试了三种插补方法：多元正态（MN）、链式方程多重插补（MICE）和随机森林插补（miss forest, MF）。采用了概率极端梯度提升（PXGB）模型来评估插补效果。此外，还将多头注意力（MHA）机制集成到人工神经网络（ANN）中，创建了基于MHA的概率神经网络（MHA-PNN），与传统模型相比，在预测准确性和不确定性量化方面表现出更优越的性能。 AI

影响 提高了岩土工程中的预测准确性和不确定性量化能力，尤其适用于包含缺失信息的数据集。

排序理由 该集群包含一篇学术论文，详细介绍了用于特定科学应用的新机器学习技术和模型。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• artificial neural network
• Atterberg limits
• CLAY/10/7490
• MHA-based probabilistic neural networks
• MHA-PNN
• miss forest
• multi-head attention
• multivariate normal distribution
• piezocone cone penetration
• Probabilistic Extreme Gradient Boosting
• PXGB

• 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 →