研究人员推出 MuViS-C，一个旨在评估基于学习的虚拟传感系统在各种传感器故障下的鲁棒性的新基准测试。该基准测试涵盖了六个领域和六种不同的模型架构中的十种常见故障模式，包括梯度提升树、卷积神经网络和基于注意力模型。研究结果表明，所有测试模型在损坏下性能都会显著下降，其中梯度提升树表现出很强的鲁棒性，而专门的鲁棒化策略在牺牲名义性能的情况下提高了基于注意力模型的性能。该研究强调，模型性能排名在不同领域之间存在差异，凸显了进行多领域评估的必要性。 AI
影响 该基准测试将通过在现实的传感器故障条件下评估其性能，帮助研究人员为关键的网络物理应用开发更可靠的 AI 系统。
排序理由 该集群描述了在 arXiv 上发布的新基准测试和研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- attention
- CatalyzeX
- convolutional neural network
- DagsHub
- Gotit.pub
- Gradient Boosted Trees
- Hugging Face
- MLP-mixing
- MuViS-C
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
