Al Zadid Sultan Bin Habib
PulseAugur coverage of Al Zadid Sultan Bin Habib — every cluster mentioning Al Zadid Sultan Bin Habib across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
机器学习模型在诊断多囊卵巢综合征方面显示出潜力
研究人员调查了使用机器学习技术诊断多囊卵巢综合征（PCOS）的应用。该研究探讨了多种特征选择方法，包括CatBoost、XGBoost、LightGBM、AdaBoost和Random Forest，以识别PCOS的关键指标。研究结果表明，AdaBoost模型结合了通过Random Forest特征重要性和最高相关性选择的特征后，在预测该病症方面取得了最高的测试准确率。
-
深度学习模型使用EfficientNet预测儿科骨龄
研究人员开发了一种深度学习方法，使用EfficientNet架构（特别是增强了加性注意力的EfficientNetB4）来预测儿科骨龄。该方法利用了RSNA骨龄数据集中的12,000多张X光片，并将它们转换为适合训练卷积神经网络的格式。研究表明，与EfficientNetB0相比，EfficientNetB4（尤其是带有加性注意力机制的版本）能提供更准确的骨龄预测，有助于诊断儿科内分泌疾病。
-
新型AquaAugmentor算法提高了饮用水水质预测的准确性
研究人员推出了一种名为AquaAugmentor的新型特征增强算法，旨在提高机器学习模型在预测饮用水水质方面的准确性。该算法对于低维数据集特别有效，利用水的化学属性，如pH值、硬度、氯胺和硫酸盐。研究表明，AquaAugmentor通过测试准确性和曲线下面积（AUC）得分的评估，提高了预测性能，有助于确保安全饮用水的获取，并为环境质量评估提供信息。
-
DynaTab论文提出用于高维表格数据的动态特征排序
研究人员提出了DynaTab，一种新颖的深度学习架构，旨在通过动态重排特征来处理高维表格数据。该方法受神经重塑的启发，并包含一种预测特征排列何时有利的方法。DynaTab集成了学习到的位置嵌入、基于重要性的门控和掩码注意力层，在36个真实世界数据集的45个最先进基线之上，尤其在高维数据方面，展示了显著的性能提升。