Bi-LSTM-AMSM: bidirectional long short-term memory network and attention mechanism with semantic mining for e-commerce web page recommendation
PulseAugur coverage of Bi-LSTM-AMSM: bidirectional long short-term memory network and attention mechanism with semantic mining for e-commerce web page recommendation — every cluster mentioning Bi-LSTM-AMSM: bidirectional long short-term memory network and attention mechanism with semantic mining for e-commerce web page recommendation across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
板球 DLS 方法在新审计中显示性别偏见
一篇新论文审计了板球中用于雨天中断比赛的 Duckworth-Lewis-Stern (DLS) 方法，发现了显著的偏见。这项对 8,000 多场国际比赛进行的审计显示，DLS 预测误差因比赛状态而异，并且在一日国际比赛 (ODI) 中表现出明显的性别差异偏见。研究人员提出了 DLS-Cal，这是一个校准层，可将偏见减少高达 31%，并特别解决了 ODI 预测中的性别差距。
-
新的CNN-bi-LSTM架构增强了脑机接口的脑电图解码能力
研究人员开发了一种新颖的混合深度学习架构，结合了卷积神经网络（CNN）和双向长短期记忆（bi-LSTM）网络，用于解码与运动想象相关的脑电图（EEG）信号。该方法旨在通过学习噪声EEG数据中的空间和时间表示来提高脑机接口（BCI）的可靠性。CNN提取高级特征，而bi-LSTM则对时间依赖性进行建模，在运动想象任务分类中表现出稳健的性能，并展示了有前途的受试者独立解码能力。
-
新的AI预测系统简化宗喀语打字
研究人员为不丹的国语宗喀语开发了一个下一个词预测系统，以简化打字。该系统利用了包含10万个句子的数据集，并采用了GRU、LSTM和Bi-LSTM模型。GRU模型取得了最佳性能，准确率为74.03%，有效解决了过拟合问题，并降低了宗喀语打字的复杂性。
-
新的 L-GTA 模型增强了时间序列数据增强
研究人员开发了 L-GTA，一种用于时间序列数据增强的新型潜在生成模型。该模型基于具有 Bi-LSTM 主干和时间自注意力机制的变分自编码器构建，学习潜在表示并应用受控扰动。L-GTA 旨在提高潜在空间和数据空间转换之间的一致性，从而生成具有可预测签名的增强样本。评估表明，L-GTA 在下游预测任务中优于 TimeGAN 和 Diffusion-TS 等现有方法，与原始数据相比，预测误差最多可降低 27%。