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.
-
VertiFuseX：新型LSTM架构提升金融预测准确性
研究人员开发了VertiFuseX，一种专为更通用金融预测设计的新型深度学习架构。这种混合LSTM模型利用了多尺度时序表示的独特倒数第二层垂直融合，这些表示来自不同的LSTM分支和一个并行的DNN流。与15年内10个全球股指的基线模型相比，VertiFuseX在准确性方面表现出显著提升，MAPE降低了30-54%，MAE和RMSE提高了40%以上。该模型还以其轻量级设计而闻名，内存占用小，推理速度快，适合部署。
-
双向长短期记忆网络在超奈奎斯特信号方面得到增强
研究人员开发了一种新方法，利用双向长短期记忆（Bi-LSTM）网络来提高超奈奎斯特（FTN）信号传输中的误比特率（BER）。他们的研究发现，虽然嵌套 ISI 窗口等架构更改并未显著提高性能，但对输入进行预白化并将 BCJR 软后验信息蒸馏到 Bi-LSTM 中确实带来了显著的收益。这种方法在参数略有增加的情况下，在具有病态 ISI 矩阵的挑战性条件下，实现了显著的 BER 降低。
-
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%。