PulseAugur
中
实时 07:41:33
实体 Classifiers for media content

Classifiers for media content

PulseAugur coverage of Classifiers for media content — every cluster mentioning Classifiers for media content across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
关系
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 3 条
  1. TOOL · CL_363478 ·

    新的FH-Sampling方法改进了不平衡时间序列分类

    研究人员开发了FH-Sampling,一种新颖的过采样技术,旨在解决不平衡时间序列数据带来的挑战,这类数据常见于医疗诊断等应用中。现有方法常常难以捕捉高阶关系,并可能抑制关键的高频分量。FH-Sampling构建超图来模拟复杂的样本间连接并自适应地分配采样率。然后,它利用离散小波变换,将来自相关样本的高频分量进行组合,同时保留目标样本的低频分量,从而保持频谱保真度。在24个数据集和飞机轨迹生成方面的实验证明了FH-Sampling在提…

  2. TOOL · CL_229097 ·

    LLM与分类器结合可提高信用违约预测性能

    一项新的研究论文探讨了将大型语言模型(LLM)与传统分类器结合用于信用违约预测。研究发现,虽然LLM本身可以达到较高的召回率和F1分数,但在AUC-ROC方面落后于随机森林。提示LLM模仿分类器并未显示出显著改进,但将提示精简为分类器最重要的特征或将分类器的预测概率添加到提示中,可以增强LLM的性能,使其AUC-ROC与随机森林相当,同时保持更高的召回率。

  3. TOOL · CL_55993 ·

    新论文分析分类器和LLM中的温度缩放

    一篇题为“The Well-Tempered Classifier”的新论文探讨了温度缩放的理论特性,这是一种常用于控制概率模型中不确定性的技术。研究表明,提高温度通常会增加分类器的不确定性和熵。然而,该论文对更高温度必然导致大型语言模型多样性增加的观点提出了质疑。它还引入了温度缩放的新表征,将其视为一种信息投影,并阐明了其与更一般的线性缩放方法的关系。