PulseAugur
中
实时 07:15:27
实体 decision tree

decision tree

PulseAugur coverage of decision tree — every cluster mentioning decision tree across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
12
90 天内 63
发布 · 30天
0
90 天内 0
论文 · 30天
11
90 天内 60
层级分布 · 90 天
主题
关系
情绪 · 30 天

3 天有情绪数据

最近 · 第 1/4 页 · 共 70 条
  1. TOOL · CL_368318 ·

    特征缩减技术对对抗性攻击鲁棒性的影响分析

    一篇新研究论文探讨了特征缩减技术如何影响各种机器学习模型在对抗性攻击下的鲁棒性。该研究分析了支持向量机、决策树、随机森林、多层感知机和k近邻等模型。在不同攻击场景下,包括投毒、后门和通用对抗性扰动,对APT数据集评估了主成分分析、排列重要性排序、递归特征消除和单变量互信息等技术的效果。研究结果表明,排列重要性排序和单变量互信息通常能提供最一致的对抗性鲁棒性提升,尽管其他方法根据具体的分类器和攻击类型显示出不同的效果。

  2. TOOL · CL_366223 ·

    调查探讨机器学习在计算机代数系统中的应用

    一篇最近发表在arXiv上的调查论文探讨了将机器学习(ML)技术集成到计算机代数(CA)系统中的情况。该论文详细介绍了ML如何优化现有的CA算法并直接执行符号计算,以解决传统方法的计算成本问题。它回顾了从决策树到Transformer等各种ML方法在圆柱代数分解和符号积分等任务中的应用,同时也强调了缺乏标准化基准数据集等挑战。

  3. TOOL · CL_366122 ·

    机器学习模型在帕金森病诊断方面展现出潜力

    研究人员探索了使用各种机器学习技术诊断帕金森病的方法,将支持向量机、决策树和随机森林等算法应用于来自利兹教学医院NHS信托的数据集。虽然决策树和逻辑回归等模型达到了72-76%的最高准确率,并且支持向量机分类器对阳性帕金森病病例显示出较高的敏感性(高达97.56%),但所有模型在区分健康对照组和帕金森病患者方面的能力都有限。研究表明,获取更广泛的数据和进一步改进这些机器学习方法可以显著提高帕金森病的诊断结果。

  4. TOOL · CL_344139 ·

    新AI框架通过可解释策略增强风电场功率控制

    研究人员开发了一种新颖的策略蒸馏框架,使用可解释增强机(EBMs)为风电场创建可解释的控制策略。该方法旨在提高强化学习方法(通常可解释性较差)的透明度。新框架结合了面向价值的视角和专家知识,以降低在欧洲电网运行的风电场的失衡成本。在利用比利时电网和海上风电场的真实数据进行的测试中,与现有方法相比,所提出的控制器将失衡成本显著降低了82%。

  5. TOOL · CL_317226 ·

    量子启发式数据插补显示出改进的分布保真度

    研究人员开发了一种新颖的量子启发式框架用于数据插补,这是临床数据集预处理的关键步骤。该方法结合了主成分分析(PCA)和基于量子旋转的重建,利用无梯度优化器(如模拟退火和差分进化)来选择旋转角度。该方法在UCI Pima Indians Diabetes数据集上进行了评估,与包括SoftImpute、MissForest和VAE在内的各种经典和现代机器学习插补方法相比,在分布保真度方面显示出显著的改进。

  6. RESEARCH · CL_303358 ·

    Pairwise Difference Learning for Classification 详细介绍见新的 arXiv 论文 · 跟踪 3 个来源

    研究人员开发并分析了用于分类任务的成对差分学习 (PDL),这是一种元学习技术,它预测两个输入实例结果之间的差异,而不是直接将实例映射到结果。一篇论文侧重于通过将不确定性分解为随机不确定性和认知不确定性分量来量化 PDL 分类器中的不确定性,分析预测准确性和不确定性感知。另一项研究通过比较各种编码策略和配对选择方法来研究高效的 PDL,发现特定的绝对差值编码器和将训练限制在上三角配对可以显著提高效率,同时准确性损失最小。PDL 分类器…

  7. TOOL · CL_299766 ·

    新的“ndscape”工具可绘制多类分类的嵌套二分法结构图

    研究人员开发了“ndscape”,这是一个新颖的二维映射系统,旨在可视化多类分类问题中使用的嵌套二分法结构的广阔空间。这种嵌入使得无论底层二元分类器(如逻辑回归或决策树)如何,都可以对不同嵌套二分法结构中的偏差和方差进行首次全面分析。研究发现,具有相似嵌入的树结构表现出相似的性能指标,而当前的构建启发式方法并不总是选择性能最佳的结构,这表明 ndscape 可以指导在多类分类中做出更明智的选择。

  8. TOOL · CL_289595 ·

    新方法量化树模型中Shapley值的鲁棒性

    研究人员开发了一种使用不精确狄利克雷模型(IDM)的新方法,用于分析决策树和随机森林中Shapley值的鲁棒性。该方法在将未标记实例引入树叶时,量化和检查区间值Shapley值。该方法允许基于悲观和平均原则计算这些区间值Shapley值,并且可以扩展到Banzhaf值。实验证明了这些区间值Shapley值的行为及其在消除无信息特征偏差方面的效用。

  9. TOOL · CL_289429 ·

    新方法使用合成数据进行可解释决策树的可扩展元学习

    研究人员开发了一种新颖的方法,通过合成生成大规模、逼真的数据集来进行可解释决策树模型的元学习。该方法采样接近最优的决策树,与在真实世界数据上训练或使用计算成本高昂的最优树相比,显著降低了计算成本。MetaTree transformer 架构被用于证明这种合成数据生成策略的性能与传统方法相当,为在金融和医疗保健等领域创建可解释模型提供了更大的灵活性和可扩展性。

  10. RESEARCH · CL_286878 ·

    LLM 被提炼成决策树以改进表格分类 · 跟踪 2 个来源

    研究人员开发了一种新方法,将大型语言模型 (LLM) 的知识提炼成可解释的决策树,用于表格数据分类。该方法解决了直接将 LLM 用于表格数据的局限性,因为这可能成本高昂且不透明,以及决策树在低数据场景下表现不佳的倾向。提出的三阶段框架指导 LLM 生成规则,然后将它们组织成树状结构,与现有方法相比,在提示开销减少的情况下提高了准确性和可解释性。

  11. RESEARCH · CL_284740 ·

    研究人员利用可解释AI挖掘IPv6扩展头模式

    研究人员开发了一种从网络捕获中的IPv6扩展头(EH)模式中挖掘可解释规则的方法。该研究利用JAMES数据集上的可解释时序逻辑规则挖掘器来识别控制EH行为的规则。一个关键发现是,识别出的主要Fragment-EH规则是包内共现,而非时序模式,这一结论得到了决策树和大型语言模型基线的支持。

  12. TOOL · CL_269479 ·

    AI框架通过可解释性增强执法领域的法律推理能力

    提出了一种用于执法领域决策支持系统的新框架,重点关注可解释性以及是否符合欧盟《通用数据保护条例》(GDPR)和《执法指令》(LED)等法规。该系统利用符号AI和SPARQL处理法律规范和规则,确保执法机构(LEAs)的决策透明且可辩护。与许多缺乏可解释性的机器学习方法不同,该框架旨在通过提供清晰的输出推理来建立用户信心,并在必要时利用决策树来指导信息请求。

  13. TOOL · CL_259378 ·

    AI模型从流式细胞术数据预测AML突变

    研究人员开发了一种可解释的多实例学习模型,可以从急性髓系白血病(AML)的常规流式细胞术数据中预测关键的分子改变。这种方法将患者样本建模为单个细胞的集合,在预测NPM1和FLT3-ITD突变方面取得了高精度。该模型的预测在一个独立的队列中得到了验证,并证明了其识别既定免疫表型特征的能力,为传统的分子检测提供了一种更快、更具成本效益的替代方案。

  14. TOOL · CL_254611 ·

    LLM生成的心脏病预测规则准确性落后于传统模型

    一项发表在arXiv上的新研究评估了像GPT-4o和Claude Sonnet 4.6这样的大型语言模型(LLMs)在生成预测心脏病的规则方面的有效性。研究发现,与LLM生成的基于规则的系统相比,传统的机器学习模型(如Random Forest和Naive Bayes)在准确性和预测性能方面表现明显更优。尽管LLM生成的规则预测能力较弱,但它们提供了增强的可解释性和透明度,在医疗AI中呈现了性能与可解释性之间的权衡。

  15. TOOL · CL_245403 ·

    机器学习框架预测餐厅食物浪费

    研究人员开发了一个机器学习框架,利用运营数据、天气和活动指标来估算餐厅的每日食物浪费。该研究构建了一个包含77,980条记录的数据集,并采用了四种回归模型,其中随机森林表现最佳。确定的关键预测因素包括菜单多样性、运营区域和时间活动模式。数据集、代码和实验配置均公开可用,以鼓励进一步研究,特别是使用实测浪费数据进行的研究。

  16. TOOL · CL_245377 ·

    机器学习模型在帕金森病分类中难以应对Canny边缘检测

    一篇新发表在arXiv上的研究探讨了机器学习模型在帕金森病分类中的有效性,特别关注预处理技术。研究人员发现,虽然增强数据集通常会增加模型的内存和预测时间,但Canny边缘检测方法与Hessian滤波结合使用时,实际上会降低大多数测试模型的性能。Random Forest模型表现出一致的内存使用量,而KNN和SVM等其他模型在使用增强数据集时,内存和预测时间显著增加。

  17. TOOL · CL_233572 ·

    新框架增强了粒子群优化算法的可解释性

    研究人员开发了一个新框架,以提高粒子群优化(PSO)算法的可解释性。该框架使用探索性景观分析(ELA)来表征问题难度,并采用决策树和随机森林等机器学习分类器来预测最优超参数配置。此外,它还集成了IOHxplainer和搜索轨迹网络(STN)等工具来分析时间收敛和空间导航,引入了新的指标来量化搜索组织和效率。该研究在各种基准函数和拓扑结构上进行,旨在揭开PSO的“黑箱”性质,并为群体智能系统提供更大的透明度。

  18. TOOL · CL_228624 ·

    AI模型使用传感器数据准确分类帕金森病严重程度

    研究人员开发了一种机器学习方法,利用三轴惯性测量单元(IMU)传感器的数据来分类帕金森病的严重程度。该研究比较了几种分类模型,其中LightGBM模型表现最佳,准确率、精确率、召回率和F1分数均达到约97%。其他模型如决策树和XGBoost的表现接近96%,而K近邻和支持向量机的准确率分别约为90%和94%。这种AI驱动的方法证明了其在无创PD严重程度预测方面的有效能力。

  19. TOOL · CL_218822 ·

    新框架通过异构专家增强可解释机器学习

    研究人员通过扩展专家混合(MoE)模型,开发了一个新的可解释机器学习框架。这种新颖的方法允许异构专家,将决策树、线性支持向量机和二次判别分析与概率门控机制结合起来。该框架通过校准非概率专家以产生类别概率来确保一致的推理,从而能够在期望最大化框架内进行估计。实验表明,该方法在提供可解释的专家分配和自适应归纳偏差选择的同时,实现了具有竞争力的预测性能。

  20. RESEARCH · CL_219024 ·

    AI模型集成在中风预测中达到99.52%的准确率

    研究人员开发了一个卷积神经网络集成模型,旨在提高中风预测的准确性。该研究评估了七种监督式机器学习算法,其中随机森林、堆叠分类器和装袋分类器等集成方法达到了最高的99.52%准确率。其他模型,包括自定义前馈模型、KNN、TabNet、SVC和逻辑回归,在使用十一个特征预测潜在中风方面也表现出不同程度的性能。