Friedman test
PulseAugur coverage of Friedman test — every cluster mentioning Friedman test across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法增强文本嵌入的可解释性和效率
研究人员开发了改进文本嵌入的新方法，侧重于可解释性和效率。一种方法引入了分层问题，使嵌入更易于理解，通过将更深、更具体的问题与更浅、更广泛的问题对齐，从而减少了人类需要检查的问题数量。另一项研究实证评估了分层表示和量化技术之间的相互作用，发现与float32相比，int8量化在性能损失最小的情况下提供了显著的存储减少。第三种方法使用可训练的前缀标记，特别是‘[DUMP]’标记，通过最小化无信息标记级信号的影响来减少表示干扰并改进检索嵌入。
-
新基准评估AI在分布变化下的不确定性量化
一篇新论文介绍了一种新颖的三级变化梯子，用于评估工程回归任务中的不确定性量化，超越了随机数据划分。该研究在七个公开的工程数据集上测试了12种方法，模拟了分布内、软变化和硬变化条件。结果表明，虽然一致性方法在分布内表现良好，但其在硬变化下的有效性会显著下降，没有一种明确的方法优于其他方法。研究还发现，源验证增益并不能可靠地预测硬变化条件下的改进，这表明在实际工程应用中需要更鲁棒的评估策略。
-
新的 CARSANN 方法提高了最近邻分类的准确性
研究人员开发了一种名为面向自适应最近邻分类的曲率感知半径收缩 (CARSANN) 的新方法，以提高最近邻分类的准确性。与使用固定邻域大小的传统 k-NN 不同，该框架根据数据的局部几何复杂度自适应调整每个邻域的空间范围。CARSANN 估计内在维度和局部平均曲率来控制邻域尺度，在曲率高的区域收缩半径，在平坦区域扩展半径。在 OpenML 数据集上的实验表明，CARSANN 在数据集上的平均平衡准确率显著提高，从 0.6506 提高到 …
-
SoftMCC框架增强了不平衡分类模型的选择
研究人员推出了一种新颖的训练后框架SoftMCC，旨在改进不平衡二分类任务的模型选择。该方法通过利用概率值混淆计数，解决了传统Matthews相关系数（MCC）验证中固有的阈值依赖性问题。跨多个设置的实验表明，与AUPRC和[email protected]等其他指标相比，SoftMCC实现了更优越的稳定性和排名，尽管在所选模型的效用方面未显示出优势。
-
AI研究使用多臂老虎机剪枝神经网络
研究人员开发了一种新颖的方法来剪枝卷积神经网络（CNN）中的特征图，以降低计算成本和存储需求。该方法利用多臂老虎机算法，特别是UCB1和Thompson Sampling，在最小化准确性损失的同时识别和移除冗余特征图。研究表明，这些基于老虎机的算法在MNIST、CIFAR-10和SVHN等各种数据集上，其准确性与未剪枝模型相当，并且显著优于传统的贪婪和基于幅度的剪枝技术。
-
研究人员提出用于最大间隔分类器的图基自适应正则化
本文介绍了一种新颖的二元分类器方法，通过在Gabriel图基系统中纳入每类正则化超参数。该方法通过允许多数类和少数类具有灵活的阈值来增强异常值消除并解决类别不平衡问题。使用Friedman检验的实验结果表明，这种自适应正则化提高了分类器性能。