Friedman test
PulseAugur coverage of Friedman test — every cluster mentioning Friedman test across labs, papers, and developer communities, ranked by signal.
-
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。