Generalized Linear Models
PulseAugur coverage of Generalized Linear Models — every cluster mentioning Generalized Linear Models across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
arXiv论文详述了拟星凸函数的新优化方案
本文介绍了一种用于最小化拟星凸（QC）和强拟星凸（SQC）函数的随机高斯平滑零阶（ZO）方案。研究为无约束和有约束优化问题建立了理论收敛保证和复杂度界限。对于有约束优化，本文定义了近拟星凸性，并展示了该算法在机器学习任务中的实际应用，例如线性动力系统辨识和广义线性模型。
-
混合精度 CA-SGD 加速 GPU 训练
研究人员开发了一种用于 GPU 上的广义线性模型的混合精度通信规避 SGD (CA-SGD) 方法。该方法旨在通过将通信分摊到多个迭代中来减少分布式训练中的通信瓶颈。该方法利用现代 GPU 的矩阵硬件和较低精度格式来加速计算并缩小数据传输，与标准的 FP32 SGD 相比实现了显著的加速。
-
新的机器学习框架模拟儿童哮喘急性发作
研究人员开发了一个新的框架，使用稀疏字典学习，通过整合空气污染、天气和社会经济数据来模拟儿童哮喘急性发作。该方法旨在区分各种风险因素的影响，并提供对其相互作用的可解释的见解。这项研究聚焦于弗吉尼亚州沿海的汉普顿路地区，比较了广义线性模型和神经网络，发现在估计相对风险方面，不同框架之间存在共识。
-
TabPFN 在保险定价方面未能超越传统模型
一篇新论文评估了 Tabular Foundation Model (TabPFN) 在汽车保险定价方面的应用，并将其与传统的广义线性模型 (GLM) 和 XGBoost 进行了比较。研究发现，TabPFN 的表现并不总是优于这些成熟的方法。此外，TabPFN 的推理时间明显更长，并且对上下文训练集的大小敏感，这表明它还不能取代当前的精算实践，尤其是在数据丰富的环境中。
-
新框架加速 GPU 上的离散优化
研究人员开发了一个新的 CPU-GPU 框架，用于加速具有离散变量的优化问题，这类问题在历史上对 GPU 来说一直具有挑战性。该框架在 GPU 上批量处理分支定界节点，克服了顺序处理和数据移动的问题。实验表明，该框架显著加速了计算，并能够收集完整的 Rashomon 集以进行进一步的统计分析。