Google Wavenet
PulseAugur coverage of Google Wavenet — every cluster mentioning Google Wavenet across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的销售预测模型可解释层展示了可靠的归因
研究人员为深度销售预测模型开发了一种新的可解释层，该模型专门在训练于杂货销售数据的WaveNet风格卷积网络上进行了测试。这种事后方法提供了反事实归因，其总和精确地等于预测的销售值，避免了在SHAP风格方法中看到的伪影。该研究使用删除和插入协议严格评估了这些归因的可靠性，证明了反映真实模型行为的统计学显著效应。分析还显示，模型对促销信号的依赖性因不同的销售系列而异，并且虽然它捕捉到了每周销售周期的形状，但往往低估了其幅度。
-
Google DeepMind首席执行官Demis Hassabis卸任；Koray Kavukcuoglu接任
Google DeepMind迎来重大人事变动，首席执行官Demis Hassabis卸任，转任董事长兼Alphabet首席科学家，而Koray Kavukcuoglu接任Google DeepMind高级副总裁。此次变动正值Google的Gemini模型面临挑战，被认为落后于竞争对手之际。Kavukcuoglu曾是Yann LeCun的学生，也是DQN和WaveNet等DeepMind早期成功的关键人物，他在深度学习和管理大型研究组…
-
新型轻量级网络提升工业NILM的准确性和速度
研究人员开发了SEDR-Seq2P，这是一种专为多任务工业非侵入式负荷监测（NILM）设计的新型轻量级网络。该网络通过引入扩张残差块和Squeeze-and-Excitation注意力机制扩展了Seq2Point架构，以提高准确性并降低计算成本。实验表明，SEDR-Seq2P在平均绝对误差（MAE）方面比基线Seq2Point提高了约7%，在决定系数方面提高了1%，同时与WaveNet等模型相比，显著降低了推理延迟。
-
新的MoE框架加速时间序列预测训练
研究人员开发了一个新的混合专家（MoE）框架，旨在加速时间序列预测模型的训练。该方法将特定专家的损失信息直接整合到训练过程中，使个体专家的预测误差能够与全局预测损失一起塑造学习过程。该框架还采用部分在线学习策略，无需完全重新训练即可高效更新门控和专家参数，在各种数据集上展示了优于现有统计模型和神经网络模型的准确性和计算效率。
-
人工智能增强射频干扰抑制使用Transformer实现更快、更清晰的传输
研究人员开发了一种人工智能增强的射频干扰抑制方法，通过在期望信号和干扰混合物上进行训练，其性能优于传统技术。新方法利用自回归Transformer解码器模型，与之前的WaveNet模型相比，推理速度显著提高。该方法有效地抑制了模拟FM信号中的OFDM干扰，使难以理解的传输变得清晰，并在轻量级GPU上保持低延迟，在国家安全和商业领域具有潜在应用。