Gradient Boosted Trees
PulseAugur coverage of Gradient Boosted Trees — every cluster mentioning Gradient Boosted Trees across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新AI框架实现打包清单个性化，提升效率
研究人员开发了一个新颖的框架，用于生成个性化打包清单，整合了符号推理、机器学习和优化。该三阶段系统首先使用符号引擎创建符合规定的清单，然后偏好学习器从用户行为中估计用户效用，最后CP-SAT优化器选择一个合规的子集。当部署在FlyEnJoy iOS应用中时，该系统使清单完成率翻倍，并减少了编辑和完成时间，在规则有效性和约束满足方面优于前沿LLM。
-
EvoXplain框架揭示机器学习模型解释不一致
研究人员开发了EvoXplain，这是一个旨在评估机器学习模型生成解释一致性的新框架。该工具研究不同的训练运行和模型选择过程是否会导致相似的底层逻辑或不同的机制，即使在预测性能很高的情况下也是如此。EvoXplain分析解释本身的结构，而不是聚合的预测，以揭示共识解释可能不反映任何单一训练模型的推理。在使用逻辑回归和梯度提升树对癌症基因组学数据进行的初步评估中发现，尽管准确性保持很高，但在不同的训练管道中，甚至在简单的调优步骤中，解释…
-
新的机器学习方法利用昼夜节律进行抑郁症筛查
研究人员开发了一种新的机器学习方法，用于抑郁症筛查和干预，重点关注昼夜节律模式。他们引入了昼夜节律评分（CRS）来统一表示多领域日常行为，该评分被证明对抑郁症筛查有效。该框架利用梯度提升树和SHAP分析，揭示了昼夜节律与抑郁症风险之间存在非线性关联。在中国健康与养老追踪调查数据集上的实验显示，该方法具有稳健的筛查性能，ROC-AUC为0.825，并确定了运动和午睡的可操作阈值。
-
新型机器学习模型使用昼夜节律评分进行抑郁症筛查
研究人员开发了一种新的机器学习方法，通过分析行为数据来筛查抑郁症。他们创建了一个“昼夜节律评分”（CRS）来整体表示日常行为，该评分在预测方面几乎与原始数据一样有效。该框架利用梯度提升树和SHAP分析，提供了可解释性，并识别了昼夜节律与抑郁风险之间的非线性关联。对大型数据集的实验表明，CRS达到了0.825的ROC-AUC，并提出了用于缓解抑郁风险的运动和午睡的可操作阈值。
-
新的LANTERN框架改进健康转移建模
研究人员开发了一个名为LANTERN的新框架，用于对时序不规则的纵向数据中的健康状态转移概率进行建模。该框架使用属性条件神经网络，从个体健康史和观测之间经过的时间中学习。在对健康与退休研究数据进行测试时，LANTERN在区分严重残疾方面表现出改进的辨别能力，并保持了良好的校准性，在转移矩阵误差方面优于逻辑回归、梯度提升树和循环神经网络。
-
新的难度评分提高了表格数据学习的可靠性
研究人员开发了一种名为轨迹难度评分（TDS）的新方法，用于估计表格数据学习中各个实例的难度。该分数源自梯度提升树的累积预测轨迹，并使用可解释的描述符来预测保留的损失。TDS在对困难案例进行排名方面表现出色，并在各种表格基准测试中优于现有基线，从而改进了主动学习和选择性预测等工作流程。
-
数据语言模型提供原生表格数据理解，性能超越现有方法
研究人员推出数据语言模型（DLM），这是一类新的基础模型，旨在原生理解表格数据，无需预处理。首个DLM Schema-1，一个拥有1.4亿参数、在超过230万个数据集上训练的模型，在行级预测基准测试中表现优于现有方法。Schema-1在缺失值重建方面也表现出色，并且仅凭原始单元格值就能识别行业领域，表明其对表格数据的结构理解比通用语言模型更深入。
-
深度学习框架预测4G网络的自适应告警阈值
研究人员开发了一个深度学习框架，用于自动预测4G移动网络的告警阈值，旨在提高服务质量并减少不必要的工程师出勤。所提出的PCTN模型通过使用显著更少的参数并实现关键目标上的更高准确性，优于包括iTransformer在内的现有方法。该框架提供可解释的输出，允许运营商在不重新训练的情况下检查和调整学习到的策略，并设计为每日重新训练以适应不断变化的網絡状况。