Gradient Boosted Trees
PulseAugur coverage of Gradient Boosted Trees — every cluster mentioning Gradient Boosted Trees across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
部署约束逆转AI模型选择，偏向能效而非原始准确性
一篇新发表在arXiv上的论文探讨了部署约束如何显著改变时间序列任务的AI模型最优选择。研究人员发现，在实际场景中，例如蜂窝网络切换预测，由于能耗低和推理速度快，通常仅按准确性排名较低的模型可以优于排名靠前的模型。该研究强调，仅基于准确性的基准测试可能具有误导性，可能导致选择的模型在严格的操作限制下无法部署。
-
探索自动化的 Brick Schema 知识图谱补全
研究人员应用知识图谱补全技术来自动化建筑物的 Brick 模型生成。这是首次将知识图谱补全用于此目的。该研究在 'feeds'、'hasPart' 和 'hasPoint' 等常见关系上比较了三种方法——梯度提升树、Pairwise Brick Relation Ranking 和 CompGCN。虽然 CompGCN 在未见过的建筑物上表现最佳，但没有一种方法在不同数据集或关系上表现出一致的泛化能力。
-
Google的Yggdrasil决策树通过新的直方图技术得到提升
研究人员开发了矢量化动态直方图，以显著加快稀疏斜（SPO）决策树的训练速度。这些新方法已集成到Google的Yggdrasil Decision Forests库中，将SPO-RF的训练效率提高了2倍，SPO-GBT提高了1.6倍，使得SPO-RF的训练时间与轴对齐随机森林相当。该优化在海量数据集上进行了评估，并且该实现已开源。
-
新的基准测试 MuViS-C 评估 AI 虚拟传感在传感器故障下的鲁棒性
研究人员推出 MuViS-C，这是一个新颖的基准测试，旨在评估基于学习的虚拟传感系统在面临传感器故障时的鲁棒性。该基准测试涵盖了六个域和九个数据集中的十种不同的传感器故障模式，评估了性能下降和最坏情况下的脆弱性。实验表明，包括基于注意力机制的架构在内的所有测试架构在损坏下性能都会显著下降，而梯度提升树表现出强大的鲁棒性。研究还发现，专门的鲁棒化策略可以提高性能，但可能会对标称精度产生负面影响。
-
健康AI评估方法在新的研究论文中被重新审视
一篇新论文探讨了电子健康记录（EHRs）中人工智能的评估，解决了可重复性方面的挑战，并定义了临床上有意义的任务。研究人员重新实现了12种算法，并在MIMIC-IV和NWICU数据集上进行了测试，将专家定义的任务与随机生成任务进行了比较。研究发现，算法比较在不同评估设置下基本保持一致，但临床上有意义的任务揭示了任务和方法之间更细微的交互作用。值得注意的是，在使用现代EHR表示时，梯度提升树在与新算法的竞争中仍然具有竞争力，这表明任务工程…
-
客户支持推荐系统从梯度提升树迁移到深度学习
一篇研究论文详细介绍了将生产环境客户支持推荐系统从梯度提升树模型迁移到深度推荐架构的过程。由于产品目录的不断演变以及整合文本记录等多模态信号的需求，此次迁移是必要的。该论文概述了诸如将推荐重塑为成对二元预测、负采样以及对文本记录块进行注意力池化等技术，以维持推荐质量。与CatBoost基线相比，新的深度推荐方法在对话初期表现持平，在后期阶段表现更优。
-
机器学习改进海图变更分类
研究人员开发了一种机器学习方法，可自动对电子海图（ENC）的变更进行分类，这对于海上安全至关重要。该方法将复杂的矢量数据变更转换为结构化格式，并融入了空间上下文和属性编码。在两个运行数据集上进行测试时，利用这些增强编码的梯度提升树模型达到了 90% 和 94% 的准确率，比标准模型提高了 5-7%。
-
AI 从早期数据预测深度神经网络训练成功率
研究人员开发了一种方法，可以利用早期遥测数据来预测深度神经网络训练的成功率。通过在最初几个 epoch 内分析损失、准确率和梯度信噪比等指标，梯度提升树可以预测最终测试准确率（R^2 值很高），并以很强的 ROC-AUC 分数对相对性能进行分类。该方法在近 24,000 次训练运行中进行了测试，表明早期训练数据可以显著提高计算分配效率，并为自动化干预策略提供信息。
-
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。