PulseAugur
中
实时 11:24:07
实体 gradient boosting

gradient boosting

PulseAugur coverage of gradient boosting — every cluster mentioning gradient boosting across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
8
90 天内 42
发布 · 30天
0
90 天内 0
论文 · 30天
8
90 天内 39
层级分布 · 90 天
主题
关系
情绪 · 30 天

5 天有情绪数据

最近 · 第 1/3 页 · 共 43 条
  1. TOOL · CL_344217 ·

    梯度提升框架加速张量网络学习

    研究人员开发了一种新的梯度提升框架GB-CPKM,以提高张量网络核机(TNKMs)的效率。该方法顺序添加学习器以增加模型容量,与传统的交叉验证方法相比,提供了更有效的秩选择方法。实验表明,GB-CPKM的训练速度可提高六倍,峰值内存使用量可减少一半,同时保持可比的预测性能。

  2. TOOL · CL_349964 ·

    SteelAgent 使用 LLM 进行物理信息驱动的钢材性能预测

    研究人员开发了 SteelAgent,一个使用大型语言模型来编排物理信息模型以预测钢材性能的系统。该方法旨在提高材料科学预测的泛化能力和不确定性报告。研究强调,标准的评估方法可能具有误导性,因为模型即使在随机测试分割上看起来准确,但在不熟悉的合金上表现也可能不佳。研究结果强调了在报告属性估计的同时报告评估群体的重要性,以确保可靠的材料预测。

  3. TOOL · CL_327229 ·

    新的 CBFI 框架旨在揭示机器学习模型中隐藏的交互作用

    研究人员开发了一个名为局部基于案例的特征重要性 (CBFI) 的新框架,以更好地理解复杂机器学习模型的决策过程。与现有方法(如 SHAP 和 LIME)不同,后者通过为单个特征分配分数来模糊交互作用,局部 CBFI 旨在分离这些交互作用。该方法将主效应与纯交互作用分开,从而更清晰地了解特征协同作用,这对于高风险应用中的模型审计至关重要。

  4. TOOL · CL_324728 ·

    LLM辅导互动对学生学业成绩具有预测价值

    一项新研究发表在arXiv上,探讨了大型语言模型(LLM)辅导互动对本科人工智能课程中学生学业成绩的预测价值。研究人员分析了来自StudyChat工具的超过16,000次学生-助手交流,并将这些互动与学生记录进行匹配。虽然像Gradient Boosting这样的标准机器学习模型与基线方法相比,在预测作业分数方面仅显示出边际改进,但研究发现这些LLM互动对表现最差四分位学生的影响更大。该研究强调了基线选择和误差分布如何影响对人工智能教…

  5. TOOL · CL_333984 ·

    新的 CBFI 框架解开机器学习模型中的特征交互

    研究人员开发了一个名为局部案例特征重要性 (CBFI) 的新框架,以更好地理解机器学习模型的内部工作原理。该方法旨在将单个特征的贡献与复杂的交互分离开来,而这些交互通常被现有的归因方法(如 SHAP 和 LIME)所掩盖。在葡萄酒质量分类和医疗保险回归等任务上的实验表明,CBFI 可以有效地揭示梯度提升和深度神经网络等模型中隐藏的交互结构。

  6. TOOL · CL_317471 ·

    AIRO框架通过流式机器学习增强IIoT安全性

    一个名为AIRO的新机器学习框架已被开发出来,用于工业物联网(IIoT)环境中的威胁检测和安全性。该框架集成了Apache Kafka用于流式数据处理、专门的特征提取以及Gradient Boosting和LightGBM等机器学习模型。AIRO旨在通过实施IP阻止和账户暂停等措施来缓解SQL注入和网络钓鱼等网络威胁,在自定义数据集上实现了高达0.9229的F1分数。

  7. TOOL · CL_308026 ·

    机器学习预测混凝土在温度应力下的强度

    研究人员开发了一个数据驱动的机器学习框架,用于预测纤维增强高性能混凝土在不同温度下的抗压强度。该研究评估了八种模型,发现梯度提升和极端梯度提升等集成方法表现最佳,R^2 达到 0.903。可解释性技术揭示,温度是影响强度的最重要因素,其次是骨料和水的含量,随着温度升高,强度降低。创建了一个基于 Python 的 GUI,以便使用开发的模型进行轻松预测。

  8. TOOL · CL_247633 ·

    新的 5G AI 框架预测重传以提高效率

    研究人员开发了 NOSTRAdAMUS,一个旨在增强 5G NR 网络中链路自适应的预测框架。该系统基于 HARQ 历史预测重传,从而能够主动调整调制和编码方案 (MCS) 选择。NOSTRAdAMUS 利用在 X5G 测试平台的实际数据上训练的梯度提升模型,实现了 82.9% 的准确率,并在各种信道条件下显著提高了有效吞吐量并减少了重传。

  9. TOOL · CL_245403 ·

    机器学习框架预测餐厅食物浪费

    研究人员开发了一个机器学习框架,利用运营数据、天气和活动指标来估算餐厅的每日食物浪费。该研究构建了一个包含77,980条记录的数据集,并采用了四种回归模型,其中随机森林表现最佳。确定的关键预测因素包括菜单多样性、运营区域和时间活动模式。数据集、代码和实验配置均公开可用,以鼓励进一步研究,特别是使用实测浪费数据进行的研究。

  10. TOOL · CL_245337 ·

    新的稀疏斜率规则提升增强了AI模型的可解释性和准确性

    研究人员开发了一种名为稀疏斜率规则提升(SORB)的新方法,用于创建更具可解释性和准确性的符号规则集合。该方法通过允许规则具有斜率面(源自输入变量的稀疏线性变换)而非仅轴平行面来扩展传统方法。提出了一种基于加权逻辑回归的梯度提升方法来学习这些增强规则。在14个任务上的实证结果表明,SORB在保持具有竞争力的预测准确性的同时实现了更低的模型复杂度,减少了手动特征工程的需求。

  11. TOOL · CL_239473 ·

    新的VAE方法有助于心肌瘢痕诊断的ECG分析

    研究人员开发了一种新的方法,使用变分自编码器(VAE)来分析心电图(ECG)数据,以进行心肌瘢痕的鉴别诊断。该研究评估了$\beta$-VAE衍生的ECG表示与传统的机器学习模型(如随机森林和梯度提升)的对比,比较了它们区分有心肌瘢痕和无心肌瘢痕患者的能力。值得注意的是,$\beta$-VAE的重构误差在不同的ECG导联之间显示出显著差异,表明它们有潜力作为瘢痕相关ECG改变的标志物。

  12. TOOL · CL_228707 ·

    开源管道实现加密货币数据分析和欺诈检测

    一个新的开源管道已被开发出来,用于处理加密货币市场数据,能够在通用硬件上实现数据摄取、预测和欺诈检测。该系统利用 Apache Kafka 和 Apache Spark 来复制云原生、事件驱动的功能。该管道使用历史 Gemini 交易所数据进行了测试,比较了用于比特币价格预测的 ARIMA 和 LSTM 模型,以及用于以太坊欺诈检测的 Random Forest 和 Gradient Boosting 分类器。

  13. TOOL · CL_221205 ·

    AI模型预测天气对斯里兰卡茶叶价格的影响

    研究人员开发了一个新颖的数据集并应用机器学习模型来预测斯里兰卡茶叶市场中受天气驱动的价格动态。通过分析来自经纪人报告和天气模式的四种主要茶叶目录——高地茶、低地茶、等外茶和茶末——的研究发现,虽然市场动态是主要驱动因素,但天气条件显著影响价格。具体而言,低地茶对降水和日照敏感,而等外茶和茶末对温度变化有反应。研究得出结论,特定目录的建模,特别是使用LightGBM,优于统一方法,为茶叶行业提供了更精确的预测框架。

  14. TOOL · CL_206684 ·

    新系统利用人工智能模型估算孟加拉国街头食品热量

    研究人员开发了一个基于视觉的系统,用于估算孟加拉国街头食品的热量含量,填补了当前以西方为中心的做法中的空白。该研究比较了五种物体检测和分割模型,其中YOLO11n取得了最高的检测性能。对于热量预测,一个随机森林回归模型利用YOLO11n提取的几何特征和一个孟加拉国5塔卡硬币作为比例参考,取得了最佳结果,平均绝对误差为5.68。

  15. TOOL · CL_200163 ·

    论文提出可解释人工智能以实现可信赖的热需求预测

    一篇新论文介绍了一种事前的可解释人工智能方法,用于评估用于热需求预测的机器学习模型的全局特征重要性。该研究旨在提高这些模型的可解释性和可信赖性,以解决与标准、客户满意度和责任相关的问题。该方法采用四种方法:梯度提升的内在可解释性以及部分依赖、累积局部效应和SHAP等事后方法,而不依赖于特征排列或扰动。

  16. TOOL · CL_198179 ·

    Forma transformer 模型可预测未来 20 个季度的财务报表

    研究人员开发了 Forma,这是一种基于 transformer 的新型模型,能够预测未来长达 20 个季度的完整财务报表。在最新发布的 ProForma-20Q 基准测试中,Forma 的表现显著优于包括梯度提升和大型语言模型在内的各种经典机器学习技术。该基准测试要求预测 78 个财务报表项目,并以变化空间 R^2 进行评分,Forma 在对估值至关重要的长预测周期方面表现尤为出色。

  17. TOOL · CL_197653 ·

    梯度提升处理不平衡数据:加权、重采样和校准

    本文讨论了处理不平衡分类问题的策略,特别是在XGBoost等梯度提升模型背景下。文章指出,一个常见的问题并非模型无法学习少数类,而是分类时使用的默认阈值0.5不当,这可能导致所有正例都被遗漏。作者建议,虽然类加权(例如在XGBoost中使用`scale_pos_weight`)和SMOTE等重采样技术可以帮助模型学习少数类,但它们也可能对概率校准产生负面影响。文章强调,业务背景,特别是假阴性与假阳性的成本比,应驱动决策,并且如果下游使…

  18. COMMENTARY · CL_197654 ·

    梯度提升预测成本由树的数量驱动,而非特征数量

    本文详细介绍了大规模运行梯度提升预测的成本,强调模型中的树的数量是计算成本的主要驱动因素,而不是特征的数量。作者提供了一个成本模型,显示使用800棵树对5000万行数据进行评分,每晚约花费0.13美元,或每年49美元,假设了特定的计算价格和吞吐量。调整学习率等超参数会显著增加树的数量,从而增加成本,即使准确性提升很小。

  19. TOOL · CL_193868 ·

    谷歌地图兴趣点用于估算圣保罗市收入

    研究人员开发了一种方法,通过分析谷歌地图兴趣点(POIs)的众包数据,在巴西圣保罗市次级市政层面估算家庭收入。该方法利用谷歌地图的兴趣点类别来创建高频、低成本的收入代理,解决了巴西十年一次的普查频率低且成本高昂的局限性。表现最佳的模型结合了非负矩阵分解和梯度提升,在预测普查得出的收入时达到了0.65的R^2,表明地理空间数据可以有效地补充传统的收入统计数据。

  20. TOOL · CL_193814 ·

    新的电子健康记录框架改进了围手术期结局预测

    研究人员开发了一种新的域结构集成框架,用于使用电子健康记录(EHR)数据预测围手术期结局。该框架将预测因子组织到患者、手术和麻醉域中,域特定的梯度提升模型通过逻辑回归元学习器整合它们的风险估计。在预测术后谵妄的测试中,该系统达到了 0.899 的 AUROC,优于单阶段模型,并显示出出色的校准和时间验证。