实体
Graf
Graf
PulseAugur coverage of Graf — every cluster mentioning Graf across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
Attention ResUNet 模型更新，改进小时降水预报
研究人员更新了他们的 Attention Residual U-Net 模型，该模型用于改进降水预报。更新后的模型现在每个季节使用一个训练模型，而不是每个月、每个提前期使用 192 个检查点，并将预报提前期从 48 小时延长到 72 小时。新的输入通道包括本地太阳时和月降水气候学，Brier Skill Score 验证现在纳入了昼夜维度。这些方法论的改变带来了预报准确性上适度但持续的改进。
-
新的算法框架使用LLM优化众包竞赛选择
研究人员开发了GRAF，一个旨在优化众包竞赛中工人自我选择的新算法框架。GRAF旨在确保重要竞赛获得充分的参与和努力，同时通过推荐合适的竞赛来最小化工人的遗憾。为了解决为异构工人设计有效评分算法的复杂性，引入了一个由LLM驱动的进化框架LLMScore。该框架可以联合优化平台效用和工人满意度，并在不同环境中展示了强大的性能和可转移性。
-
新的人工智能方法改进了小时降水预报
研究人员开发了一种名为“Attention Residual U-Net”的新方法，用于概率性定量降水预报。该神经网络在 The Weather Company 的 GRAF 模型和 NOAA 的全球预报系统提供的数值天气预报数据，以及地形和湿度信息上进行训练。该系统预测小时降水概率和分布，显示出其技能和可靠性，尤其是在地形复杂的地区。