HistGradientBoosting
PulseAugur coverage of HistGradientBoosting — every cluster mentioning HistGradientBoosting across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
机器学习审计南亚家庭暴力调查选择
研究人员开发了一种机器学习方法,用于审计南亚地区人口与健康调查(DHS)项目中家庭暴力调查的选择过程。通过分析来自阿富汗、印度、缅甸、尼泊尔和巴基斯坦的超过796,000名女性的人口统计、社会经济和家庭特征,他们确定了六种不同的画像。HistGradientBoosting模型取得了0.9167的高ROC-AUC,显著优于基线模型,并证明了可解释的机器学习可以超越传统的抽样设计,增强敏感调查模块的审计。
-
新的PRISM框架通过证据引导纠正提高了AI预测的可靠性
研究人员开发了PRISM,一个旨在提高AI预测可靠性的新框架,特别是在动态、顺序应用中。PRISM在预测后运行,评估错误的可能性,然后利用历史数据和可用信号来确认初始预测、应用已验证的纠正,或在证据不足时弃权预测。该框架使用印度超级联赛的第二局比赛预测进行了评估,在选择性准确性和校准方面显示出显著的改进。
-
新型“ConformalShift”攻击利用心电图监测中的事件重排
研究人员开发了一种名为ConformalShift的新型攻击,该攻击可以通过重排事件来操纵自适应心电图(ECG)监测系统。该攻击针对这些系统的反馈时序,有可能在不改变心电图波形或标签本身的情况下抑制关键的心跳类别。在MIT-BIH确认记录上的实验表明,ConformalShift可以抑制诸如Extra Trees和HistGradientBoosting等常用分类器的大量合格目标,其抑制率远超随机调度。研究结果突显了自适应医疗监测中存…
-
AI通过SMOTE过采样改进物联网入侵检测
研究人员开发了一种新方法,通过解决数据集中类别不平衡问题来改进物联网网络中的入侵检测。他们应用了合成少数类过采样技术(SMOTE)来平衡数据,实现了1.1的不平衡比。这种方法显著提高了对少数类攻击的检测能力,特别是对组合感染的攻击,这通过宏F1分数和混淆矩阵得以体现。Random Forest模型实现了0.9989的微平均F1分数和0.9794的宏F1分数,优于先前的方法。