实体
ICML 2024
ICML 2024
PulseAugur coverage of ICML 2024 — every cluster mentioning ICML 2024 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
Google Research 发布 TimesFM 2.5，用于零样本时间序列预测
Google Research 发布了 TimesFM 2.5，这是一个开源的时间序列预测基础模型。该模型拥有 2 亿个参数和高达 16,384 个点的上下文窗口，无需特定任务的训练数据即可预测未来趋势，以零样本（zero-shot）方式运行。与 Auto ARIMA 等传统方法相比，它在基准测试中显示出更高的准确性，平均绝对误差（Mean Absolute Error）降低了 15-25%，尽管其在某些稳定时间序列上的表现可能与经典…
-
新框架使用低秩近似进行高效机器学习数据选择
研究人员开发了一个新颖的数据选择框架，该框架利用低秩近似和基于残差的采样。这种方法旨在识别一小部分代表性数据以进行高效的机器学习模型训练。与以往依赖几何结构和聚类的方法不同，这个新框架利用了许多现代数据集中固有的全局代数结构。理论保证和经验评估表明，其性能优于现有策略。
-
论文揭穿 Grad-ECLIP 解释方法，指出其缺陷和缺乏新颖性
一篇新发布的 arXiv 论文对 Grad-ECLIP（ICML 2024 上提出的 Transformer 解释方法）的有效性提出了质疑。作者们证明，Grad-ECLIP 使用的基于中间特征的方法并非新颖，并且等同于现有的基于注意力的方法，他们称之为 Attention-ECLIP。此外，该论文认为 Grad-ECLIP 产生的解释结果不准确，与原始模型的性能不符，并概述了正确的模型解释的基本原则，以防止类似的错误。