k-nearest neighbors algorithm
PulseAugur coverage of k-nearest neighbors algorithm — every cluster mentioning k-nearest neighbors algorithm across labs, papers, and developer communities, ranked by signal.
- instance of alphaXiv 90%
- instance of IArxiv 90%
- instance of decision tree 90%
- instance of naive Bayes classifier 90%
- used by alphaXiv 70%
- used by CatalyzeX 70%
- used by IArxiv 70%
- instance of Gotit.pub 70%
- developed IArxiv 70%
- competes with logistic regression model 60%
- used by Gotit.pub 60%
- instance of ScienceCast 60%
4 天有情绪数据
-
新的正则化技术解决异常检测中的收敛崩溃问题
研究人员发现了一种在某些异常检测模型中称为“收敛崩溃”的现象。当以最小化均方误差损失为目标的模型在改进过程中，检测异常的能力反而下降时，就会发生这种情况。该问题源于模型学会了即使对于异常数据也进行跟踪，从而消除了残差信号。为解决此问题，该论文提出了核锚定局部性正则化（KAR），它通过惩罚与训练目标核加权平均值的偏差来约束模型的预测。该方法旨在防止崩溃并增强异常检测能力。
-
审计质疑AI分类中运动特定关节选择的益处
一项对骨骼关键点分类中运动特定关节选择的新审计显示，虽然它可以提高准确性，但收益通常很小，并且在很大程度上取决于评估方法。该研究分析了来自十名受试者的1057次重复动作，发现手动子集k近邻（kNN）的益处因性能聚合和控制方式的不同而存在显著差异。研究强调了在声称关节选择益处时，需要明确的估计量和适当的控制，并警告称此次审计并未确立新的算法或临床优势。
-
LLM生成的心脏病预测规则准确性落后于传统模型
一项发表在arXiv上的新研究评估了像GPT-4o和Claude Sonnet 4.6这样的大型语言模型（LLMs）在生成预测心脏病的规则方面的有效性。研究发现，与LLM生成的基于规则的系统相比，传统的机器学习模型（如Random Forest和Naive Bayes）在准确性和预测性能方面表现明显更优。尽管LLM生成的规则预测能力较弱，但它们提供了增强的可解释性和透明度，在医疗AI中呈现了性能与可解释性之间的权衡。
-
新研究探索使用PCA和随机森林进行高光谱图像分类
一篇新的研究论文探讨了通过关注降维和监督分类技术来分类高光谱卫星图像的方法。该研究比较了主成分分析（PCA）和线性判别分析（LDA）在降低数据复杂度方面的应用，发现PCA结合随机森林（RF）取得了最高的准确率。论文还评估了K近邻（KNN）和支持向量机（SVM）作为分类算法，并得出结论，PCA-RF组合对于此任务最为有效。
-
机器学习模型在帕金森病分类中难以应对Canny边缘检测
一篇新发表在arXiv上的研究探讨了机器学习模型在帕金森病分类中的有效性，特别关注预处理技术。研究人员发现，虽然增强数据集通常会增加模型的内存和预测时间，但Canny边缘检测方法与Hessian滤波结合使用时，实际上会降低大多数测试模型的性能。Random Forest模型表现出一致的内存使用量，而KNN和SVM等其他模型在使用增强数据集时，内存和预测时间显著增加。
-
量子颗粒球学习提升机器学习效率与鲁棒性
两篇新研究论文介绍了量子颗粒球学习（QGB-W$k$NN）和颗粒球量子聚类（GBQC）框架。这些方法旨在提高机器学习任务的效率和鲁棒性，尤其是在嘈杂的环境中。QGB-W$k$NN通过使用量子增强的颗粒球和感知纯度的加权决策机制来增强分类能力，而GBQC则通过在应用量子特征学习和噪声过滤内聚机制之前将数据压缩成颗粒球来降低计算开销。与现有方法相比，这两种方法在各种数据集上都展现出具有竞争力的性能和更高的鲁棒性。
-
机器学习增强电力系统安全分类
研究人员开发了一种机器学习方法，通过对应急场景进行分类来增强电力系统安全性。该研究利用了随机森林、支持向量机和 K-近邻等算法，并采用了 SMOTE 和 PCA 等数据预处理技术。随机森林模型表现出最高的性能，在 IEEE-30 母线系统上达到了 0.97 的 F1 分数。这种机器学习方法为电网的实时安全评估提供了比传统方法更具可扩展性和有效性的替代方案。
-
AI模型使用传感器数据准确分类帕金森病严重程度
研究人员开发了一种机器学习方法，利用三轴惯性测量单元（IMU）传感器的数据来分类帕金森病的严重程度。该研究比较了几种分类模型，其中LightGBM模型表现最佳，准确率、精确率、召回率和F1分数均达到约97%。其他模型如决策树和XGBoost的表现接近96%，而K近邻和支持向量机的准确率分别约为90%和94%。这种AI驱动的方法证明了其在无创PD严重程度预测方面的有效能力。
-
新的 CARSANN 方法提高了最近邻分类的准确性
研究人员开发了一种名为面向自适应最近邻分类的曲率感知半径收缩 (CARSANN) 的新方法，以提高最近邻分类的准确性。与使用固定邻域大小的传统 k-NN 不同，该框架根据数据的局部几何复杂度自适应调整每个邻域的空间范围。CARSANN 估计内在维度和局部平均曲率来控制邻域尺度，在曲率高的区域收缩半径，在平坦区域扩展半径。在 OpenML 数据集上的实验表明，CARSANN 在数据集上的平均平衡准确率显著提高，从 0.6506 提高到 …
-
新的无梯度方法使冻结的AI模型能够进行测试时适应
研究人员开发了CASTER，一种新颖的无梯度测试时适应（TTA）方法，允许模型在不更新其参数的情况下进行适应。这种方法对于仅推理加速器、冻结模型和内存受限环境特别有用。CASTER存储源类别统计信息，并从目标批次矩估计仿射变换，在分类之前传输源分布。该方法还包括一个可传输性证书，用于识别和限制不可靠的适应性更新，从而提高性能和安全性。
-
深度学习方法提高了卵巢超声分类的准确性
研究人员开发了一种病灶引导的感兴趣区域（ROI）深度学习方法，用于卵巢超声分类，在减少标注工作量的同时实现了高准确性。该方法在MMOTU和OUD两个数据集上进行了评估，使用了各种深度学习架构和传统机器学习分类器。病灶引导的ROI策略，特别是与MaxViT-Tiny模型结合使用时，表现出卓越的性能，在MMOTU上准确率为93.10%，在OUD上准确率为97.56%。
-
双曲几何提升树状原型网络性能
研究人员探讨了潜在流形几何对分层分类模型的影响，比较了欧几里得空间和双曲空间。他们的发现表明，与欧几里得原型相比，双曲原型能显著保留最近邻图的拓扑结构。虽然欧几里得原型在原始特征上的表现与逻辑回归相似，但双曲拟合在局部检索任务中有所改进。
-
双曲几何增强了分类模型中的潜在空间拓扑
研究人员探讨了潜在流形选择对分层分类模型的影响，将欧几里得空间与双曲空间（庞加莱球）进行了比较。他们的发现表明，与欧几里得原型相比，双曲原型在潜在空间中显著保留了最近邻图的拓扑结构。在各种参考树定义和分类任务中都观察到了这种改进，这表明双曲几何对于某些结构化数据表示具有切实的优势。
-
AI模型集成在中风预测中达到99.52%的准确率
研究人员开发了一个卷积神经网络集成模型，旨在提高中风预测的准确性。该研究评估了七种监督式机器学习算法，其中随机森林、堆叠分类器和装袋分类器等集成方法达到了最高的99.52%准确率。其他模型，包括自定义前馈模型、KNN、TabNet、SVC和逻辑回归，在使用十一个特征预测潜在中风方面也表现出不同程度的性能。
-
新基准评估LLM嵌入在文本异常检测中的性能
研究人员推出了Text-ADBench，一个旨在评估文本异常检测方法的新基准。该基准利用了来自不同大型语言模型（LLMs）在包括新闻、社交媒体和科学出版物在内的各种文本数据集上的嵌入。实验表明，嵌入的质量显著影响异常检测性能，并且在使用LLM嵌入时，传统的浅层算法与深度学习方法的性能相当。该研究还基于跨模型性能矩阵中的低秩特征，识别出一种高效的模型评估策略，并且包括嵌入和代码的工具包已开源，以支持未来的研究。
-
新的SAGE-XGBoost框架在数据稀疏条件下提升了灾害测绘能力
研究人员开发了SAGE-XGBoost，一个新颖的机器学习框架，旨在改善自然灾害易感性测绘，尤其是在数据稀疏的环境中。该框架将空间增强图嵌入与XGBoost相结合，通过结合数据增强和基于邻域的图嵌入来提高预测精度。SAGE-XGBoost在滑坡和野火易感性方面取得了约0.97和0.95的AUC值，表现优于现有模型，并在空间连贯性方面显示出显著改进。
-
新的CMR-Mamba方法改进了工业故障检测
研究人员开发了CMR-Mamba，一种用于工业系统无监督故障检测的新方法，它超越了传统关注单个传感器数据的技术。这项新技术利用Mamba状态空间编码器来监控传感器组之间的因果关系，识别可能逃避标准监控的耦合故障。在机电、液压和网络物理系统上的实验证明了CMR-Mamba的有效性，特别是在检测保持正常传感器统计数据的细微故障方面。
-
深度学习框架从史前手印中解码性别
研究人员开发了一个新颖的深度学习框架，旨在确定创作史前手印的个体的生理性别。这个不确定性感知的系统通过明确建模和传播不确定性来应对缺乏真实标签和人口差异等挑战。该方法包括图像处理、轮廓提取以及来自多个神经网络的集成预测，并通过流形映射和可解释人工智能技术进行验证。
-
新的自适应 KNN 分类器使用粒状球体计算提高效率
研究人员开发了一种新颖的自适应 k-近邻 (KNN) 分类器，该分类器使用粒状球体计算。该方法包括一个两阶段过程：首先，将数据集划分为粒状球体，并使用 Fisher 判据指导球体分裂以创建多粒度表示。其次，在预测过程中，识别最近的粒状球体，并在测试样本周围形成自适应邻域。有效的“k”值由该邻域内的样本数量动态确定，与现有的 KNN 变体相比，从而提高了准确性和效率。
-
CAKE框架协同设计编译器代理以促进GPU内核演进
研究人员开发了CAKE，一个新颖的协同设计框架，它整合了编译器技术和AI代理以增强GPU内核演进。该系统允许代理编写一种称为CAKE IR的专业中间表示（IR），该IR详细说明了硬件调度、内存移动和同步。该框架旨在提高专家GPU内核的可复现性和性能，超越将编译器视为黑箱的局限性。早期结果显示，在NVIDIA GPU上，Flash-KMeans和Kimi Delta Attention等应用程序的速度显著提升，并有可能实现更广泛的内核泛化。