Keel
PulseAugur coverage of Keel — every cluster mentioning Keel across labs, papers, and developer communities, ranked by signal.
-
新的ECA-BLS模型通过复数数据增强了宽学习系统
研究人员推出了一种高效的复数增强宽学习系统（CA-BLS）的改进版本ECA-BLS。该新系统通过整合复数值表示来增强宽学习系统（BLS），以更好地捕捉现实世界数据中存在的非线性交互和二阶统计依赖性。ECA-BLS通过将实值输入转换为相位编码的复数表示并利用广泛的线性建模来实现这一点，同时在实域中重构过程以显著降低计算成本。在26个基准数据集上的实验表明，ECA-BLS在准确性和效率方面始终优于传统的BLS和其他随机神经网络。
-
两篇新论文提出鲁棒的 RVFL 网络变体以应对噪声数据
两篇新的研究论文介绍了增强随机向量函数链接（RVFL）网络鲁棒性的新方法。RVFL 网络以其效率而闻名，但容易受到噪声数据的影响。第一篇论文 RoBell-RVFL 提出了一种质量感知、样本级别的加权机制，该机制在自适应地降低受噪声或异常值影响的多数类样本权重时，保留了少数类信息。第二篇论文 KRPRVFL 集成了一个核风险敏感的 p 次幂均值标准和一个协作学习机制，以减轻损坏样本的影响并提高稳定性。两种方法都在基准数据集上进行了评估…
-
比特币矿工转向人工智能计算，达成重大能源协议
比特币矿工正越来越多地将其基础设施转向人工智能计算，Keel等公司关闭了美国业务，Riot与Anthropic达成了90亿美元的电力容量协议。这一趋势反映了市场对加密货币挖矿和为云计算提供能源之间盈利能力的广泛重新评估。数据中心和人工智能对电力的需求激增，推动了燃气轮机的创纪录订单，凸显了能源基础设施在数字经济中的关键作用。英特尔也在筹集大量资金以在这个不断变化的环境中竞争，这表明控制能源基础设施的实体有望成为人工智能市场的主要参与者。
-
新研究探索深度学习中的不确定性量化在各种应用中的潜力
三篇新研究论文探讨了深度学习模型中不确定性量化的先进技术。第一篇论文介绍了直觉模糊深度随机神经网络（IF-dRVFL和IF-edRVFL），以提高分类任务中对噪声数据和异常值的鲁棒性。第二篇论文对基因组学应用中的不同不确定性量化方法进行了实证分析，包括深度集成、贝叶斯神经网络和蒙特卡洛-dropout，发现贝叶斯神经网络对于不平衡和分布外数据更可靠。第三篇论文提出了一种两步MV-DeepONet用于概率算子学习，增强了不确定性传播中跨…
-
新型 XGRVFL-MV 模型通过新颖的损失函数增强多视图分类
研究人员推出了一种新颖的多视图分类模型 XGRVFL-MV，该模型增强了随机向量函数链接 (RVFL) 网络。该新模型解决了保留视图特定的几何结构和管理大预测残差的挑战。它结合了具有内在图和惩罚图的图嵌入，利用 FleXi Guardian 损失进行残差学习，并包含一个用于视图间一致性的残差耦合项。在 UCI 和 Corel5k 等基准数据集上的实验表明，XGRVFL-MV 实现了具有竞争力的分类性能。
-
新的模糊回归扩展增强了机器学习的可解释性
研究人员为Ex-Fuzzy库开发了一个扩展，以实现Mamdani风格的模糊回归，增强了机器学习的可解释性。该扩展采用模糊C均值聚类结合目标感知划分初始化策略，从增强的输入-输出空间中提取语言变量。在KEEL存储库的十个回归数据集上的评估表明，高斯划分在规则库紧凑的情况下实现了约0.86的平均决定系数，优于线性回归和随机森林等标准基线。
-
新的MVGIFBLS框架通过多视图学习和模糊逻辑增强数据分类
研究人员提出了一种新颖的多视图图嵌入直觉模糊粗糙集（MVGIFBLS）系统，旨在增强数据分类能力。该框架整合了多视图学习、图嵌入和直觉模糊理论，以改进传统的粗糙集学习系统（BLS）。MVGIFBLS旨在更好地处理噪声数据、捕捉几何关系，并结合来自多个来源的信息以获得更具辨别力的表示。在基准数据集上的评估表明，所提出的系统在面临高斯特征噪声时也能实现更高的曲线下面积（AUC）得分并展现出稳健的性能。
-
新的IFGRVFL-MV模型通过模糊逻辑和图嵌入增强了RVFL网络
研究人员开发了一种名为直觉模糊图嵌入随机向量函数链接与多视图学习（IFGRVFL-MV）的新模型。该模型旨在通过更好地保留几何关系和利用多个特征视图来改进现有的随机向量函数链接（RVFL）网络。IFGRVFL-MV模型结合了用于处理不确定性的直觉模糊集、用于捕获几何结构的图嵌入以及用于互补信息的多视图学习。在UCI和KEEL存储库的基准数据集上进行的实验表明，IFGRVFL-MV在分类精度上优于现有模型，展示了其在具有不确定性和多…
-
新的 KFDA Forest 分类器通过核技巧提高准确性
研究人员开发了一种新的集成分类器，名为核 Fisher 判别分析森林 (KFDA Forest)。该方法利用决策树作为基础分类器，并应用 KFDA 通过最大化类间距离和最小化类内距离来提高分类准确性。KFDA Forest 结合了 bootstrap 抽样和变量随机子集选择以促进多样性，并且可以通过核技巧变换处理非线性数据结构。