LassoNet: Deep Lasso-Selection of 3D Point Clouds
PulseAugur coverage of LassoNet: Deep Lasso-Selection of 3D Point Clouds — every cluster mentioning LassoNet: Deep Lasso-Selection of 3D Point Clouds across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
SelectPFN 推进了稀疏非线性回归的贝叶斯变量选择
研究人员开发了 SelectPFN，这是一种新颖的先验数据拟合网络 (PFN)，能够同时对稀疏非线性回归执行贝叶斯变量选择和预测。该新模型可以在单次前向传播中识别哪些输入变量对其预测影响最大，并提供后验包含概率。在各种数据集上，SelectPFN 表现出优于 lasso 和 BART 等现有方法的性能，尤其是在检测仅交互变量方面。
-
Robust LassoNet 通过鲁棒损失函数增强神经网络特征选择
研究人员推出 Robust LassoNet，这是对现有神经网络特征选择方法 LassoNet 的一项改进。该新方法通过集成 Huber、Cauchy 和 Tukey's bisquare 等鲁棒损失函数，增强了模型处理噪声数据的能力。实验表明，Robust LassoNet 在处理异常值或重尾噪声时，能够提高预测准确性和特征选择的精度，同时在干净数据集上的表现与之相当。
-
新型对抗LassoNet增强鲁棒特征选择
研究人员开发了Adversarial LassoNet (AdLNet)，一个用于高维机器学习中鲁棒特征选择的新框架。该方法将对抗训练与LassoNet的层级稀疏机制相结合，以提高稳定性和泛化能力，尤其是在噪声条件下。在包括SERS和肺癌筛查数据在内的各种数据集上的实验表明，与传统方法相比，AdLNet提高了分布外鲁棒性和特征支持可复现性。
-
新的神经网络框架增强了物理模拟中的降维能力
研究人员开发了SparseModesNet，一种用于高维物理系统降维的新型框架。该方法将本征正交分解（POD）与神经网络相结合，并使用LassoNet强制执行稀疏性。SparseModesNet能有效选择信息丰富的POD模式并学习非线性映射，在平流主导和混沌流上的表现优于现有的多项式流形方法，并显著降低了湍流通道流的重构误差。