PulseAugur
中
实时 08:52:25
实体 long short-term memory

long short-term memory

PulseAugur coverage of long short-term memory — every cluster mentioning long short-term memory across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
75
90 天内 308
发布 · 30天
0
90 天内 0
论文 · 30天
72
90 天内 300
层级分布 · 90 天
主题
关系
时间线
  1. 2026-05-14 research_milestone A hybrid LSTM model achieved the lowest final displacement error in dynamic movement forecasting. 来源
情绪 · 30 天

15 天有情绪数据

最近 · 第 1/10 页 · 共 200 条
  1. RESEARCH · CL_365554 ·

    新的ForceBody数据集将力和力矩数据整合到参数化身体模型中

    研究人员推出了ForceBody,一个旨在将地面真实力和力矩数据整合到参数化身体模型中以进行运动生成和重建的新型数据集。该数据集通过提供带有力标注的配对运动序列并量化估计的关节力矩的可靠性,解决了现有运动管线的局限性。ForceBody包含来自140名受试者的10,000多个运动试验,具有源自蒙特卡洛采样的每样本力矩不确定性标注。该数据集已被用于对六种不同的神经网络架构进行基准测试,证明包含每样本不确定性可以提高关节力矩估计的准确性。

  2. TOOL · CL_363452 ·

    BoBDeLaN 通过边界带宽上下文自适应增强机器人控制

    研究人员开发了 BoBDeLaN,这是一种新颖的、面向机器人控制的上下文感知深度拉格朗日网络。该模型通过从测量历史中推断潜在上下文来增强自适应能力,同时保持稳定的拉格朗日结构。BoBDeLaN 包含一个增益受限的循环平衡网络用于上下文编码,以及稳定的线性滤波以管理跨频率的扰动敏感性。在模拟和真实机器人操作任务上的评估表明,BoBDeLaN 在降低上下文敏感性、减少预测误差和实现更平稳的运动方面优于 LSTM 编码器,尤其是在受到扰动时。

  3. TOOL · CL_360193 ·

    混合量子-经典模型在能量回归中显示样本效率

    研究人员开发了用于高能物理能量重建的混合量子-经典模型,特别是针对模拟量热器喷流。这些模型,包括一个QLSTM架构,与传统方法相比,显示出更高的样本效率。通过利用纵向喷流序列作为数据表示,QLSTM在有限的训练数据下实现了最低的重建误差,并且性能显著优于经典的LSTM。

  4. TOOL · CL_362491 ·

    新的强化学习框架解决了O-RAN控制延迟问题

    研究人员开发了一个新颖的强化学习框架,旨在改进Open Radio Access Networks (O-RAN) 中的控制。这种新方法专门解决了O-RAN系统中固有的延迟和随机奖励反馈的挑战。通过集成基于长短期记忆的延迟预测器和时间奖励重新对齐模块,该框架旨在增强信用分配并稳定训练。使用Open AI Cellular (OAIC) 测试台的数据进行的实验表明,与传统的强化学习技术相比,这种延迟感知方法能够更快地收敛,并显著减少延迟违规和丢包。

  5. TOOL · CL_357687 ·

    量子模型在金融预测中未显示优势

    一项新的研究论文探讨了将量子经典混合循环架构用于金融时间序列预测。该研究评估了量子长短期记忆(QLSTM)网络和量子水库计算(QRC)与包括LSTM和SARIMA在内的各种经典模型进行了比较。结果表明,在相似预算下,QLSTM在准确性或参数效率方面并未显示出比经典LSTM显著的优势,而QRC的表现不如其经典对应模型。研究发现在这种特定的低维金融预测环境中,没有证据表明存在量子优势。

  6. TOOL · CL_357604 ·

    微调后的 Microsoft Phi-2 模型生成合成临床数据,提升预测性医疗分析能力

    研究人员开发了一种使用微调后的 Microsoft Phi-2 模型生成合成临床数据的方法。该方法旨在解决医疗数据集稀缺的问题,特别是那些用于开发预测性医疗分析的数据不平衡问题。通过在 MedQuad 数据集上使用 QLoRA 和少样本提示进行适配,微调后的 Phi-2 模型在生成结构化合成临床数据方面表现出改进的性能,并将长短期记忆(LSTM)预测模型的准确性从 89.0% 提高到 93.7%。

  7. TOOL · CL_352354 ·

    机器学习从点击流数据预测用户挫败感

    研究人员开发了机器学习模型,利用点击流数据预测电子商务会话中的用户挫败感。该研究将挫败感定义为诸如愤怒爆发和过度导航等特定用户行为。XGBoost 和长短期记忆 (LSTM) 分类器均在数百万个数据点上进行了训练,其中 LSTM 取得了更高的准确率和 AUC 分数。值得注意的是,LSTM 模型证明了仅使用用户最初的 20 到 30 次交互即可可靠预测挫败感的能力。

  8. TOOL · CL_352280 ·

    联邦学习提升跨区域新冠疫情预测能力

    研究人员开发了一个联邦学习框架,以改进不同区域的新冠疫情预测,即使在爆发不同步的情况下。通过使用来自广东、澳门和葡萄牙的数据训练长短期记忆网络,该联邦模型在保持数据隐私的同时,实现了与集中式训练相当的预测准确性。研究表明,利用一个区域早期爆发的传播动态可以增强对经历较晚爆发的区域的预测。

  9. TOOL · CL_352232 ·

    新的深度学习框架PECAN推动了质量守恒水文模拟

    研究人员开发了PECAN,一个结合了质量守恒原理的分布式水文模拟新深度学习框架。该框架有两种变体(PECAN-MC和PECAN-MCR),采用卷积LSTM架构来提高物理一致性并诊断内部模型状态。PECAN在模拟流量方面表现出具有竞争力的准确性,并提供了可解释的空间显性潜在状态,但也揭示了在模拟积雪过程方面的局限性,例如过早地移除积雪储量。

  10. TOOL · CL_352028 ·

    新的XAI框架提升了资源管理中ML模型的可靠性

    研究人员开发了一种新颖的事后XAI框架——轻量级运行时可解释性(LEX),旨在提高基于机器学习的资源管理模型的可靠性。LEX通过使用高斯混合模型对训练输入空间嵌入进行聚类来解决分布外(OOD)输入问题,从而实现输入特定的误差界限。在对Intel Alder Lake处理器基于LSTM的IPS预测模型进行测试时,LEX在未见过的负载上表现出约94%的容纳率,并与现有的全局方法相比提供了约17%更紧密的置信度界限,同时运行时开销极小。

  11. TOOL · CL_352013 ·

    路径签名增强了程序归纳能力,优于传统模型

    研究人员开发了一种使用路径签名进行程序归纳的新方法,这是一种源自随机分析的技术。该方法将执行跟踪视为高维粗糙路径,并使用路径签名变换对其进行编码。在Karel、List和RASP域上的实验表明,这种对数签名跟踪编码器在训练数据有限的情况下,性能优于LSTM、Transformer和Fourier基线。该方法还展示了一个收缩管道,可以在没有外部预言机的情况下识别监督数据中的冗余,从而产生更具可解释性的潜在几何结构。

  12. TOOL · CL_351954 ·

    神经符号框架通过自适应FCM和LSTM增强金融预测能力

    研究人员开发了一种新颖的神经符号金融预测框架,该框架将自适应模糊认知图(FCM)与长短期记忆(LSTM)网络相结合。该方法通过捕捉时间模式和因果驱动因素,并在训练后适应市场变化,解决了现有模型的局限性。该框架在纳斯达克综合指数数据上表现出改进的性能,在收益符号准确性方面优于标准LSTM模型,在状态方向准确性方面优于独立的FCM。

  13. TOOL · CL_359588 ·

    神经符号框架通过自适应FCM和LSTM增强金融预测能力

    研究人员开发了一种新颖的神经符号金融预测框架,该框架将在线自适应模糊认知图(FCM)与长短期记忆(LSTM)网络相结合。该方法通过捕捉时间模式并适应市场状态变化和非线性动态,解决了现有模型的局限性。与单独的LSTM和FCM模型相比,该框架在纳斯达克综合指数数据上表现出更高的性能,自适应图在10-15个交易日内收敛到新的市场状态。

  14. TOOL · CL_351456 ·

    Tabular Foundation Models Show Promise as Training-Free World Models

    一篇新论文探讨了预训练的表格基础模型(TabFM)作为强化学习和机器人规划的无训练世界模型的潜力。研究发现,TabFM在数据有限的情况下,尤其是在机器人运动任务中,其表现优于从头开始训练的LSTM和MLP等模型。然而,其准确性在很大程度上取决于提供的上下文量,长上下文能产生更好的结果,但仍未能达到完全训练的世界模型的水平。研究得出结论,虽然在上下文充足且数据稀缺的情况下,无训练先验模型很有用,但它们还不能替代规划应用中的已训练世界模型。

  15. TOOL · CL_350243 ·

    AI训练优化器将NVIDIA GPU上的AllReduce延迟降低了36%

    研究人员开发了一种新颖的多智能体系统,用于优化大规模分布式AI/ML训练的集体通信库(CCL)。该系统使用长短期记忆(LSTM)网络检测网络争用,并使用具有保守Q学习的双重深度Q网络(Dueling Double DQN)动态调整CCL配置。该优化器在NVIDIA的NCCL上实现,显著降低了延迟,在NVIDIA A100 GPU的Delta集群上运行的AI工作负载上实现了高达65%的加速。

  16. TOOL · CL_344342 ·

    新的两阶段残差学习方法提高了太阳辐照度预测的不确定性

    研究人员开发了一种新颖的两阶段残差学习方法,以提高太阳辐照度预测的准确性,特别是在估计不确定性方面。该方法使用第一个长短期记忆(LSTM)网络来预测预期的辐照度,第二个网络来模拟预测误差。通过单独模拟误差,该方法更准确地捕捉了总预测不确定性,这对于可再生能源发电的决策至关重要。

  17. TOOL · CL_344226 ·

    混合机器学习预测罕见的飞机着陆安全事件

    研究人员开发了一个混合机器学习框架,用于利用不平衡的飞行数据预测飞机着陆阶段罕见的航空安全事件。该系统结合了长短期记忆(LSTM)自编码器以识别正常飞行行为的偏差,以及统计飞行历史特征。然后,将融合后的数据输入到类别加权的XGBoost分类器中,在多个机场实现了高于0.90的平均宏观召回率。该研究强调了类别加权的重要性,并通过将预测与相关的操作变量相关联来展示该框架的可解释性。

  18. TOOL · CL_344131 ·

    新论文提出,大脑的空间记忆或能实现通用计算

    一篇新论文提出,有限的大脑可以通过利用空间记忆作为通用计算机来实现无界泛化。研究表明,像LSTM和Transformer这样的当前模型在处理长序列时遇到困难,因为它们不能有效地处理位置或时间信息的不断变化的值。该模型受到大脑空间表征系统(包括网格细胞模块、位置细胞和海马索引)的启发,通过读取“巧合”和不变符号来学习,使其能够像图灵机一样进行计算。这种方法在各种基准任务上显示出高精度,甚至解决了LSTM和Transformer无法解决的…

  19. TOOL · CL_342319 ·

    新框架使用LSTM进行精细化建筑材料价格预测

    一篇新研究论文介绍了一个精细化的建筑材料价格预测框架,该框架利用了建筑规范协会(CSI)的MasterFormat结构。该框架整合了商品指数和宏观经济指标等解释变量,以提高预测准确性。在评估的模型中,长短期记忆(LSTM)网络表现出最高的性能,与传统统计方法相比,显著降低了误差。

  20. RESEARCH · CL_342313 ·

    AI模型改进传感器数据预测和故障检测 · 跟踪2个来源

    研究人员开发了提高时间序列预测模型准确性和鲁棒性的方法,特别是针对传感器数据。一项研究表明,长短期记忆(LSTM)网络集成可以预测生物传感器的平衡响应,显著缩短响应时间并量化预测不确定性。另一篇论文介绍了SensorFault-Bench,一个用于评估预测模型在各种传感器故障下的鲁棒性的协议,结果显示针对干净数据优化的模型在输入噪声或缺失的情况下性能会显著下降。该基准旨在筛选预测模型在实际网络物理系统中的可靠性。