PulseAugur
中
实时 09:03:10
实体 Longitudinal Active Feature Acquisition

Longitudinal Active Feature Acquisition

PulseAugur coverage of Longitudinal Active Feature Acquisition — every cluster mentioning Longitudinal Active Feature Acquisition across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
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 1 条
  1. TOOL · CL_284384 ·

    新方法简化了纵向数据预测的可解释人工智能

    研究人员开发了一种新方法,用于从基于神经网络的纵向主动特征获取(LAFA)模型中学习可解释策略。该树蒸馏技术旨在通过在每个时间点最优地选择要获取的项目子集来减少密集纵向研究中的参与者负担,从而提高时间预测的成本效益。该方法通过模拟和关于预测每日酒精消耗的经验数据集进行了验证,证明在预测准确性损失很小的情况下,获取的项目数量显著减少。