machine learning
PulseAugur coverage of machine learning — every cluster mentioning machine learning across labs, papers, and developer communities, ranked by signal.
- used by graphics processing unit 90%
- instance of Gaussian Processes for Machine Learning 90%
- used by MLOps 80%
- used by artificial neural network 80%
- used by optimal transport 80%
- instance of deep learning 70%
- employed by Eugene Yan 70%
- instance of artificial neural network 70%
- instance of computer science 70%
- used by InferProbe 70%
- instance of graphics processing unit 70%
- instance of Neural Networks 70%
- 2026-05-13 research_milestone A new paper details a machine learning model for predicting pregnancy-associated thrombotic microangiopathy. 来源
21 天有情绪数据
-
新研究探讨了用于混沌动力学的循环神经网络中的教师强制
一篇新研究论文探讨了在训练循环神经网络（RNN）处理混沌动力学系统时，教师强制方法中固有的优化几何不匹配问题。该研究将几乎线性RNN（AL-RNN）的概率切换增强中的身份教师强制（ITF）的曲率与边际似然进行了比较。对Lorenz-63系统的实验表明，虽然窗口证据微调可以提高保留证据，但与最初使用ITF训练的模型相比，它可能会降低关键动力学量。
-
新框架利用干净数据解决带噪声标签的分类问题
研究人员开发了一个新的非参数框架，以应对机器学习中标签噪声的挑战，特别是在处理包含不准确标签的大型数据集以及少量干净数据集时。这种模型无关的方法旨在与各种分类器协同工作，并利用干净数据来精炼带噪声的数据，有效管理模糊样本。该框架得到了理论分析的支持，并在肺炎诊断的医学图像分析中显示出实际效用。
-
新的知识蒸馏方法增强模型压缩和多样性
两篇新的研究论文提出了改进黑盒知识蒸馏的方法，这是一种在无法直接访问教师模型训练数据的情况下，将大型AI模型压缩成更小模型的技术。第一篇论文介绍了一种生成对抗网络方案，该方案自适应地选择高置信度图像以增强蒸馏集的多样性。第二篇论文提出了一个名为DIP-KD的三阶段框架，该框架合成图像先验，使用对比学习，并采用一个引子学生进行蒸馏，同样强调数据多样性。两种方法在各种基准测试中都报告了最先进的结果。
-
新AI研究聚焦动态定价、内存效率和外科团队动力学
研究人员开发了在各种复杂场景下改进机器学习模型的新方法。一篇论文介绍了一种用于有限反馈和非平稳市场条件的动态定价的非参数学习框架，提供了收入保证。另一项研究提出了BROS，一种内存高效的双层优化方法，在保持超参数学习的竞争性收敛速率的同时，显著降低了峰值内存使用量。此外，一种新方法使用时间扩展交互图对实时外科团队动力学进行建模，为提高绩效提供了可行的见解。
-
机器学习模型预测天然化合物中的阿尔茨海默病候选药物
研究人员开发了一种机器学习方法，用于从天然化合物中识别阿尔茨海默病潜在疗法。该研究利用化学信息学提取分子描述符，并训练了包括随机森林、XGBoost和支持向量机在内的各种分类模型。随机森林模型表现出最高的预测准确性，突显了亲脂性和分子量等理化性质在神经保护活性中的重要性。这种集成方法通过高效筛选大型数据集，有望加速神经退行性疾病的早期药物发现。
-
机器学习模型利用热导率比预测最佳热电材料
研究人员开发了一个数据驱动的框架，利用机器学习加速热电材料的发现。该框架识别出晶格到总热导率比约为 0.5 的材料，这与声学玻璃电子晶体设计理念相关。该方法筛选了数千种化合物，以找到具有超低热导率的材料，并指导优化策略以提高热电性能。
-
机器学习改造微波工程教育和设计
一篇新论文提出将机器学习融入微波工程教育，以应对更高频率带来的挑战。该方法从传统的分析方法转向数据驱动设计，能够实现与拓扑无关的设计空间探索。该框架旨在增强学生对电磁行为的理解，并使教育与高频系统行业的趋势保持一致。
-
机器学习指导的混合整数二次规划的原始启发式方法
研究人员开发了新的机器学习指导的原始启发式方法来解决混合整数二次规划（MBQPs），这是一类复杂的优化问题。这项工作引入了一种新颖的神经网络架构和针对MBQPs的精炼训练数据收集过程。所提出的方法结合了对比损失和加权交叉熵损失，在各种基准测试（包括风力发电场布局优化等实际应用）上，与现有的启发式方法和求解器相比，显示出显著的改进。
-
调查探讨人工智能在心理健康和农业领域的应用，阐明人工智能与机器学习与深度学习的区别
两项最新调查探讨了人工智能和深度学习在不同领域的应用。一篇论文侧重于通过社交媒体检测精神障碍的可解释人工智能，强调了医疗保健人工智能透明度的必要性。另一项调查回顾了用于农作物、渔业和畜牧业的深度学习技术，强调了多模态数据集成和边缘设备部署等挑战和未来方向。此外，几篇文章讨论了人工智能、机器学习和深度学习之间的区别，通常附有实用的Python示例，而其他文章则强调了人工智能在农业和数据科学教育中的作用。
-
机器学习助力设计光激活癌症药物
研究人员开发了一种计算方法，用于设计用于癌症治疗的光敏性PARP1抑制剂。通过使用机器学习和原子模拟筛选了500万个假设的配体，他们确定了有希望的候选药物，这些药物在光照和黑暗条件下对PARP1表现出差异性结合。合成了十种化合物并进行了测试，其中一种候选药物在暴露于绿光时显示出PARP1抑制作用增加了15倍。
-
Generalising maximum mean discrepancy: kernelised functional Bregman divergences
研究人员引入了一个新的函数式Bregman散度框架，将其应用扩展到希尔伯特空间和核方法。该方法利用这些空间的性质进行更方便的微积分和更容易的散度估计。该工作讨论了在聚类、通用估计、鲁棒估计和生成模型等领域的潜在应用。
-
新的DiaData数据集助力AI研究，预测1型糖尿病患者的低血糖
研究人员通过整合15个现有来源，开发了一个新的数据集DiaData，创建了一个包含来自2510名1型糖尿病患者的超过1.49亿次连续血糖监测测量值的综合集合。该数据集包含人口统计学和心率信息，旨在解决糖尿病研究中大规模数据稀缺的问题。一篇相关论文研究了年龄专业化模型与普通人群模型在预测低血糖方面的有效性，发现组合模型表现相当或更好，尽管儿童数据可能受益于年龄特定训练。
-
新的FEA方法加速了机器学习的熵度量计算
研究人员开发了快速熵近似（FEA）方法，这是一种用于近似香农熵和KL散度等熵度量的新方法。这些近似是非奇异的、保持属性的，并且比现有技术快得多，所需的计算操作更少。与LASSO等方法相比，FEA在机器学习特征提取方面展示了高达三个数量级的加速，从而实现了更快的训练和更高的模型质量。
-
机器学习框架推动地震波场分析和表情符号预测取得进展
研究人员引入了一个通用任务框架（CTF），以标准化地震波场分析的机器学习评估，解决了地震预测和地下建模中的挑战。该框架包括精选的数据集和特定任务的指标，以实现对算法的严格比较，旨在提高科学机器学习的可复现性。此外，一项研究探讨了使用MARBERT模型预测阿拉伯语推文中表情符号的应用，总体准确率达到0.75，但强调了在低资源、多方言语言方面进一步改进模型的必要性。
-
新研究探讨AI模型的域自适应方法
研究人员提出了一种新颖的多源域自适应框架，解决了当前深度学习方法的局限性。所提出的方法学习紧凑的潜在表示以捕捉分布变化，超越了诸如独立潜在变量等限制性假设。这种新方法认为，将表示划分为与标签因果结构相关的特定组件是实现具有理论保证的通用域自适应的关键。
-
OpenSSF 启动 AI/ML 安全工作组
开源安全基金会 (OpenSSF) 已启动一个专注于 AI/ML 与安全交叉领域的工作组。该工作组旨在探讨与大型语言模型 (LLM) 和生成式 AI (GenAI) 等 AI 技术相关的安全风险，特别是它们对开源项目和社区的影响。它还将研究如何利用 AI 来增强其他开源计划的安全性，解决数据投毒、提示注入和对抗性攻击等问题。
-
ML工程师应对长训练运行中的超参数优化漂移问题
一位机器学习从业者在对需要一整天才能训练的大模型进行超参数优化 (HPO) 时面临挑战。为了使 HPO 可行，他们正在减少训练周期数，这引发了对参数漂移和全训练运行次优优化的担忧。用户还在质疑剪枝方法的有效性，怀疑它们可能有利于更快的收敛而不是实现更高的准确性。
-
基础模型在能源时间序列预测中优于传统机器学习
引入了一个名为FETS的新基准来评估基础模型在能源时间序列预测中的表现。该基准包括对54个不同类别数据集的分析。结果表明，基础模型在能源时间序列预测中持续优于传统的机器学习方法，尤其是在有协变量信息时，即使传统模型拥有更多历史数据。
-
新框架解决序列式AI决策中的公平性问题
本文介绍了一个新的框架，用于理解和缓解序列式决策系统中的公平性问题。它将不确定性分为模型、反馈和预测类型，并强调了这些不确定性如何不成比例地影响代表性不足的群体。研究表明，通过考虑不平等的不确定性和选择性反馈，可以在满足机构目标的同时，减少弱势群体的结果方差。
-
研究人员提出使用机器学习来源来验证可解释性需求
本文介绍了一种利用机器学习来源来验证机器学习可解释性需求的方法。作者提出，通过保存各种类型的模型和数据来源，工程师可以建立可量化的功能性需求。验证这些功能性需求随后可作为确认模型是否满足其可解释性非功能性需求（NFR）的基础，从而解决了可解释性是一个无法衡量需求的挑战。