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
-
新基准GHGbench解决了碳排放预测碎片化问题
研究人员推出GHGbench，这是一个新的基准和数据集，旨在统一和改进公司及建筑层面的碳排放预测。该基准通过提供公司披露和跨多个城市的统一建筑数据的综合集合，解决了现有数据集的碎片化问题。初步研究结果强调，预测建筑排放比预测公司排放更具挑战性，并且泛化到新地区或城市是一个重大障碍，其中多模态遥感嵌入被证明特别有用。
-
强化学习理论在Actor-Critic方法上实现新的样本复杂度
研究人员为强化学习中的离策略Actor-Critic方法建立了一个新的理论样本复杂度保证。该论文证明了在最少假设下找到$\\epsilon$-最优策略的第一个$\\tilde{\\mathcal{O}}(\\epsilon^{-2})$样本复杂度，具体要求仅为不可约马尔可夫链。这一成就与先前需要嵌套循环更新或更强的、依赖于算法的策略假设的工作形成对比。
-
机器学习模型整合患者数据和食管图谱以进行疾病分类
研究人员开发了一种多模态机器学习方法，通过整合高分辨率阻抗测压术（HRIM）数据和患者特异性信息来对食管动力障碍进行分类。该方法利用图神经网络（GNNs）将食管生理学建模为时空图，并将这些表示与患者嵌入相结合以提高分类准确性。该研究分析了104名患者的数据，结果表明这种基于多模态、基于图的方法优于仅依赖HRIM数据或基于视觉的基线的模型。
-
新的DPP核利用小波改进机器学习小批量
研究人员开发了使用小波的新型行列式点过程（DPP），以改进机器学习任务的小批量生成。这些新颖的DPP提供了可证明的更优准确性保证，并提供了一种将连续DPP转换为适合子采样的离散核的通用方法。该方法提高了方差缩减和计算效率，将基于DPP的方法的适用性扩展到正则性较低的目标函数。
-
新框架量化机器学习中的认知不确定性
研究人员引入了一个新的框架，用于比较和量化机器学习模型中的认知不确定性。该框架称为积分不精确概率度量（IIPM），将经典的积分概率度量推广到更广泛的不精确概率模型类别。IIPM不仅允许不同不精确概率模型之间的比较，还能够量化单个模型内的认知不确定性。一个关键应用是开发一种称为最大均值不精确度（MMI）的新度量，该度量在选择性分类任务中表现出强大的经验性能，尤其是在处理大量类别时。
-
MetaColloc框架在无需优化或数据的情况下求解偏微分方程
研究人员开发了MetaColloc，一个使用机器学习求解偏微分方程（PDEs）的新颖框架，无需进行特定于方程的优化或数据。该系统通过元训练神经网络来创建一个通用的基函数字典，然后在一个单一的线性最小二乘步骤中用于求解PDEs。与传统方法相比，这种方法将计算时间显著缩短了几个数量级，同时在各种光滑和非线性问题上实现了最先进的精度。
-
新研究推进共形预测在不确定性量化方面的应用
几篇近期研究论文探讨了共形预测的进展，这是一种用于量化机器学习模型不确定性的方法。其中一篇论文介绍了一种高效的在线共形选择技术，该技术所需的反馈较少；另一篇则侧重于实现共形预测公平性所涉及的权衡，强调了覆盖率和集合大小之间的张力。其他研究深入探讨了共形预测的新理论框架，包括使用迁移的 beta 分布、通过分数变换收紧覆盖界限以及通过扩展到多变量校准来优化不分割数据的预测集。
-
新框架检测生成式AI中的因果偏见
研究人员开发了一个新的框架，用于检测生成式AI系统中的因果偏见。该方法学将因果推断原理应用于解决生成式模型的独特复杂性，这些模型与标准机器学习不同，它们隐式地构建自己的因果机制。该方法允许对跨越各种因果路径的公平性影响以及模型对现实世界机制的替代进行精细量化。该论文通过使用多样化数据集分析大型语言模型中的种族和性别偏见，展示了其效用。
-
新的因果框架分析生存分析中的公平性
研究人员开发了一个新的因果框架，用于分析时间到事件（TTE）分析中的公平性。TTE分析是一种统计建模类型，常用于医疗保健和其他高风险领域。该框架可以将生存差异分解为直接、间接和虚假路径，从而更清晰地解释这些差异为何以及如何随时间出现。这种非参数方法包括使用图形模型形式化假设、恢复生存函数以及应用因果约简定理进行有效估计。该方法被应用于研究重症监护室（ICU）结果中的种族差异。
-
InferProbe 提供本地、私密的机器学习模型测试
InferProbe 是一款专为本地和私密机器学习模型测试设计的新工具。它允许用户对任何端点应用快速扰动，以更深入地了解模型行为。目标是通过解决对受损测试环境的担忧，使开发人员能够更有信心地发布模型。
-
DataMaster框架自动化机器学习数据工程，以提高模型性能
研究人员开发了DataMaster，一个旨在自动化机器学习数据工程过程的新型框架。该系统旨在通过优化数据选择、组成和转换来提高机器学习模型性能，而不是改变学习算法本身。DataMaster集成了树状搜索、共享数据池和累积记忆，以有效地探索数据领域并从先前的尝试中学习，最终提升下游模型的成果。
-
足球机器学习解释无法从精英联赛迁移到大学联赛
一篇新发表在arXiv上的研究探讨了机器学习解释在足球表现分析中的迁移性。研究人员发现，从欧洲精英联赛中学到的表现决定因素未能可靠地迁移到大学级别的足球比赛中。当模型应用于大学数据时，关键表现指标显示出显著的重新排序和解释稳定性下降，这表明可解释性是领域相关的，并且可能预示着目标领域中存在的结构性模糊。
-
新的机器学习遗忘方法侧重于数据分布
研究人员引入了一种新颖的机器学习遗忘方法，该方法侧重于底层数据分布，而不是仅仅关注模型参数更新。该方法旨在精确推断这些分布以提炼出精确的遗忘信号。在三种遗忘场景下的理论分析和实验验证表明，该框架实现的分类器比现有方法更接近理想的重新训练模型。
-
人工智能的本质、数学结构和历史背景的争论
该集群探讨了人工智能的根本性质，质疑智能本身是否是一种数学结构。其中一篇文章深入探讨了人工智能的“本质”，认为理解它会揭示其令人恐惧的方面，而另一篇文章则讨论了深度学习兴起之前连接主义人工智能的历史轨迹。讨论涉及可计算性、局限性以及人工智能研究的未来，特别是与数学和神经网络相关的方面。
-
MEMS开关成为量子计算的关键组件
量子计算是一个有望解决复杂问题的领域，它依赖于在测量前保持纠缠态的量子比特。这些系统需要专门的硬件在接近绝对零度的温度下运行，以最大限度地减少干扰。微机电系统（MEMS）为量子计算机和卫星系统中的射频开关提供了一种有前景的替代方案，解决了信号损耗和辐射等挑战。
-
新AI模型高分辨率预测野火点燃点
研究人员开发了一种名为野火点燃集合预测器（WISP）的新机器学习模型，用于高分辨率预测活跃火灾。与以往预测区域尺度危险性的方法不同，WISP将问题重新构建为预测一组局部火灾聚集中心。该模型利用48小时的气象和卫星数据，在375米网格上预测火灾位置，在全球测试集上实现了显著的定位和覆盖准确性。
-
爱尔兰大学提供传统音乐人工智能博士学位
爱尔兰梅努斯大学正在提供一个专注于爱尔兰传统音乐音乐信息检索的全额资助博士职位。该奖学金将涉及音频信号处理、机器学习以及爱尔兰传统音乐的计算分析方面的研究。鼓励来自计算机科学、音乐技术、音频处理和人工智能/机器学习背景的申请人申请，截止日期为 2026 年 5 月 29 日。
-
AI和ML在医疗保健领域的应用，尤其是在临床试验中，呈现快速增长
生成式AI和机器学习在医疗保健领域的应用正在迅速扩展，尤其是在临床试验中。自2017年以来，该领域的研究激增，2021年至2023年的研究数量显著增加。尽管高收入国家和学术机构在该研究领域占据主导地位，但研究完成后报告结果的比率较低。
-
机器学习在分布外检测中准确率可媲美深度学习，且效率更高
一项对机器学习（ML）和深度学习（DL）在分布外（OOD）检测中的比较研究发现，在医学影像数据集上，这两种方法都达到了近乎完美的准确率。虽然人们通常认为深度学习模型更优越，但机器学习方法在显著降低延迟和提高计算效率方面表现出相当的性能。这表明，对于视觉复杂度较低的分布外检测任务，更简单的机器学习模型在实际部署中可能是一个更实用、更具成本效益的选择。
-
新的核回归界可处理非高斯噪声
研究人员开发了核回归的新非渐近概率统一误差界。这些界旨在提供更可靠的不确定性量化，尤其适用于安全关键型应用。与先前仅限于亚高斯噪声的方法不同，这种新方法可以处理更广泛的噪声分布，包括亚指数和有界矩噪声，并且适用于相关和不相关噪声。