mean absolute error
PulseAugur coverage of mean absolute error — every cluster mentioning mean absolute error across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI方法使用隐式神经网络建模地理萎缩进展
研究人员开发了一种使用隐式神经网络（INRs）的新方法来模拟年龄相关性黄斑变性（AMD）患者的地理萎缩（GA）进展。该方法旨在即使在数据有限的情况下，也能在个体层面预测病灶随时间的增长。所提出的方法展示了具有竞争力的分割质量，在GA病灶面积方面实现了最低的平均绝对误差，在Dice分数方面实现了最高，同时保持了眼底自发荧光（FAF）图像的质量。
-
绿色AI策略将医学影像联邦学习的能源消耗降低了23%
研究人员开发了一种新颖的、由绿色AI指导的联邦学习策略，该策略显著降低了MRI到CT转换任务中的能源消耗和计算负荷。这种自适应层冻结方法选择性地冻结编码器权重，在不影响模型性能的情况下，将训练时间、能源使用和二氧化碳排放量减少了多达23%。该方法旨在通过使计算资源有限的机构更容易进行协作深度学习，从而提高医疗保健的公平性，促进AI驱动的医疗保健进步和可持续性。
-
设备端学习提高了电动汽车电池功率预测的准确性
研究人员开发了一种新颖的设备端学习方法，以改进电动汽车的电池功率预测。该方法允许预训练的深度学习模型持续适应新数据，从而解决性能下降的问题。该研究调查了在线和离线适应策略，显示平均绝对误差显著降低，离线适应可降低高达 14.88%，从而在实际场景中实现更准确的预测。
-
新框架AtomBench标准化了AI模型在晶体重建方面的评估
研究人员开发了AtomBench，一个用于评估生成晶体重建模型的新框架，特别适用于常规超导体。该框架通过确保模型在重建过程中接收相同的晶体学信息，实现了标准化的比较。在使用JARVIS Supercon-3D和Alexandria DS-A/B数据集进行的测试中，MatterGen在原子坐标重建方面表现最佳，而CDVAE在晶格精度方面表现出色。研究还发现，以临界温度为条件并未持续提高重建保真度。AtomBench作为一个开源Pytho…
-
Transformer模型融合超声和应变数据，用于航空航天结构健康监测
研究人员开发了一种新颖的基于Transformer的框架，用于航空航天结构健康监测中的多传感器数据融合。该框架整合了压电换能器（PZT）捕获的超声导波数据和光纤布拉格光栅（FBG）传感器的应变测量数据。该系统在预测健康指标和损伤定位方面表现出显著改进，比单一传感器方法性能提升了近60%，并且优于现有的深度学习模型。
-
新的 ResBeMF 算法提高了推荐系统的准确性和覆盖率
研究人员开发了一种名为受限伯努利矩阵分解 (ResBeMF) 的新算法，以改进推荐系统中的基于分类的协同过滤。该模型为用户-物品对生成完整的概率分布，旨在平衡预测准确性与覆盖率。实验表明，ResBeMF 在包括平均绝对误差、准确率、覆盖率和平均精度均值在内的各种质量指标上表现良好，优于现有的推荐模型。
-
基于事件的摄像头提高了击球影响估算的准确性
研究人员开发了一个新的框架，使用基于事件的摄像头来准确估算击球影响的时间。该方法通过提供微秒级分辨率和高动态范围，解决了传统RGB摄像头和IMU的局限性。该系统生成高密度事件帧，并采用带有新颖损失函数的掩码细化网络来提高分割精度，在真实数据集上实现了平均绝对误差63%的降低。