mean absolute error
PulseAugur coverage of mean absolute error — every cluster mentioning mean absolute error across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
基于图的潜在检索框架提高了后缀预测精度
研究人员开发了一种新颖的基于图的度量学习框架，用于顺序决策场景中的完整后缀预测。该方法将问题重新表述为过程图上的潜在检索，利用边条件图神经网络来模拟事件级活动和转换持续时间。在真实过程数据集上的实验表明，与现有方法相比，在语义后缀精度、检索质量和时间合理性方面都有显著提高。
-
深度学习模型提升电池健康状态估计精度
研究人员开发了一个新的框架，使用混合深度学习模型来估计电池的健康状态（SOH）。该模型结合了卷积神经网络（CNN）和双向长短期记忆（BiLSTM）网络，并通过贝叶斯优化调整超参数。研究评估了独立的循环模型、CNN-RNN架构以及通过中间全连接层增强的模型，发现后者最准确。该框架整合了容量和电压等各种电池数据特征，并使用MAE、RMSE和FLOPs作为指标在三个公开数据集上进行了验证。
-
新框架改进了血压波动期间的估算
研究人员开发了一个新的框架，用于评估和再校准使用光电容积脉搏波描记法（PPG）的血压估算模型。该方法侧重于在血压突然波动或“变点”期间识别和分析性能，而不是仅仅依赖聚合指标。研究发现，当前最先进的模型在这些变点附近通常会显著退化，并提出了一种有针对性的再校准方法，以提高鲁棒性而不改变模型架构。
-
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。
-
TailBooster框架通过合成数据增强AI对极端事件的预测能力
研究人员开发了TailBooster，一种新颖的双层生成框架，旨在通过增强极端事件示例数据来改进机器学习模型。该框架解决了传统方法中稀有事件代表性不足和可能生成操作上不可行数据的问题。TailBooster结合了极端值的统计提取和一个基于自动编码器的清理层，以确保合成数据既能代表尾部数据，又能遵守操作约束。在美国航班记录上的评估表明，在预测极端飞行时间和到达延误方面取得了显著改进，平均绝对误差降低了高达57%。
-
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。