PulseAugur
中
实时 11:14:26
实体 Muhammad Rajabinasab

Muhammad Rajabinasab

PulseAugur coverage of Muhammad Rajabinasab — every cluster mentioning Muhammad Rajabinasab across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 4
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 4
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 4 条
  1. TOOL · CL_336277 ·

    新的无监督特征选择方法 LIDFS 优于现有技术

    研究人员开发了 LIDFS,一种新颖的无监督特征选择方法,它利用局部内在维度 (LID) 来识别高维数据集中最具区分性的特征。该方法将特征视为点,并根据其最近邻估计其 LID,将较低 LID 的特征分配更高的重要性。LIDFS 不需要类标签,时间复杂度为 O(d^2n)。在 23 个数据集上的评估表明,LIDFS 在监督任务中的表现优于现有方法,并且在聚类评估中表现具有竞争力,即使与使用类标签的方法相比也是如此。

  2. TOOL · CL_167658 ·

    递归消除策略改进了特征选择方法

    研究人员探索了机器学习中的特征选择粒度,质疑标准的全局排序方法是否是最优的。他们提出并测试了一种贪婪的递归消除策略,即在重新评估重要性的同时迭代地移除特征。这项实证研究使用了五种不同的算法,发现递归方法通常能提高特征选择的质量,尽管计算成本有所增加。研究结果表明,信息量较少的特征确实会掩盖相关特征的真实重要性。

  3. RESEARCH · CL_48925 ·

    MARS方法通过考虑性能差距幅度来增强机器学习模型评估

    研究人员推出了一种名为Magnitude-Aware Rank Statistics (MARS)的新方法,以改进机器学习模型的评估。MARS解决了标准Critical Difference (CD)图中的“幅度盲区”问题,这些图忽略了模型之间实际的性能差距。通过引入一个相对边际系数,根据性能差异对离散排名进行加权,MARS旨在提供更真实的模型性能统计表示。

  4. RESEARCH · CL_44866 ·

    新研究通过特征选择和基准测试工具增强机器学习评估

    研究人员正在探索评估和改进机器学习模型的新方法,特别是在特征选择和高效基准测试领域。一篇论文介绍了FSEVAL,这是一个用于标准化和简化特征选择算法评估的工具箱和仪表板。另一项研究将大型语言模型(LLMs)的高效基准测试重新构建为特征选择和多元回归问题,并使用核岭回归和mRMR算法展示了显著的改进。此外,一篇论文强调了为评估无监督特征选择方法建立基线(例如随机特征选择)的关键重要性,表明许多最先进的技术表现不如随机选择。最后,对多目标…