Nash
PulseAugur coverage of Nash — every cluster mentioning Nash across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
New digital twin framework simulates liver health progression
Researchers have developed HEPATWIN, a novel digital twin framework for simulating liver health progression. This physiology-informed model integrates metabolic processes and patient-specific inputs to predict biomarker…
-
人工智能在策略博弈中的学习收敛于纳什均衡
本文探讨了在玩家对对手信息有限的线性二次随机博弈中的学习动态。研究人员开发了一种 $\epsilon$-greedy 迭代最小二乘算法，即使在没有完全了解系统参数的情况下也能收敛到纳什均衡。该研究将其应用于动态库诺竞争，发现有限的信息和较高的价格粘性会降低公司利润和市场福利，尽管披露总产量可以加速收敛并减轻这些损失。
-
新技术通过超声检查提高肝脏疾病分类的准确性
研究人员开发了一种新颖的方法来改进肝脏疾病的分类，特别是区分代谢功能障碍相关性脂肪性肝病（NASH）和非酒精性脂肪性肝病（NAFLD）。通过将传统的B模式超声与源自物理引导和局部相位成像的互补表示相结合，新方法显著提高了诊断准确性。在梅奥诊所（Mayo Clinic）的大型队列上进行的实验表明，这种利用自监督掩码自动编码器和图卷积网络的集成方法，与单独的传统B模式成像相比，准确率提高了高达32.4%，F1分数提高了91.2%。
-
Nash框架使用神经网络实现更快、自适应的回归
研究人员开发了一个名为神经自适应收缩（Nash）的新框架，用于结构化高维回归问题。Nash利用神经网络将协变量特定的侧面信息整合到稀疏回归中，自适应地调整正则化，无需交叉验证。该方法采用分裂变分经验贝叶斯算法，通过将神经网络的传递次数从O(p)减少到一次批量传递，显著加快了计算速度，实现了74到106倍的实际运行时间加速。实验表明，Nash在准确性和适应性方面优于现有方法。
-
NASH 框架增强了机器学习的数据选择
研究人员推出了一种新的机器学习数据选择框架 NASH，旨在提高 Data Shapley 等方法的有效性。NASH 将效用函数分解为更简单、对 Shapley 有信息的组成部分，并进行非线性聚合以选择高质量的数据子集。该框架旨在在运行时成本仅略微增加的情况下提高性能。