partial least squares regression
PulseAugur coverage of partial least squares regression — every cluster mentioning partial least squares regression across labs, papers, and developer communities, ranked by signal.
-
新的PLS-Calib框架改进了机器人传感器标定
研究人员开发了PLS-Calib，一个用于事件相机和里程计系统标定的新框架，特别适用于运动能力有限的机器人。该方法利用偏最小二乘（PLS）回归来解决数值不稳定性问题，并与现有的典型相关分析（CCA）技术相比提高了精度。该框架引入了极性感知事件表示以增强模式检测，并为旋转标定提供了一个稳定、闭式解，通过大量实验进行了验证。
-
表格基础模型在土壤光谱学中表现优越
一篇新的研究论文探讨了表格基础模型（特别是TabPFN）在土壤光谱学中的有效性。研究发现，在从田野尺度测绘到拥有数万个样本的大规模光谱库的各种尺度上，TabPFN的表现始终优于CNN、随机森林和PLSR等传统模型。值得注意的是，即使直接应用于全光谱数据，TabPFN也取得了优异的结果，这表明显式降维并非总是实现高性能的必要条件。将TabPFN与从偏最小二乘法（PLS）获得的潜在变量相结合，进一步提高了预测精度，为选择光谱校准模型提供了实际指导。
-
新的贝叶斯优化方法增强了光谱数据分析
研究人员开发了一种新的近红外光谱最优波长选择方法，这对于提高光谱数据在糖含量估算等任务中的准确性和可解释性至关重要。该方法将波长选择视为一个二元黑盒优化问题，利用具有 Thompson 采样的贝叶斯优化来识别相关的波长区域。实验表明，与基于遗传算法的选择和模拟退火相比，这种组合贝叶斯优化方法在偏最小二乘回归中表现更优，能够产生更一致、更鲁棒的波长选择。
-
研究将偏最小二乘法与自注意力机制联系起来
一篇新的研究笔记提出将偏最小二乘法（PLS）视为一种线性化自注意力。这种观点表明PLS可以在神经网络的框架内进行分析。此外，PLS固有的降维和预测变量选择可能意味着自注意力机制包含一定程度的归一化以增强学习。
-
新理论解释缺失数据对多模态学习的影响
研究人员开发了一个新的理论框架，以理解缺失数据如何影响多模态学习中的偏最小二乘法（PLS）。他们的分析基于高维尖峰模型，揭示了一个急剧的相变，其中缺失的条目会显著削弱信号强度。在临界阈值之上，主奇异向量变得具有信息量，从而可以恢复潜在的共享结构，该研究为此恢复提供了公式。
-
研究人员使用迁移学习预测VRF机组的音调噪声
研究人员开发了一种无监督迁移学习方法，称为域不变偏最小二乘法（Di-PLS），用于预测VRF机组中的音调噪声。该方法利用热力学和振动信号来预测不同条件下的噪声水平。研究发现，振动信号比热力学信号提供更准确的预测，预测误差在3 dB以内。