Rbf Kernel
PulseAugur coverage of Rbf Kernel — every cluster mentioning Rbf Kernel across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
New Mahalanobis-based attention mechanism boosts AI model efficiency
Researchers have introduced Mahalanobis-Based Multi-Head Attention (MHA-CSP), a novel attention mechanism that replaces the standard dot-product with a Mahalanobis distance-based RBF kernel. This approach allows for att…
-
新的尺度律指导 AI 嵌入中分布偏移的检测
研究人员开发了一种新的尺度律，用于检测高维嵌入中的分布偏移，该尺度律约束了基于矩的统计检验。该尺度律源自切比雪夫极值问题，表明所需的多项式检验程度取决于特征的尺度和质量分数。提出了一种实用的校准规则，表明 MMD 检验的最佳带宽应与特征尺度相匹配。在真实嵌入流上的实验表明，这种数据驱动的带宽方法实现了高 AUC 分数，并且能有效对抗针对其他统计数据优化的对手。
-
McQuack：新的量子核方法在多类分类中实现线性缩放
研究人员推出 McQuack，一种专为多类分类问题设计的新型量子核方法。该方法通过用可训练的样本到类质心保真度矩阵替换完整的 Gram 矩阵，实现了与训练样本数量的线性缩放，从而解决了传统核方法的局限性。在模拟中，McQuack 相较于现有的量子基线表现出更优越的性能，并且在 IBM 量子设备上，即使未经训练，也取得了与 RBF 核相当的结果。
-
AI通过语音声学特征检测阿尔茨海默病
研究人员开发了一种仅使用自发语音音频检测阿尔茨海默病的方法。该方法无需转录或计算密集型深度学习模型，而是专注于手工制作的声学-时间特征，如停顿和流畅性统计数据，以及梅尔频率倒谱系数（MFCC）。使用具有RBF核的支持向量机在DementiaBank Pitt语料库上进行训练，该系统取得了0.674的平均AUC，证明了在阿尔茨海默病早期筛查中使用频谱-时间（spectro-temporal）和流畅性线索的潜力。
-
LSTM模型在语音情感识别中达到99%的准确率
研究人员开发了一种新颖的语音情感识别系统，利用梅尔频率倒谱系数（MFCC）进行特征提取，并使用长短期记忆（LSTM）神经网络进行分类。该方法在准确率上达到了99%，优于准确率为98%的支持向量机基线。该系统在虚拟助手和心理健康监测等应用方面显示出潜力。