ridge
PulseAugur coverage of ridge — every cluster mentioning ridge across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架统一了正态均值问题中的收缩和阈值估计器
研究人员开发了一个用于正态均值估计问题中近似风险最小化的新框架，并引入了一个名为 NOMAD 的估计器。该框架统一了包括 James-Stein 和 lasso 类型估计器在内的各种收缩和阈值规则，并扩展到相关观测和线性回归。NOMAD 估计器旨在最小化从观测数据派生的近似风险标准，为正则化提供了一种数据驱动的方法。
-
基础模型与放射组学在肺部CT分析中的基准测试
一篇新发布的arXiv基准研究，将基础模型与传统的放射组学技术在肺部CT扫描分析方面进行了比较。该研究评估了五种特征提取器、七种分类头和三种分割方法，涵盖了肿瘤分类和生存预测等五个任务。研究结果表明，分割对于体积和分期分类至关重要，而分类器的选择显著影响生存和组织学预测。研究建议在临床任务中，默认采用Curia结合肿瘤分割和CatBoost的流程，并在缺乏肿瘤描绘时提供替代方案。
-
机器学习增强土壤分析以量化碳和氮
研究人员开发了一种利用近红外（NIR）光谱进行机器学习的方法，以量化新成土和砖红壤的碳和氮含量。该研究评估了各种预处理技术，其中Savitzky-Golay滤波器和鲁棒的离群值去除方法被证明最有效。集成学习模型，包括偏最小二乘法（PLS）、支持向量回归（SVR）和Ridge回归，实现了大于2.0的RPD且过拟合率低，展示了快速土壤分析以支持可持续农业的潜力。
-
机器学习预测AMR趋势，RAG系统辅助政策制定
一篇新的研究论文提出了一种利用WHO全球抗菌素耐药性和使用监测系统（GLASS）的数据来预测细菌抗菌素耐药性（AMR）趋势的机器学习方法。该研究对六种模型进行了基准测试，发现XGBoost表现最佳，与朴素基线相比，误差减少了85%以上。为了将这些预测转化为可操作的政策，开发了一个由Gemma 4驱动的检索增强生成（RAG）系统，以提供基于证据的指导，而不会捏造信息。
-
表格基础模型在近红外化学传感校准方面展现出潜力
研究人员探索了使用表格基础模型（特别是TabPFN）作为近红外（NIR）化学传感的新型校准策略。在一项涉及66个NIR数据集的研究中，TabPFN表现出强大的性能，尤其是在回归任务中，其性能优于多种传统方法。尽管TabPFN显示出潜力，但其有效性会随着光谱异常值和外推样本而降低，这表明在这些情况下，经典的化学计量模型仍然具有竞争力。研究结果表明，表格基础模型可以增强现有的NIR传感工作流程，尤其是在较小的数据集方面，但强调了对光谱学特…
-
TinyBayes 使边缘设备上的实时作物病害检测成为可能
研究人员开发了 TinyBayes，一个用于边缘设备实时图像分类的新颖框架，专门用于检测可可作物的病害。该系统集成了闭式贝叶斯分类器和移动级计算机视觉管道，模型总大小不到 9.5 MB。TinyBayes 在 Amini 可可污染挑战数据集上实现了 78.7% 的准确率，并且可以在 CPU 上在 150 毫秒内完成推理。
-
贝叶斯方法在预测和不确定性方面优于经典稀疏回归
一项新的基准研究评估了六种稀疏回归方法，将 Lasso 等经典方法与 Horseshoe 和 Spike-and-Slab 等贝叶斯技术进行了比较。研究发现，贝叶斯方法通常能提供更优的预测误差和更准确的不确定性估计，其中 Horseshoe 先验实现了接近名义的覆盖率。然而，在变量选择方面，Lasso 和 Spike-and-Slab 的表现相当，这表明当不需要完整的后验估计时，Lasso 仍然是一个实用的选择。
-
SHIFT估计器改进了重尾数据的鲁棒双重机器学习
研究人员开发了SHIFT，一种用于双重机器学习（DML）管道的新型鲁棒估计器，旨在处理重尾数据污染。SHIFT结合了交叉拟合干扰正交化、核局部Welsch损失第二阶段和防御性普通最小二乘法重新拟合。该方法在存在异常值的情况下显著提高了准确性，在压力测试中将均方根误差（RMSE）从1.03降低到0.33，并实现了异常值掩码恢复的高F1分数。