root-mean-square deviation
PulseAugur coverage of root-mean-square deviation — every cluster mentioning root-mean-square deviation across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
RiboSphere框架使用向量量化和流匹配学习离散RNA表示
研究人员开发了RiboSphere，一个旨在改进RNA结构建模的新框架。该系统结合了向量量化和流匹配，以学习RNA的离散几何表示，认识到复杂的折叠是由重复的结构基序构建的。RiboSphere利用几何Transformer编码器和有限标量量化来捕获这些基序级别的结构，从而实现高保真重建和有效的迁移学习，用于逆折叠和RNA-配体结合预测等相关任务，尤其是在实验数据有限的情况下。
-
新型ConvLSTM模型可提前30天预测叶面积指数
研究人员开发了一种新颖的序列到序列卷积长短期记忆（ConvLSTM）框架，能够以1公里分辨率提前30天预测叶面积指数（LAI）。该方法在美国中南部进行了测试，利用历史LAI数据和气象输入生成每日预测。该模型在30天预测提前量下，均方根误差（RMSE）为0.36，显著优于持续性基线，并在不同季节、植被类型和地理区域保持了持续的预测能力。
-
AI流程提升新场地光伏预测精度
研究人员开发了一种基于人工智能的流程，以改进日前光伏预测，特别是针对历史数据有限的新场地。该流程通过纠正时间戳约定、整合大气背景信息以及使用经过验证的学习堆叠来结合互补预测器，解决了标准预测方法的挑战。与基线方法相比，该系统在均方根误差方面有了显著降低，显示了其在增强可再生能源系统管理方面的潜力。
-
新框架跨市场制度审计波动率预测
本文介绍了一种新颖的波动率预测审计框架，超越了RMSE和MAE等聚合准确性指标。所提出的方法识别潜在的市场制度，并在这些特定条件下评估预测的可靠性。该审计应用于加密货币和ETF数据，揭示了平均准确性高的模型仍然可能表现出显著的制度特定偏差和尾部低估，强调了对更细致的预测评估的需求。
-
开发了新的XAI增强型量子对抗网络用于星系建模
研究人员开发了一种新颖的量子对抗框架，该框架将混合量子神经网络（QNN）与经典深度学习层相结合。该方法集成了使用局部可解释模型无关解释（LIME）的评估器模型来指导QNN，从而提高了预测准确性和模型可解释性。所提出的模型旨在通过创建轻量级、高性能且可解释的预测模型来克服当前量子机器学习的局限性。
-
TimesFM 2.5 凭借新功能增强时间序列预测能力
时间序列预测模型 TimesFM 2.5 已更新，加入了用于端到端工作流开发的先进功能。新版本支持回测、协变量集成、异常检测和可扩展部署。用户现在可以使用各种指标评估预测质量，并在不同场景下测试模型的鲁棒性，包括长周期预测和输入变化。
-
新型GAN高精度重建卫星陆地表面温度数据
研究人员开发了一种新颖的多模态快速傅里叶卷积GAN，用于从卫星图像重建陆地表面温度（LST）数据，特别解决了云覆盖造成的间隙问题。该方法利用快速傅里叶卷积实现全局感受野，并整合了卫星观测和合成孔径雷达（SAR）数据。该方法在恢复大片缺失区域方面表现出有效性，即使在云引起的间隙超过70%的场景中，在所有LST分位数上，场景平均RMSE的四分位距也介于0.8 K和1.8 K之间。
-
新框架通过自适应修正提升零售需求预测能力
研究人员开发了一个名为预测-修正（PtC）的新框架，以改进零售需求预测，特别是在需求快速变化和早期数据有限的情况下。该框架结合了初步的机器学习预测和少样本连续上下文赌博机修正策略。在沃尔玛零售数据和饮料数据集上进行测试，与现有方法相比，PtC 在预测误差（MAPE、MAE、RMSE）方面显示出显著降低，并降低了库存成本。
-
新型神经过程模型提升住宅负荷预测能力
研究人员开发了一种新的行为条件注意力神经过程（ANP）框架，用于住宅环境中的短期负荷预测。该模型将推断出的行为结构直接嵌入预测机制，使其能够适应异构的家庭需求和日常习惯。在智能电网、智慧城市（SGSC）数据集上的实验表明，与无标签的ANP基线相比，所提出的ANP变体在平均绝对误差（MAE）和连续排名概率得分（CRPS）方面有所提高，尤其是在上下文有限的情况下。
-
Robbyant 的 LingBot-Depth 2.0 推进了掩码深度建模
蚂蚁集团旗下的人工智能公司 Robbyant 推出了 LingBot-Depth 2.0，这是一种利用传感器有效性掩码的掩码深度建模方法。该方法将传感器自身的缺失区域视为掩码信号，从推理过程中遇到的确切失败分布中学习。更新后的模型表现出性能提升，在 8 个掩码/稀疏深度基准测试中的 7 个上实现了最佳均方根误差 (RMSE)，在透明物体捕获方面取得了显著的进步。
-
新框架预测无线电地图以实现主动无线自适应
研究人员开发了QuaMoE-DRF，一个用于优化集成接入与回传（ISAC）网络中无线通信的新型框架。该系统通过预测动态无线电地图来主动调整波束成形和数据速率，解决了静态地图和直接传感方法的局限性。QuaMoE-DRF整合了几何、运动和历史无线数据等多种数据源，以预测未来的通信条件，并为基站和用户设备做出明智的决策。