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.
5 天有情绪数据
-
新研究质疑用于太阳能斜坡预测的 Advection-Aware GNN
一篇新发表在 arXiv 上的研究调查了 Advection-Aware 图神经网络 (GNN) 在预测太阳能功率斜坡方面的有效性。研究发现，尽管基于云运动矢量 (CMV) 连接站点并未优于更简单的 GNN，但提供准确的运动矢量作为输入特征显著提高了预测精度。该研究还引入了一种自监督云运动估计器，其结果优于传统的互相关方法，缩小了太阳能斜坡预测的性能差距。
-
GrayTrack系统利用间接传感器数据增强车辆追踪
研究人员开发了GrayTrack，一个旨在通过整合第三方传感器的间接观测来改进车辆追踪的新型系统。该方法通过利用弱的、匿名的事件数据以及稀疏的直接观测，解决了直接感知中的隐私担忧和数据访问等限制。使用CARLA-Mininet-WiFi的模拟管道表明，GrayTrack将轨迹均方根误差（RMSE）显著降低了60%以上，并大大减少了灾难性的轨迹丢失，展示了其在增强追踪能力方面的有效性。
-
新框架利用概率预测优化5G资源分配
研究人员开发了一个新的面向目标的概率预测框架，以优化5G网络中的资源分配。该方法使用Pinball Loss函数以及DeepAR和Temporal Fusion Transformers等模型，以更好地适应欠配置与过配置之间的不对称成本。在真实5G流量数据上的评估表明，与最小化MAE和RMSE等对称误差的传统方法相比，该方法可以降低运营成本并保持准确的不确定性估计。
-
深度学习增强4D流MRI，改善血流评估
研究人员开发了一个深度学习框架，用于提高4D流MRI数据的分辨率并降低噪声。4D流MRI是一种用于可视化血流的技术。所提出的模型集成了多尺度特征提取和注意力机制，特别是使用卷积块注意力模块（CBAM），以增强壁面剪切应力和压力梯度等关键血流动力学生物标志物。该模型在患有颈动脉狭窄的120名患者的数据上进行训练，与基线相比，均方根误差显著降低，表明其在无创血流动力学评估方面具有提高4D流MRI临床实用性的潜力。
-
新的神经符号回归框架结合了深度学习与稀疏建模
研究人员开发了一个新的神经符号回归（NSR）框架，该框架结合了神经网络和稀疏建模技术，以从数据中发现简洁的数学表达式。该方法首先使用神经网络在非线性特征空间中学习鲁棒的函数逼近，然后使用LASSO提取稀疏、可解释的方程。在Nguyen基准套件上的实验表明，NSR在均方根误差、噪声鲁棒性和泛化能力方面优于遗传编程和SINDy等传统方法。
-
医学基础模型增强脑部MRI造影剂剂量模拟
研究人员开发了一种新的脑部MRI造影剂剂量模拟方法，该方法利用医学基础模型的特征作为感知损失。与使用标准自然图像骨干网络相比，这种方法旨在提高图像合成的准确性。研究发现，RadImageNet模型在作为特征提取器使用时，在减少残余增强和在脑部MRI模拟中保持忠实的剂量降低轨迹方面表现出优越的性能。
-
新的强化学习方法提高了交通流量预测的准确性
研究人员开发了一种名为LFPG-RL的新方法，该方法使用强化学习来提高动态起讫（OD）矩阵估计的准确性和效率。该方法将链接流传播引导集成到近端策略优化中，以更好地处理不断变化的交通网络条件和随机结果。在墨尔本动脉交通网络上进行的测试表明，LFPG-RL的均方根误差为4.69，皮尔逊相关系数为0.995，表现优于现有方法。
-
无标记姿态估计评估阻力训练技术
研究人员开发了一个无标记姿态估计框架，利用普通视频素材来评估阻力训练技术。该系统利用BlazePose提取解剖学标志点，将其转换为下蹲、卧推和硬拉等动作的关节角度轨迹。这种方法可以对重复动作进行量化比较并识别技术变异性，为实验室运动分析提供了一种更易于获取的替代方案，尽管其准确性会受到相机方向和视觉遮挡的影响。
-
新的AI模型利用印度铁路网络数据预测列车延误
研究人员开发了RSTGCN，一种新颖的图卷积网络，旨在预测车站的平均列车延误。该模型结合了列车频率感知的空间注意力和已在印度铁路网络的新策展数据集上进行了测试。实验表明，RSTGCN在平均绝对误差、平均绝对百分比误差和均方根误差方面显著优于现有方法。
-
LSTM网络通过自适应学习提升电力价格预测能力
研究人员开发了一个使用长短期记忆（LSTM）网络的自适应在线学习框架，以提高加州能源市场日前电力价格预测的准确性。该模型结合了历史价格、天气数据和能源发电结构，并通过结合平均绝对误差（MAE）、Jensen-Shannon散度（JSD）和光滑度惩罚的新型自定义损失函数进行了增强。这种自适应方法在性能上优于静态模型，显著降低了均方误差（MSE）、MAE和均方根误差（RMSE）。
-
新的神经表示方法增强了三维重力反演
研究人员开发了一种新颖的无监督方法，用于通过深度感知隐式神经表示进行三维重力反演。该方法使用多个神经网络直接从重力测量数据中优化得到，以表示地下密度体，并结合了基于物理的先验知识，无需标记的密度模型。实验表明，与传统和基线神经网络方法相比，该方法性能更优，能够生成更准确、空间上更连贯的密度重建，尤其在分离邻近异常和保持垂直范围方面表现出色。该方法有望在无法获得真实密度模型的地下成像场景中得到改进。
-
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。