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.
6 天有情绪数据
-
新的混合模型通过预测区间不确定性增强波动率预测能力
研究人员开发了一种结合GARCH和LSTM的新混合模型用于波动率预测，解决了评估预测不确定性的难题。该模型通过纳入ARMA结构来处理条件均值，并引入了前向bootstrap算法来生成多步预测区间，从而扩展了现有的GARCH-LSTM方法。为了提高区间覆盖率，该方法从经验分布中抽取bootstrap创新项以模仿金融序列的肥尾特性，并利用一致性预测原理系统地扩展区间长度。在模拟和2020-2025年美国股指上的评估表明，基于ARMA的混合…
-
新的DnNP模型解决了神经过程中的输入不确定性问题
研究人员开发了去噪神经过程（DnNP），这是神经过程（NP）框架的一个扩展，旨在处理具有内在输入不确定性的真实世界数据。与假设无噪声输入的标准NP不同，DnNP通过变分推理进行训练，以同时去噪损坏的输入并执行元学习。这种双重能力使其对噪声训练数据更加鲁棒，并提高了预测准确性和不确定性量化。在实验中，DnNP在PM2.5空间插值任务上与标准NP相比，显示出显著的改进，均方根误差（RMSE）降低了高达30%，负对数似然（NLL）降低了高达…
-
PointRAFT 使用 3D 深度学习精准预测马铃薯重量
研究人员开发了 PointRAFT，这是一种新颖的 3D 深度学习网络，旨在从不完整的点云数据中准确预测马铃薯块茎的重量。该方法采用了专用的高度嵌入，利用几何知识来改进估算，尤其是在农业环境中常见的局部扫描数据上。在超过 26,000 个马铃薯点云的数据集上，PointRAFT 的性能优于其他回归网络，平均绝对误差为 11.7 克，均方根误差为 17.1 克。其效率高，每个点云仅需 6.3 毫秒，使其适用于商业马铃薯收获机和其他机器人…
-
回归模型在作物产量预测中表现强劲
一项新的研究论文利用包含100万个观测值的数据集，评估了五种用于作物产量预测的回归模型。该研究比较了多元线性回归、随机森林回归、决策树回归、岭回归和套索回归。结果表明，线性回归模型，特别是采用70:30训练测试分割的套索回归，取得了具有竞争力的性能，具有较高的决定系数（R平方）和较低的均方根误差（RMSE），表明它们作为这项农业任务基线的有效性。
-
SpecLST框架通过频域建模增强交通预测
研究人员开发了SpecLST，一个旨在通过有效建模长期依赖性和整合多样化数据源来改进交通预测的新框架。该系统利用快速傅里叶变换来编码历史交通模式，绕过了传统注意力机制的计算限制。SpecLST还采用了混合专家架构和频域增强残差头，以更好地捕捉来自道路事件和天气等外部因素的瞬态效应。这种方法在交通预测方面显著降低了错误率，在多个指标上均优于现有基线。
-
视觉Transformer在数据稀疏条件下估算太阳辐照度
研究人员开发了一种新颖的双框架方法，使用视觉Transformer（ViTs）从天空图像估算散射水平辐照度（DHI），尤其是在数据稀疏的环境中。该方法整合了计算出的大气参数，并使用顺序管道预测全局水平辐照度（GHI）作为改进DHI估算的特征。使用Chilbolton天文台数据的实证验证表明，即使仅在单个数据月上进行训练，该方法也能实现与在完整数据集上训练的最先进ViTs相当的均方根误差（RMSE）值。
-
撤稿论文提出使用数据推导的先验知识指导近红外化学计量学中的CNN设计
这项研究论文已被撤稿，它探讨了数据集特征如何为近红外（NIR）化学计量学中的卷积神经网络（CNN）设计提供信息。该研究分析了光谱熵和内在秩等属性，以制定指导CNN架构的启发式方法，特别是针对最小和浅层模型。这些数据推导的先验知识被证明与传统的超参数优化方法具有竞争力，表明光谱描述符可以有效地指导近红外模型的设计。
-
Stable Diffusion艺术家'Captain01R'消失，作品被移除 · 追踪4个来源
一位被称为Captain01R的用户，因创作高质量内容而闻名，似乎已从Stable Diffusion社区消失。他们的GitHub存储库、LoRAs和其他贡献已被移除，引发了用户对此次突然缺席原因的讨论和担忧。社区正试图了解导致其作品被移除的原因，以及是否有任何方法可以恢复它们。
-
量化运动对移动使用中二维注视估计的影响
研究人员利用手持设备上的前置RGB摄像头，研究了运动对二维注视估计精度的影响。他们的研究表明，虽然在连续使用过程中头部与摄像头的距离相对稳定，但切换任务会引入显著的几何波动。一次性校准提高了准确性，虽然总体运动条件并未可靠地影响误差，但特定任务和特定运动的校准分析显示出降低误差的潜力。
-
新的 FEDE 框架超越 RMSE 提升时间序列预测能力
研究人员开发了一个名为预测误差分布熵 (FEDE) 的新框架，用于评估时间序列数据中的预测因果关系。该方法量化了预测误差的整个分布在不同预测期如何变化，比均方根误差 (RMSE) 等传统度量提供了更细致的视角。研究表明，FEDE 框架在识别辅助时间序列中的预测信息方面非常有效，即使在底层非线性关系未知且对预测者隐藏的情况下也是如此。研究发现，像 LightGBM 这样的模型可以恢复这些隐藏的通道，而像 Ridge 这样的简单模型则举步…
-
新的 SoftSEEPS 方法改进了机器学习降水预报
研究人员开发了 SoftSEEPS，这是 SEEPS 分数的微分近似方法，用于增强机器学习模型在降水预报方面的能力。这种新方法通过在目标函数中结合 SoftSEEPS 和均方根误差 (RMSE) 来直接训练机器学习模型。在 IMERG 数据集上的测试表明，SoftSEEPS 可有效地用于训练降水预报解码器，并且与 RMSE 结合使用时仅有边际权衡。
-
DeepStratNet框架将地震层位追踪从分割重构为回归
研究人员开发了DeepStratNet，一个新颖的地震层位追踪框架，将任务从密集语义分割重构为有界坐标回归。该方法直接预测每个横向位置的地层的时间/深度坐标，并结合LSTM模块来模拟切片间的上下文并确保连续性。该方法在来自新西兰的地震数据上进行了评估，与传统的分割方法相比，在定量和定性性能上均表现更优，尤其是在稀疏标签条件下。
-
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。
-
新研究探索LLM的高级量化技术 · 已追踪10个来源
多篇研究论文介绍了量化大型语言模型（LLMs）的新技术，以减少其计算和内存占用。这些方法旨在提高效率，同时不显著牺牲性能。方法包括激活量化的优化旋转、面向量化感知训练的最小范数优化，以及用于部署对齐的量化感知蒸馏框架。其他研究侧重于超低复杂度反量化、重新思考优化损失尺度以及量化的联合交替细化，所有这些都有助于使LLMs更易于访问和更高效。
-
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。