Root Mean Square Error
PulseAugur coverage of Root Mean Square Error — every cluster mentioning Root Mean Square Error across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
量子机器学习混合方法在COPD肌肉结局预测方面显示出前景
研究人员开发了一种新颖的量子机器学习方法，结合了几何和量子核方法，用于预测慢性阻塞性肺疾病（COPD）的骨骼肌结局。这种混合方法通过再生核希尔伯特空间映射合成参考，并使用量子回归电路进行预测。虽然在预测肌肉重量方面比经典方法提高了约1.8%，但在调整后尚未确定统计学显著性。该方法在预测肌肉质量方面也产生了数值上最低的平均RMSE，但经典岭回归在预测肌肉力量方面表现最佳。
-
新的 LNN-PINN 框架提高了物理信息神经网络的准确性
研究人员开发了 LNN-PINN，这是一个旨在提高物理信息神经网络 (PINNs) 准确性的新框架。该框架将液体残差门控架构集成到 PINNs 的隐藏层中，而无需更改核心物理建模或优化过程。在四个基准问题上的测试表明，在相同的训练条件下，LNN-PINN 与标准 PINNs 相比，始终实现了更低的 RMSE 和 MAE。该架构在各种问题复杂度下也证明了其适应性和稳定性，为提高科学和工程应用中的预测能力提供了一种简洁而有效的方法。
-
新框架利用AI增强三维海洋温度重建
研究人员开发了一个自适应框架，利用时空聚类从地表观测数据重建三维海洋次表层温度。该方法与DP-CNN、Attention U-Net和ViT等深度学习模型集成，以捕捉复杂的垂直和时间模式。该框架显著提高了重建精度，RMSE降低了12.4%至27.2%，对气候建模具有重要意义。
-
深度学习框架对月球影像进行归一化以实现无缝镶嵌
研究人员开发了一个深度学习框架，以解决由不同轨道影像源创建的月球镶嵌图中的辐射不一致性问题。该系统利用条件生成对抗网络 (cGAN) 将传统镶嵌的图像映射到光度一致的参考。这种方法在 Chandrayaan-2 TMC 和 SELENE 数据上进行了测试，与传统方法相比，显著提高了色调均匀性并减少了接缝伪影。