supervised learning
PulseAugur coverage of supervised learning — every cluster mentioning supervised learning across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新AI框架可从有限子系统识别量子相
研究人员开发了一种新的监督学习框架，该框架仅使用量子系统的有限子系统即可识别拓扑量子相。该方法采用源自约化密度矩阵的量子核，与全系统测量相比，约化密度矩阵更容易通过实验进行估计。该框架在对一维晶格上的自旋模型进行分类时表现出高精度，即使在用小型子系统进行训练的情况下也是如此，为表征复杂的量子系统提供了一种实用的方法。
-
新研究：大型语言模型以52%的准确率模拟调查受访者
研究人员开发了一种名为“硅采样”的新方法，该方法使用大型语言模型（LLM）来模拟人类调查受访者。这种方法旨在通过预测个人对未见问题的回答来增强传统的调查研究。一项使用台湾选举与民主化研究（TEDS）2024年数据进行的研究发现，零样本LLM的准确率达到了52%，接近监督机器学习模型。
-
机器学习基础：监督学习、无监督学习和集成技术
本文深入探讨了机器学习的基本概念，涵盖了监督学习和无监督学习技术。通过函数逼近、偏差-方差权衡以及决策树、朴素贝叶斯、k近邻和支持向量机等常用算法来探讨监督学习。对于无监督学习，讨论侧重于聚类方法，如层次聚类和k-means，并解决了噪声和算法稳定性等挑战。文章还涉及了装袋法（bagging）和提升法（boosting）等集成学习方法，并简要介绍了强化学习。
-
新的双智能体深度学习框架优化RIS辅助下的移动用户跟踪
研究人员开发了一种新颖的双智能体（DA）深度学习框架，旨在借助可重构智能表面（RIS）优化跟踪功率受限移动用户的能效。该方法集成了神经进化和监督学习，可实时联合管理RIS相位配置文件和用户发射功率，克服了离散相位响应和单比特反馈的挑战。数值模拟表明，在跟踪和静态定位场景中，DA框架在跟踪和静态定位方面均显著优于卡尔曼滤波器、粒子滤波器和传统指纹识别方案等现有方法。
-
新基准和挑战解决方案推动遥感和场景理解发展
研究人员推出了一项名为 Hedgementation 的新基准，用于评估机器学习模型在遥感数据中的树篱绘制能力。该基准使用来自法国的数据，评估了监督学习和自监督学习模型在不同空间距离和气候区域的泛化能力。另外，一份技术报告详细介绍了 ICRA 2026 GOOSE 2D 精细语义分割挑战赛的获胜解决方案，该方案采用了预训练多样化的基础视觉编码器集成，在户外场景理解方面取得了高精度。
-
AI解读：理解核心概念的21个必备术语
本文旨在通过定义21个构成理解AI概念基础的关键术语来揭开人工智能的神秘面纱。它涵盖了从机器学习、深度学习到自然语言处理和计算机视觉等广泛的AI子领域。文章还涉及了生成式AI、大型语言模型等关键方面，以及理解过拟合、偏见和AI开发中使用的不同类型数据集等术语的重要性。
-
量子学习模型展现出内在可塑性保持能力
一篇新发表在arXiv上的研究论文探讨了量子机器学习模型中的持续学习概念。由Shi-Xin Zhang领导的研究表明，量子神经网络固有地保持可塑性，使其能够在不降低性能的情况下从新数据中学习更长时间。这与通常会遭受可塑性损失的标准深度学习模型形成对比。研究人员将这一优势归因于量子模型的内在物理约束，特别是酉约束，它将优化限制在紧凑流形上，从而防止了困扰经典网络的无界权重增长。
-
新的CADO框架优化组合优化求解器
研究人员推出了一种新颖的CADO框架，旨在改进用于组合优化问题的基于热图的求解器。与专注于模仿数据结构的传统监督学习方法不同，CADO直接优化最终解码解决方案的成本。这是通过将扩散去噪过程构建为马尔可夫决策过程并采用以地面真实标签为基线的标签中心奖励系统来实现的。该框架还采用了混合微调以实现高效的参数适应，并在各种基准测试中展示了最先进的性能。
-
新研究模拟了从交互式广告中推断属性
研究人员开发了一种从交互式定向广告系统中推断敏感用户属性的方法。该研究将广告渠道建模为一个嘈杂的预言机，分离了定位谓词、曝光、交互和披露，以捕捉资格与广告商可见性之间的差距。使用合成人群和模拟器创建了一个可复现的基准来评估各种推断攻击，发现具有身份曝光的重复广告系列会产生可衡量但有限的推断信号。研究强调披露策略是最强的控制手段，聚合报告和随机披露显著减少了释放的信号。
-
新AI方法在无强假设下学习视觉表示
研究人员引入了视觉时间差（TDV），一种新的视频自监督学习范式，旨在减少对强归纳偏置的依赖。与使用增强或掩码的现有方法不同，TDV假设过去导致未来，训练图像和运动编码器来预测下一帧的表示。这种方法在密集空间任务上匹配了最先进的性能，而无需强假设，这表明了一条通往以更少固有偏见进行大规模表示学习的道路。
-
Self-Soupervision 可从无标签数据中生成模型汤
研究人员开发了一种名为 Self-Soupervision 的新方法，该方法允许使用自监督学习 (SSL) 而非传统的监督学习来创建“模型汤”。这项技术能够组合来自多个模型的参数，即使是那些使用不同 SSL 算法或超参数训练的模型，也能提高预测准确性和鲁棒性。实验表明，Self-Souping 提高了在 ImageNet-C 和 LAION-C 等损坏数据集上的鲁棒性，并成功创建了性能优于单个模型的、由各种 SSL 成分组成的模型汤。
-
AI噪声合成改善MRI微观结构估计
研究人员开发了一个逼真的噪声合成（RNS）框架，以提高扩散MRI中微观结构估计的准确性。该方法解决了机器学习模型在模拟数据上训练时遇到真实MRI扫描中不同噪声特性时引入的偏差。通过将瑞西期望和有效后处理噪声方差纳入模拟训练数据，RNS显著减少了参数偏差，尤其是在低信噪比（SNR）条件下。
-
研究人员发现谱系坍塌阻碍深度学习可塑性
研究人员已确定谱系坍塌是深度神经网络在学习新任务时丧失可塑性的一个关键原因。当Hessian矩阵失去有效曲率时，就会发生这种现象，导致梯度下降效率低下。该研究提出了两种正则化技术——保持高有效特征秩和应用L2惩罚——来对抗谱系坍塌并保持持续学习场景中的可塑性。
-
基础模型在时间序列预测中展现出潜力，新的路由器优化部署
一篇新论文评估了基础模型在时间序列预测中的有效性，并将其与传统的监督学习方法进行了比较。研究表明，基础模型在具有可转移周期性结构的情况下表现出色，并且有利于冷启动或长尾数据，而监督专家在物理约束系统方面仍然更胜一筹。该研究还强调，基础模型在金融预测方面正在迅速改进，并提出了一个“复杂度路由器”来优化模型选择，以提高准确性和降低成本。