Support Vector Regression
PulseAugur coverage of Support Vector Regression — every cluster mentioning Support Vector Regression across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
可解释机器学习利用MRI和fMRI预测帕金森病严重程度
研究人员开发了一种可解释的机器学习模型，能够利用QSM MRI和多频多回波fMRI特征的组合来预测帕金森病的运动严重程度。研究发现，仅影像学模型显示出显著的预测能力，QSM和临床变量的组合解释了运动严重程度45.4%的方差。具体而言，选定的QSM和临床特征最有效，能够预测75.0%参与者在5分范围内的运动严重程度，其中小脑、丘脑、纹状体、脑岛和运动皮层是关键特征。
-
大型语言模型可从临床访谈中准确评估痴呆症和抑郁症
研究人员开发了一种使用大型语言模型（LLMs）从临床访谈记录中评估痴呆症和抑郁症严重程度的方法。该研究比较了三种大型语言模型——Mistral 3.1、DeepHermes 和 Qwen3——分别使用了零样本预测和基于大型语言模型的特征提取进行支持向量回归。结果表明，大型语言模型可直接有效预测抑郁症严重程度，而通过结构化特征提取，痴呆症评估得到显著改善，与零样本方法相比，错误率最多可降低 35%。使用包含停顿信息的转录文本被证明与人工…
-
新的SVR框架通过学习判别性评分标准来改进LLM评估
研究人员开发了一个名为支持向量评分标准（SVR）的新框架，以改进对大型语言模型输出的评估。SVR通过专注于区分排名接近的响应，而不是仅仅描述好的响应，来解决自生成评分标准的局限性。这种方法使用偏好数据来学习评分标准库和条件提示选择器，显著缩小了AI生成和人类定义的评估标准之间的差距。
-
AI通过视频预测等离子喷涂中的颗粒特性
研究人员开发了一种使用高速视频预测大气等离子喷涂（APS）中颗粒特性的方法。该技术旨在无损地监测颗粒的温度和速度，这对于涂层质量至关重要。评估了包括TabPFN和CNN在内的各种机器学习模型，其中预训练的CNN在直接从视频帧预测温度和速度方面取得了最高的准确性。
-
新方法增强了核方法中连续属性的公平性
研究人员开发了一种新方法，用于扩展机器学习中连续属性的公平性投影，特别是针对核方法。这种方法被称为“连续公平性”，弥补了现有文献主要关注离散属性的不足。该新技术涉及对核矩阵的直接变换，使其适用于包括支持向量回归在内的各种模型，并在多个数据集上展示出具有竞争力或改进的性能。
-
新框架分析RBF-SVR模型的DCA收敛性
研究人员开发了一个新框架，用于分析当差分凸函数（DCA）算法应用于使用高斯RBF核的支持向量回归（SVR）模型时的收敛性质。该框架利用RBF核的解析结构推导出显式的DC分解，从而可以计算强凸参数和梯度Lipschitz常数等关键参数。分析表明，一个由SVR超参数导出的单一标量量可以预测DCA的收敛行为。
-
AI模型采用数据驱动方法预测5G信道状况
研究人员开发了一种数据驱动的方法来预测5G及未来无线网络中的信道信息，旨在改善用户体验。该方法利用通过射线追踪生成的数据训练的机器学习模型，并考虑了发射器和用户位置等因素。仿真表明，在线性回归、支持向量回归和决策树回归中，线性回归在7GHz频段的信道系数估计方面表现更优。
-
机器学习模型在预测波动剧烈的澳大利亚电力价格方面面临困难
一项新研究对澳大利亚国家电力市场六种用于短期电力价格预测的机器学习模型进行了基准测试。研究强调，由于价格波动剧烈、模式不规则以及市场结构性变化，预测面临重大挑战。与LSTM和SVR相比，GBRT等基于树的模型在价格预测方面表现更优，R平方值达到0.88，但总体预测准确性仍然较低，误差率很高。