Support Vector Regression
PulseAugur coverage of Support Vector Regression — every cluster mentioning Support Vector Regression across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的图神经网络回归框架可准确估算身体成分
研究人员开发了一种名为靶点感知、状态自适应 $p$-Dirichlet 能量流图神经网络回归（$p$SADE-GNR）的新框架，用于从非侵入式测量中估算身体成分。该方法使用神经网络编码器和图神经网络来分析参与者相似性并预测如体脂百分比、骨密度和瘦体重等结果。在临床试验中，$p$SADE-GNR 模型在预测这些结果方面表现出优于现有方法的准确性，在大多数比较中优于支持向量回归和最小二乘支持向量回归。
-
AI语言分析增强临床医生对患者体验的判断
研究人员开发了一个框架，通过结合人类面试官的判断和自动语言分析来改进临床访谈中对患者体验的估计。该方法使用包括BiLSTM在内的各种机器学习模型，并在对话记录上进行训练。与单独使用任一来源相比，结合面试官评分和模型预测的综合方法在近似患者报告的互动质量方面表现出更优越的性能。
-
新框架通过分析先验提升 AI 预测准确性
研究人员开发了一个分析先验学习框架，旨在提高亥姆霍兹共振器降噪频率预测的数据效率。该方法利用低成本的分析模型，在高质量仿真数据有限的情况下改进预测。该框架在矩形侧支管亥姆霍兹共振器上进行了评估，结果表明，与直接学习方法相比，结合分析先验信息可显著提高预测准确性，尤其是在仿真预算受限的情况下。
-
为SVM和神经网络提出新的凸集损失
研究人员为支持向量机（SVM）和神经网络（特别是二元分类任务）引入了新颖的凸集损失函数。虽然直接应用于对偶SVM模型存在挑战，但这些新损失可以与原始SVM公式和神经网络集成。该研究采用粒子群优化来解决带有这些修改后损失的原始SVM问题，并证明它们可以泛化标准损失。在嵌套交叉验证评估的小型数据集上进行的初步实验表明，与标准方法相比，包含这些新损失并未显著改变泛化指标，尽管在损失函数内的模式相关性方面注意到了理论上的好处。
-
可解释机器学习预测受 COVID-19 影响的交通拥堵
研究人员开发了可解释的机器学习模型来预测加利福尼亚州阿拉米达县的交通拥堵，并考虑了 COVID-19 大流行的独特影响。通过纳入与天气、季节性和 COVID-19 病例相关的变量，研究发现新的 COVID-19 病例在封锁和封锁后期间通常会减少拥堵。然而，在大流行后时期，住院率上升减少了出行，而汽油价格上涨则增加了拥堵，因为人们选择了私家车。
-
机器学习利用 SHAP 分析预测沥青混凝土强度
研究人员开发了一个机器学习框架，利用 296 个样本和 14 个输入变量来预测沥青混凝土的劈裂强度。对六种模型进行了比较，其中 TabPFN 表现最佳，R^2 达到 0.88，综合得分达到 0.91。SHAP 分析确定了影响强度的关键变量，并量化了最佳参数范围以提高材料性能。还创建了一个图形用户界面，使该框架更易于访问。
-
新AI框架以更高精度重建胎儿大脑MRI
研究人员开发了PRIME-SVR，一种新颖的隐式神经表示框架，用于从2D MRI切片堆重建高分辨率3D胎儿大脑容积。该方法首次通过强制执行源自Bloch方程的正则化来实现跨回波相干性，从而能够跨多个回波时间进行定量T2图谱绘制。PRIME-SVR在大量胎儿成像数据上得到验证，与现有方法相比，显著提高了重建清晰度、解剖准确性和结构一致性，同时还缩短了采集时间。
-
评估AI模型用于网络利用率预测
一篇新的研究论文评估了各种AI和机器学习模型用于预测网络利用率KPI。该研究将季节性分解和Prophet等传统方法与随机森林、XGBoost和支持向量回归等机器学习算法以及卷积LSTM等深度学习架构进行了比较。使用MAPE、NRMSE和R-square等常用指标对模型进行了基准测试，以深入了解网络容量规划的准确性与计算效率之间的权衡。
-
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。