UCI datasets
PulseAugur coverage of UCI datasets — every cluster mentioning UCI datasets across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型图神经网络通过编码模式来解决缺失数据问题
研究人员开发了模式感知图神经网络（PAGNNs），旨在通过显式地编码缺失模式以及观测值来处理缺失数据的数据集。这种方法在七个UCI数据集上显示出比传统方法有显著改进，平衡准确率平均提高17%，F1-macro平均提高22%。研究发现，区分缺失模式比特定任务优化更重要，因为即使是简单的随机模式嵌入也与学习到的嵌入表现相当。
-
新方法加速稀疏线性回归交叉验证
研究人员开发了一种更高效的稀疏线性回归交叉验证方法，该技术用于识别高维数据中的重要特征。新方法显著减少了在超参数调整过程中需要解决的复杂优化问题的数量。这种计算上的改进已在多个真实世界数据集上得到验证，显示出与现有软件包相当的竞争力。
-
新的机器学习算法利用数学形态学进行形状和密度分析
研究人员将来自视觉计算的数学形态学理论引入机器学习，以更好地分析数据中的形状和密度。他们开发了一种新颖的聚类算法，该算法使用形态学重建来保持簇的形状和密度，提供内置的噪声去除和噪声处理功能。此外，还提出了一种结合闵可夫斯基距离和切比雪夫距离的新距离度量，该度量在形态学操作方面比欧几里得距离快得多，并在各种数据集的 k-NN 分类中取得了很高的准确性。
-
新的基尼MDS框架提供强大、灵活的数据嵌入
研究人员开发了一个名为基尼多维缩放（Gini MDS）的新框架，通过引入基尼伪距离来扩展传统的欧几里得MDS。这种新颖的方法允许更灵活地探索潜在配置，并产生与观察到的差异性更一致的嵌入。实验表明，与欧几里得MDS相比，Gini MDS对噪声和异常值更具鲁棒性，在MNIST和添加了噪声的UCI数据集等数据集上表现出改进的性能。
-
新算法通过引导式特征选择增强网络入侵检测能力
研究人员开发了一种多群体多样性引导遗传算法（MPDGGA），以改进网络入侵检测系统（NIDS）的特征选择。该新算法通过保持群体多样性和引导进化算子，解决了现有遗传算法方法的局限性。跨多个数据集的实验表明，MPDGGA 的性能显著优于其他先进模型，在大多数测试数据集上实现了更高的准确率，并将选择的特征数量减少了至少 2.26%。