UCI HAR
PulseAugur coverage of UCI HAR — every cluster mentioning UCI HAR across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
ChroNoC:无表式片上网络提升神经形态计算效率
研究人员开发了ChroNoC,这是一种新颖的无表式时分复用(TDM)片上网络(NoC),专为时间敏感型神经形态计算而设计。该系统将广播树嵌入组合逻辑中,简化了部署并减少了配置内存需求。相关的延迟感知调度(DARSA)框架通过考虑轴突延迟来优化任务放置和调度,错开网络注入以减少通信开销和冲突。
-
LightSplit 通过正交投影增强分割学习的隐私保护
研究人员开发了 LightSplit,一种新颖的隐私保护分割学习方法,它使用正交投影来减少通信开销并防止重构攻击。该方法将神经网络划分到客户端和中央服务器之间,投影充当信息瓶颈,丢弃实例特定的信号。LightSplit 保持端到端可微分性,并在各种基准测试中进行了评估,显示出显著的压缩率,同时保持高精度并抵御最先进的重构攻击。
-
新研究质疑机器学习匹配原则的可信度
一篇新的研究论文探讨了机器学习中匹配原则的可靠性,特别是在有限样本和模型不确定性的场景下。该研究通过估计不确定性与谱分离之比来量化决策信任度,表明投影仪匹配的缩放取决于此比率。该论文还引入了置信度校准匹配(CCM)作为一种基于此信任比率进行适应的策略,并通过在UCI HAR嵌入上的实验证明了其有效性。
-
新的MCIR-M方法通过特征依赖感知提高了机器学习模型的可解释性
研究人员推出了一种新的机器学习模型解释方法MCIR-M,该方法考虑了特征依赖性。SHAP和LIME等传统方法在处理相关或冗余特征时可能会遇到困难,导致排名不稳定。MCIR-M通过对其依赖的邻居进行条件化来量化每个特征的独特预测信息,从而提供更可靠的全局特征重要性分数,尤其是在多重共线性情况下。
-
TreeCCA 集成梯度提升树以实现可解释的相关性分析
研究人员开发了 TreeCCA,一种将梯度提升树集成到典型相关分析 (CCA) 中的新方法。该方法允许将树集成端到端地训练为 CCA 编码器,与传统的线性或神经网络方法相比,提供了更高的可靠性和可解释性。TreeCCA 利用 Eckart-Young (EY) 损失,在 XGBoost 和 LightGBM 等标准梯度提升树库中实现高效的梯度计算。该方法在合成和真实世界数据集上表现强劲,性能与 Deep CCA 等现有技术相当或更优,…
-
新方法通过分离表示和决策误差来校准时序分类
本文介绍了一种新颖的时序分类方法,通过将误差分解为表示失败和决策问题。所提出的方法包括冻结已训练的分类器,并添加两个推理时干预:一个用于辅助逻辑的多尺度残差分支和一个用于重新组合证据的分支感知校准器。在FI-2010和PTB-XL等各种数据集上的实验表明,这些干预措施带来了显著的收益,尤其是在噪声或表示受限的情况下,这表明时序分类受益于改进的证据校准以及表示学习。