UCI Machine Learning Repository
PulseAugur coverage of UCI Machine Learning Repository — every cluster mentioning UCI Machine Learning Repository across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI框架利用集成模型和XAI增强破产预测能力
研究人员开发了一个新颖的破产预测框架，该框架结合了特征选择、混合重采样技术和堆叠集成模型以及可解释人工智能（XAI）。该研究使用了台湾破产预测数据集，发现不同的重采样策略显著影响模型性能，其中SMOTE-ENN在少数类检测方面表现更强。在独立模型中，带有SMOTE-ENN的GRU实现了最佳的预测平衡，而包含多个机器学习分类器和LSTM模型的混合堆叠集成在灵敏度和特异性之间取得了最强的折衷。通过SHAP分析确定的关键预测因子包括杠杆率、…
-
新基准CoMedBench评估合成医疗数据效用
研究人员推出了CoMedBench，这是一个旨在评估合成医疗数据的保真度和效用的新基准。该基准旨在解决由于隐私法规和其他限制而使用真实患者数据所面临的挑战。CoMedBench评估了跨多个数据集和下游任务的各种数据生成器，并比较了在真实数据与合成数据上训练的模型的性能。
-
新的 cGAP 框架可视化高维分类数据
研究人员开发了一个名为 cGAP（分类广义关联图）的新可视化框架，旨在有效显示高维分类数据。该方法使用同质性分析 (HOMALS) 将数据点和类别级别嵌入到 3D 空间中，然后将其映射到 RGB 颜色以提高可解释性。cGAP 集成了多种视图，包括原始数据的热图、主体邻近度和变量邻近度，并采用排序算法来揭示数据中的聚类和结构。
-
PUICL transformer 实现无需拟合的上下文正负样本学习
研究人员开发了 PUICL，一种预训练的 transformer 模型，能够通过上下文学习执行正负样本（PU）学习。这种方法无需针对特定数据集进行训练或迭代优化，即可快速解决任务。PUICL 在合成 PU 数据集上进行了训练，在 20 个基准测试中，其 AUC 和准确性均优于四个标准的 PU 学习基线。
-
研究人员将物理模型与机器学习相结合，以改进无创血压监测
研究人员开发了一种新颖的混合方法，将 Windkessel 模型与机器学习相结合，以改进无创血压监测。该方法将物理原理整合到数据驱动的模型中，增强了它们的可解释性和临床适用性。该技术将 Windkessel 模型重新构建为可供神经网络使用的形式，创建了一个物理信息驱动的常微分方程组。与纯数据驱动的机器学习模型相比，该混合系统旨在提供更稳健且易于理解的血压预测。