Weibull
PulseAugur coverage of Weibull — every cluster mentioning Weibull across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法解决具有信息缺失标签的半监督分类问题
研究人员开发了一种新的半监督分类方法，用于处理缺失标签的数据，特别解决了缺失标签的概率依赖于观测特征的情况。该方法将缺失机制建模为与Weibull混合分类器共享参数的特征依赖性随机缺失（MAR）过程。研究表征了决策区域，推导了分类器的Fisher信息，并分析了插件样本规则的预期错误率。数值模拟和硬盘故障数据分析表明，通过考虑特征依赖性标签缺失，可以潜在地提高分类准确性和决策边界估计。
-
新的生存模型增强了电子商务的再购预测能力
研究人员开发了一种新的方法，使用生存模型来预测电子商务中的客户再购行为，该模型直接估计再购发生的时间。该方法用一个模型取代了针对不同时间范围的多个二元分类器，显示出更高的效率和性能。研究还发现，在加速失效时间（AFT）模型系列中，校准质量和排名性能之间存在权衡，建议针对不同应用使用不同的模型。
-
新研究将数据可预测性与 Transformer 权重缩放联系起来
一篇新的研究论文提出，训练过的 Transformer 中的权重幅度可以用韦伯分布来描述。该研究确定了一个预训练统计量，即二元语法条件熵，作为该分布尺度参数增长的关键预测因子。这一预测定律适用于各种学习率和模型架构，表明数据可预测性与训练过程中模型权重缩放之间存在基本关系。
-
威布尔框架揭示了 transformer 中的 AdamW 训练动力学
一篇新的研究论文探讨了 transformer 模型在 AdamW 训练过程中权重尺度参数的演化。该研究将平方权重范数分解为三个力，确定了对齐力、注入力和衰减力是关键驱动因素。对 Pythia-70M 模型的分析表明，在权重尺度增长阶段，对齐力占主导地位，而在接近饱和时，对齐力和衰减力达到平衡，导致松弛。研究人员还开发了一种样条位移方法，可以从稀疏检查点中准确恢复对齐力。
-
TabSurv 改进表格神经网络在生存分析中的应用
研究人员推出了一种新颖的方法 TabSurv，它将现代表格神经网络架构应用于生存分析任务。该方法使用了一种名为 SurvHL 的新直方图损失函数，该函数旨在有效处理删失数据。研究表明，TabSurv，特别是当作为具有 Weibull 参数化的深度集成实现时，在各种真实世界生存数据集上的表现优于现有的经典和深度学习基线。
-
SHIFT估计器改进了重尾数据的鲁棒双重机器学习
研究人员开发了SHIFT，一种用于双重机器学习（DML）管道的新型鲁棒估计器，旨在处理重尾数据污染。SHIFT结合了交叉拟合干扰正交化、核局部Welsch损失第二阶段和防御性普通最小二乘法重新拟合。该方法在存在异常值的情况下显著提高了准确性，在压力测试中将均方根误差（RMSE）从1.03降低到0.33，并实现了异常值掩码恢复的高F1分数。