PulseAugur
中
实时 14:49:12
实体 Wilcoxon signed-rank test

Wilcoxon signed-rank test

PulseAugur coverage of Wilcoxon signed-rank test — every cluster mentioning Wilcoxon signed-rank test across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
4
90 天内 7
发布 · 30天
0
90 天内 0
论文 · 30天
4
90 天内 7
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 7 条
  1. TOOL · CL_321718 ·

    轻量级Mamba-2模型在脑电图认知负荷分类中达到74.75%的准确率

    研究人员开发了FOCUS,这是一种基于Mamba-2的轻量级模型,用于使用脑电图(EEG)数据对认知负荷进行分类。该模型参数量仅为0.04百万,采用固定的快速傅里叶变换(FFT)分解来编码五个典型频带的EEG信号,而不是从数据中学习频率敏感性。在一项涉及11名参与者的试点研究中,FOCUS的准确率达到了74.75%,GPU前向延迟低至0.08毫秒,在性能和计算成本之间取得了良好的平衡,适用于受限环境。

  2. TOOL · CL_303622 ·

    FANTF:模糊注意力增强Transformer模型在时间序列分析中的性能

    研究人员推出FANTF,这是一种将模糊逻辑与Transformer架构相结合以增强时间序列分析的新方法。该方法采用受2型模糊集理论启发的模糊注意力机制,对注意力分数中的不确定性进行建模,从而提高对时间关系的捕捉能力。FANTF可以无缝集成到现有的Transformer模型中,例如PatchTST和iTransformer,以提高它们在预测、分类和异常检测任务中的性能。实验表明,FANTF在标准Transformer模型的基础上取得了统…

  3. TOOL · CL_298468 ·

    研究:精调策略而非仅数据影响HR AI偏见

    arXiv上发表的一项新研究调查了用于HR推荐系统的嵌入模型中的性别和刻板印象偏见。研究人员发现,精调策略而非仅使用的数据,对偏见水平有显著影响。具体而言,E5-Base模型的知识蒸馏精调被证明会增加偏见,这一发现得到了独立基准测试中刻板印象模式的佐证。相比之下,二元分类精调并未产生统计上显著的偏见变化。

  4. TOOL · CL_284885 ·

    新型AI模型简化膝关节MRI以检测骨关节炎

    研究人员开发了一种新颖的多任务条件生成对抗网络(MT-cGAN),旨在提高定量MRI(qMRI)在早期骨关节炎检测中的效率。该网络能够直接从回波图像中同时合成高分辨率的DESS类图像并分割膝关节软骨和半月板,无需单独进行耗时的形态学扫描。在对508个膝关节MRI数据集的评估中,MT-cGAN表现出优越的分割精度,平均Dice得分为0.84,并能提供可靠的 $T_{1\rho}$ 和 $T_2$ 定量化结果,变异系数低(分别为1.84%…

  5. TOOL · CL_208581 ·

    WEASEL 2.0 时间序列分类器通过自适应集成规则进行再审视

    研究人员重新审视了 WEASEL 2.0 时间序列分类算法,并在 114 个 UCR 数据集上确认了其性能,平均准确率为 0.865。研究发现,下游分类器、特征加权和最大窗口大小规则是稳健的,但最大集成大小规则对于较长序列而言配置过度。这促使开发了一种自适应规则,该规则根据序列长度和类别数量调整集成大小,从而在准确性影响极小的情况下显著减少了内存和计算时间。

  6. TOOL · CL_180720 ·

    新型FFCResNet模型实现心电图间隔的精确测量

    研究人员开发了一种新颖的快速傅里叶卷积ResNet (FFCResNet) 模型,用于自动心电图分析。该模型在10,646例临床心电图的大型队列中,分别以17.5毫秒和14.8毫秒的平均绝对误差,精确测量了QT和QRS波群时程等关键心电图间隔。尽管存在统计学上的显著偏差,但在窦性心律下,这些偏差仍保持在观察者间变异性之内或接近观察者间变异性。FFCResNet在波形分割方面也表现出强大的性能,P波、QRS波群和T波的Dice分数均超过95%。

  7. TOOL · CL_123079 ·

    新的RadiomicNet架构通过可解释的人工智能增强医学图像分割

    研究人员开发了RadiomicNet,这是一种新颖的深度学习医学图像分割架构,它集成了手工制作的放射组学特征,以增强可解释性并降低计算需求。这种混合方法使用带有灰度共生矩阵(GLCM)和局部二值模式(LBP)特征的放射组学注意力门(RAG),来指导轻量级MobileNetV2编码器-解码器中的注意力。RadiomicNet在乳腺超声图像(BUSI)数据集和Kvasir-SEG上取得了有竞争力的性能,同时使用的参数比标准的U-Net和U…