XGBoost
PulseAugur coverage of XGBoost — every cluster mentioning XGBoost across labs, papers, and developer communities, ranked by signal.
- used by Shap 80%
- uses Shap 80%
- competes with LightGBM 70%
- competes with Catboost 70%
- competes with TabPFN 70%
- instance of support vector machine 70%
- instance of machine learning 70%
- used by long short-term memory 60%
- competes with long short-term memory 60%
- competes with random forest 50%
- used by LightGBM 50%
- affiliated with Shap 50%
12 天有情绪数据
-
AI模型利用数字学习轨迹预测有风险的学生
研究人员调查了旨在利用数字学习轨迹识别高等教育中高风险学生的预测模型的泛化性。通过分析两所大学本科计算机科学课程的数据，研究发现与自我调节学习相关的行为，如时间管理和持续参与，是学生风险的有力预测指标。虽然模型可以在课程早期预测高风险学生，但当应用于不同机构时，其性能会下降，尤其是在高风险学生的基础发生率不同时。
-
AI frameworks improve knee osteoarthritis grading with new learning and explainability methods
Two new research papers propose advanced AI methods for grading knee osteoarthritis from X-ray images. One paper, H-SemiS, utilizes a hierarchical fusion of semi-supervised and self-supervised learning to address class …
-
XGBoost驱动的LUT-Opt通过最小的质量损失优化实时渲染参数
研究人员开发了LUT-Opt，一个旨在优化实时应用渲染参数的新框架，特别是在资源受限的设备上。该系统使用离线训练的XGBoost模型来预测渲染时间和质量，然后将其提炼成紧凑的查找表。这使得在运行时以最小的计算开销进行自适应的、逐帧的参数调整。
-
基础模型在疾病预测和射频损耗分类方面展现出潜力
研究人员评估了 Tabular Pre-Trained Foundation Network (TabPFN) 在预测轻度认知障碍向阿尔茨海默病转化方面的能力，发现在数据受限的情况下，其性能优于传统的机器学习模型。在另一项独立研究中，开发了一个结合众包用户设备数据和公共建筑信息的机器学习框架，用于对射频建筑损耗进行分类，为传统的测量方法提供了一种实用的替代方案。该框架在室外到室内和室内到室内的信号损耗预测准确性和置信度方面均有所提高。
-
用于可解释、公平和可观察医院再入院预测的集成框架：在 MIMIC-IV 上的开发与验证
研究人员开发了一种新的梯度正则化牛顿方案，以确保梯度提升决策树 (GBDT) 的全局收敛性，这是一种广泛用于表格机器学习的技术。该方法引入了一个自适应 L2 正则化项，实现了与 Nesterov 动量等一阶提升方法相当的收敛速度。数值实验表明，该新方案在标准牛顿提升可能发散的地方也能收敛。此外，另一项研究提出了一个用于从心电图中诊断射血分数的模态机器学习框架，实现了高精度并提供了可解释的特征。
-
可解释的机器学习揭示城市形态对热应力的影响，超越地表温度
研究人员开发了一个新框架，用于分析地表温度（LST）与以人为本的热应力指标（如通用热气候指数（UTCI））之间的差异。该研究使用地理加权XGBoost和广义相加模型等机器学习模型，揭示了城市形态对这些热量测量值影响的显著空间差异。研究结果表明，LST不能充分代表实际的人类热应力，尤其是在天空视野和反照率等对有效城市规划和热风险管理至关重要的因素方面。
-
机器学习视觉导览 (2015)
本资源集提供了机器学习的广泛概述，涵盖了从基础概念、视觉导览到理论基础和实际应用。它包括一个分类任务的视觉指南，对机器学习基准的科学和伦理的讨论，以及全面的教科书和课程材料的链接。此外，它还重点介绍了可解释机器学习的工具以及在生产环境中部署模型所需的工程实践。
-
MLC 支持在浏览器、iPhone 和 AMD 显卡上运行大型模型
由卡内基梅隆大学（CMU）的 Tianqi Chen 领导的机器学习编译（MLC）小组正在开发 MLC Chat 和 Web LLM 等框架，以支持在包括 iPhone 和网页浏览器在内的消费级硬件上运行大型语言模型。该计划旨在通过允许模型在配备 AMD 显卡甚至仅 CPU 的设备上本地运行，来缓解当前的 GPU 短缺问题。Hugging Face 的 text-to-webapp 生成器和 Gradio 等项目也在为开发者和最终用户…