إذا كنت لا تعرف بالفعل

إذا كنت لا تعرف بالفعل

الطابع الزمني: 7 نوفمبر 2023 الساعة 1:19 مساءً
عقدة المصدر: 2969389

الرسم البياني للشبكة العصبية المتكررة التلافيفية (GCRNN) جوجل
تمثل عمليات الرسم البياني عددًا من المشكلات المهمة مثل تحديد مركز الزلزال أو التنبؤ بالطقس. في هذا البحث، نقترح بنية الشبكة العصبية المتكررة (GCRNN) للرسم البياني المصممة خصيصًا للتعامل مع هذه المشكلات. تستخدم شبكات GCRNN بنوك التصفية التلافيفية للحفاظ على عدد المعلمات القابلة للتدريب بشكل مستقل عن حجم الرسم البياني والتسلسلات الزمنية التي تم النظر فيها. لقد طرحنا أيضًا شبكات GCRNN ذات البوابات، وهي عبارة عن شكل مختلف من شبكات GCRNN ذات البوابات الزمنية المشابهة لـ LSTMs. عند مقارنتها بشبكات GNN وبنية متكررة أخرى للرسم البياني في التجارب التي تستخدم كلاً من البيانات الاصطناعية وبيانات الكلمات الحقيقية، تعمل شبكات GCRNN على تحسين الأداء بشكل ملحوظ مع استخدام معلمات أقل بكثير. …

ريتيكس جوجل
يتضمن الاختبار في التكامل المستمر (CI) تحديد أولويات حالة الاختبار واختيارها وتنفيذها في كل دورة. يعد اختيار حالات الاختبار الواعدة لاكتشاف الأخطاء أمرًا صعبًا إذا كانت هناك شكوك حول تأثير تغييرات التعليمات البرمجية الملتزم بها، أو إذا لم تتوفر روابط التتبع بين التعليمات البرمجية والاختبارات. تقدم هذه الورقة Retecs، وهي طريقة جديدة للتعلم التلقائي لاختيار حالة الاختبار وتحديد الأولويات في CI بهدف تقليل وقت الرحلة ذهابًا وإيابًا بين عمليات تنفيذ التعليمات البرمجية وتعليقات المطورين على حالات الاختبار الفاشلة. تستخدم طريقة Retecs التعلم المعزز لتحديد حالات الاختبار وتحديد أولوياتها وفقًا لمدتها وآخر تنفيذ سابق وسجل الفشل. في بيئة متغيرة باستمرار، حيث يتم إنشاء حالات اختبار جديدة وحذف حالات اختبار قديمة، تتعلم طريقة Retecs تحديد أولويات حالات الاختبار المعرضة للخطأ بشكل أعلى بتوجيه من وظيفة المكافأة ومن خلال مراقبة دورات CI السابقة. من خلال تطبيق Retecs على البيانات المستخرجة من ثلاث دراسات حالة صناعية، نظهر لأول مرة أن التعلم المعزز يتيح اختيار حالة اختبار التكيف التلقائي المثمر وتحديد الأولويات في CI واختبار الانحدار. …

حكمة الحشود (WOC) جوجل
حكمة الجمهور هي الرأي الجماعي لمجموعة من الأفراد وليس رأي خبير واحد. لقد وُجد بشكل عام أن الإجابات المجمعة لمجموعة كبيرة على الأسئلة التي تتضمن تقدير الكمية، والمعرفة العامة بالعالم، والتفكير المكاني، جيدة مثل، وغالبًا ما تكون أفضل، من الإجابة التي يقدمها أي من الأفراد داخل المجموعة. تفسير هذه الظاهرة هو أن هناك ضجيجًا خاصًا يرتبط بكل حكم فردي، وأن أخذ المتوسط ​​لعدد كبير من الاستجابات سيقطع شوطًا نحو إلغاء تأثير هذا الضجيج.[1] هذه العملية، رغم أنها ليست جديدة في عصر المعلومات، فقد تم دفعها إلى دائرة الضوء الرئيسية من خلال مواقع المعلومات الاجتماعية مثل ويكيبيديا وياهو! الإجابات وQuora وموارد الويب الأخرى التي تعتمد على الرأي البشري.[2] يمكن فهم المحاكمة أمام هيئة محلفين على أنها حكمة الجمهور، خاصة عند مقارنتها بالمحاكمة البديلة، أي المحاكمة من قبل قاض، الخبير الوحيد. في السياسة، يُنظر أحيانًا إلى عملية الفرز كمثال لما قد تبدو عليه حكمة الجمهور. سيتم اتخاذ القرار من قبل مجموعة متنوعة بدلاً من مجموعة سياسية أو حزب متجانس إلى حد ما. سعى البحث في العلوم المعرفية إلى وضع نموذج للعلاقة بين حكمة تأثيرات الحشود والإدراك الفردي.
WoCE: إطار عمل للمجموعات العنقودية من خلال استغلال حكمة نظرية الحشود ...

تحليل الارتباط الكنسي المتناثر (SWCCA) جوجل
بالنظر إلى مصفوفتي بيانات $X$ و$Y$، فإن تحليل الارتباط القانوني المتناثر (SCCA) هو البحث عن متجهين أساسيين متفرقين $u$ و$v$ لتعظيم الارتباط بين $Xu$ و$Yv$. ومع ذلك، فإن نماذج التقييم القطري المشترك الكلاسيكية والمتفرقة تأخذ في الاعتبار مساهمة جميع عينات مصفوفات البيانات، وبالتالي لا يمكنها تحديد مجموعة فرعية محددة أساسية من العينات. ولتحقيق هذه الغاية، نقترح تحليل الارتباط القانوني المتناثر المتناثر (SWCCA)، حيث يتم استخدام الأوزان لتنظيم عينات مختلفة. نحن نحل مشكلة SWCCA $L_0$ المنتظمة ($L_0$-SWCCA) باستخدام خوارزمية تكرارية بديلة. نحن نطبق $L_0$-SWCCA على البيانات الاصطناعية وبيانات العالم الحقيقي لإثبات فعاليتها وتفوقها مقارنة بالطرق ذات الصلة. وأخيرًا، نعتبر أيضًا SWCCA بعقوبات مختلفة مثل LASSO (مشغل الانكماش والاختيار الأقل المطلق) ومجموعة LASSO، ونوسعها لدمج أكثر من ثلاث مصفوفات بيانات. …

الطابع الزمني:

اكثر من أناليتيكسون