Hvis du ikke allerede vidste det

Hvis du ikke allerede vidste det

Tidsstempel: 7. november 2023 kl. 1:19
Kildeknude: 2969389

Graph Convolutional Recurrent Neural Network (GCRNN) Google
Grafprocesser modellerer en række vigtige problemer, såsom at identificere epicentret af et jordskælv eller forudsige vejret. I dette papir foreslår vi en Graph Convolutional Recurrent Neural Network (GCRNN) arkitektur, der er specielt skræddersyet til at håndtere disse problemer. GCRNN'er bruger foldningsfilterbanker til at holde antallet af parametre, der kan trænes, uafhængigt af størrelsen af ​​grafen og af de betragtede tidssekvenser. Vi fremlagde også Gated GCRNN'er, en tidsstyret variation af GCRNN'er beslægtet med LSTM'er. Sammenlignet med GNN'er og en anden grafisk tilbagevendende arkitektur i eksperimenter, der bruger både syntetiske og rigtige ord-data, forbedrer GCRNN'er ydeevnen betydeligt, mens de bruger betydeligt færre parametre. …

Retecs Google
Test i kontinuerlig integration (CI) involverer prioritering, udvælgelse og udførelse af testcase ved hver cyklus. Det er svært at vælge de mest lovende testcases til at opdage fejl, hvis der er usikkerhed om virkningen af ​​forpligtede kodeændringer, eller hvis sporbarhedsforbindelser mellem kode og test ikke er tilgængelige. Dette papir introducerer Retecs, en ny metode til automatisk at lære testcase-valg og -prioritering i CI med det mål at minimere rundturstiden mellem kode-commits og udviklerfeedback på mislykkede testcases. Retecs-metoden bruger forstærkningslæring til at udvælge og prioritere testcases i henhold til deres varighed, sidste sidste udførelse og fejlhistorik. I et konstant skiftende miljø, hvor nye testcases skabes og forældede testcases slettes, lærer Retecs-metoden at prioritere fejltilbøjelige testcases højere under vejledning af en belønningsfunktion og ved at observere tidligere CI-cyklusser. Ved at anvende Retecs på data udtrukket fra tre industrielle casestudier viser vi for første gang, at forstærkende læring muliggør frugtbar automatisk adaptiv testcase-udvælgelse og prioritering i CI og regressionstest. …

Wisdom of Crowds (WOC) Google
Mængdens visdom er en gruppe af individers kollektive mening snarere end en enkelt eksperts. En stor gruppes aggregerede svar på spørgsmål, der involverer mængdeestimering, generel verdenskendskab og rumlig ræsonnement, har generelt vist sig at være lige så gode som og ofte bedre end svaret givet af nogen af ​​individerne i gruppen. En forklaring på dette fænomen er, at der er idiosynkratisk støj forbundet med hver enkelt bedømmelse, og at tage gennemsnittet over et stort antal svar vil gå et stykke vej i retning af at annullere effekten af ​​denne støj.[1] Denne proces, selvom den ikke er ny i informationsalderen, er blevet skubbet ind i mainstream-rampelyset af sociale informationssider som Wikipedia, Yahoo! Answers, Quora og andre webressourcer, der er afhængige af menneskelig mening.[2] Retssag af jury kan forstås som visdom fra mængden, især sammenlignet med den alternative, retssag af en dommer, den enkelte ekspert. I politik er sortering nogle gange holdt som et eksempel på, hvordan visdom fra mængden ville se ud. Beslutningstagning ville ske af en forskelligartet gruppe i stedet for af en ret homogen politisk gruppe eller parti. Forskning inden for kognitiv videnskab har søgt at modellere forholdet mellem visdom of the crowd-effekter og individuel kognition.
WoCE: en ramme for clustering af ensemble ved at udnytte Crowds-teoriens visdom ...

Sparse Weighted Canonical Correlation Analysis (SWCCA) Google
Givet to datamatricer $X$ og $Y$ er sparse kanonisk korrelationsanalyse (SCCA) at søge to sparsomme kanoniske vektorer $u$ og $v$ for at maksimere korrelationen mellem $Xu$ og $Yv$. Klassiske og sparsomme CCA-modeller overvejer dog bidraget fra alle prøverne af datamatricer og kan således ikke identificere en underliggende specifik undergruppe af prøver. Til dette formål foreslår vi en ny sparsevægtet kanonisk korrelationsanalyse (SWCCA), hvor vægte bruges til at regulere forskellige prøver. Vi løser den $L_0$-regulariserede SWCCA ($L_0$-SWCCA) ved hjælp af en alternerende iterativ algoritme. Vi anvender $L_0$-SWCCA på syntetiske data og data fra den virkelige verden for at demonstrere deres effektivitet og overlegenhed sammenlignet med relaterede metoder. Til sidst betragter vi også SWCCA med forskellige sanktioner som LASSO (mindst absolut svind- og udvælgelsesoperatør) og Group LASSO og udvider den til at integrere mere end tre datamatricer. …

Tidsstempel:

Mere fra AnalytiXon