Si aún no lo sabías

Si aún no lo sabías

Marca de tiempo: 7 de noviembre de 2023 1:19 p.m.
Nodo de origen: 2969389

Gráfico de red neuronal recurrente convolucional (GCRNN) google
Los procesos gráficos modelan una serie de problemas importantes, como identificar el epicentro de un terremoto o predecir el clima. En este artículo, proponemos una arquitectura de red neuronal recurrente convolucional gráfica (GCRNN) diseñada específicamente para abordar estos problemas. Los GCRNN utilizan bancos de filtros convolucionales para mantener el número de parámetros entrenables independientemente del tamaño del gráfico y de las secuencias de tiempo consideradas. También presentamos GCRNN cerrados, una variación de GCRNN con control de tiempo similar a los LSTM. En comparación con los GNN y otra arquitectura gráfica recurrente en experimentos que utilizan datos sintéticos y reales, los GCRNN mejoran significativamente el rendimiento y utilizan considerablemente menos parámetros. …

Retecs google
Las pruebas en integración continua (CI) implican la priorización, selección y ejecución de casos de prueba en cada ciclo. Seleccionar los casos de prueba más prometedores para detectar errores es difícil si existen incertidumbres sobre el impacto de los cambios de código comprometidos o si no están disponibles vínculos de trazabilidad entre el código y las pruebas. Este artículo presenta Retecs, un nuevo método para aprender automáticamente a seleccionar y priorizar casos de prueba en CI con el objetivo de minimizar el tiempo de ida y vuelta entre las confirmaciones de código y los comentarios de los desarrolladores sobre casos de prueba fallidos. El método Retecs utiliza el aprendizaje por refuerzo para seleccionar y priorizar casos de prueba según su duración, última ejecución anterior e historial de fallas. En un entorno en constante cambio, donde se crean nuevos casos de prueba y se eliminan casos de prueba obsoletos, el método Retecs aprende a priorizar los casos de prueba propensos a errores bajo la guía de una función de recompensa y observando ciclos de CI anteriores. Al aplicar Retecs a datos extraídos de tres estudios de casos industriales, mostramos por primera vez que el aprendizaje por refuerzo permite una fructífera selección y priorización automática de casos de prueba adaptativos en CI y pruebas de regresión. …

Sabiduría de las multitudes (WOC) google
La sabiduría de la multitud es la opinión colectiva de un grupo de individuos y no la de un solo experto. En general, se ha descubierto que las respuestas agregadas de un grupo grande a preguntas que involucran estimación de cantidades, conocimiento general del mundo y razonamiento espacial son tan buenas, y a menudo mejores, que la respuesta dada por cualquiera de los individuos dentro del grupo. Una explicación para este fenómeno es que existe un ruido idiosincrásico asociado con cada juicio individual, y tomar el promedio de un gran número de respuestas contribuirá en cierta medida a cancelar el efecto de este ruido.[1] Este proceso, si bien no es nuevo en la era de la información, ha sido puesto en el foco de atención por sitios de información social como Wikipedia, Yahoo! Answers, Quora y otros recursos web que se basan en la opinión humana.[2] El juicio por jurado puede entenderse como la sabiduría de la multitud, especialmente si se compara con la alternativa, el juicio por un juez, un único experto. En política, a veces el sorteo se considera un ejemplo de cómo sería la sabiduría de la multitud. La toma de decisiones la tomaría un grupo diverso en lugar de un grupo o partido político bastante homogéneo. La investigación dentro de la ciencia cognitiva ha buscado modelar la relación entre los efectos de la sabiduría de la multitud y la cognición individual.
WoCE: un marco para agrupar conjuntos aprovechando la sabiduría de la teoría de multitudes ...

Análisis de correlación canónica ponderada dispersa (SWCCA) google
Dadas dos matrices de datos $X$ e $Y$, el análisis de correlación canónica dispersa (SCCA) consiste en buscar dos vectores canónicos dispersos $u$ y $v$ para maximizar la correlación entre $Xu$ e $Yv$. Sin embargo, los modelos CCA clásicos y dispersos consideran la contribución de todas las muestras de matrices de datos y, por lo tanto, no pueden identificar un subconjunto específico de muestras subyacente. Con este fin, proponemos un novedoso análisis de correlación canónica ponderada dispersa (SWCCA), donde se utilizan ponderaciones para regularizar diferentes muestras. Resolvemos el SWCCA $L_0$-regularizado ($L_0$-SWCCA) usando un algoritmo iterativo alterno. Aplicamos $L_0$-SWCCA a datos sintéticos y datos del mundo real para demostrar su efectividad y superioridad en comparación con métodos relacionados. Por último, consideramos también SWCCA con diferentes penalizaciones como LASSO (operador de selección y contracción mínima absoluta) y LASSO de grupo, y lo ampliamos para integrar más de tres matrices de datos. …

Sello de tiempo:

Mas de Análisis