Kui te veel ei teadnud

Kui te veel ei teadnud

Ajatempel: 7. november 2023 kell 1:19
Allikasõlm: 2969389

Graafika konvolutsiooniline korduv närvivõrk (GCRNN) google
Graafikuprotsessid modelleerivad mitmeid olulisi probleeme, nagu maavärina epitsentri tuvastamine või ilmastiku ennustamine. Selles artiklis pakume välja Graph Convolutional Recurrent Neural Network (GCRNN) arhitektuuri, mis on spetsiaalselt kohandatud nende probleemide lahendamiseks. GCRNN-id kasutavad konvolutsioonifiltripanku, et hoida treenitavate parameetrite arv sõltumatuna graafiku suurusest ja vaadeldavatest ajajadadest. Samuti pakkusime välja Gated GCRNN-id, GCRNN-ide ajapiiranguga variatsiooni, mis sarnaneb LSTM-idega. Võrreldes GNN-ide ja teise graafiku korduva arhitektuuriga katsetes, mis kasutavad nii sünteetilisi kui ka reaalsõnalisi andmeid, parandavad GCRNN-id märkimisväärselt jõudlust, kasutades oluliselt vähem parameetreid. …

Retecs google
Testimine pidevas integratsioonis (CI) hõlmab testjuhtumite prioritiseerimist, valimist ja täitmist igas tsüklis. Vigade tuvastamiseks kõige lootustandvamate testjuhtumite valimine on keeruline, kui on ebaselge tehtud koodimuudatuste mõju või kui koodi ja testide vahelised jälgitavuslingid pole saadaval. Selles artiklis tutvustatakse Retecsi – uut meetodit CI-s testjuhtumite valimise ja prioriseerimise automaatseks õppimiseks, mille eesmärk on minimeerida edasi-tagasi aega koodi sisestamise ja arendaja tagasiside vahel ebaõnnestunud testjuhtumite puhul. Retecsi meetod kasutab tugevdusõpet, et valida ja seada tähtsuse järjekorda testjuhtumid vastavalt nende kestusele, eelmisele täitmisele ja rikete ajaloole. Pidevalt muutuvas keskkonnas, kus luuakse uusi testjuhtumeid ja kustutatakse aegunud testjuhtumeid, õpib Retecsi meetod premeerimisfunktsiooni juhtimisel ja eelnevaid CI tsükleid jälgides järjestama veaohtlikke testjuhtumeid. Rakendades Retecsi kolmest tööstuslikust juhtumiuuringust saadud andmetele, näitame esimest korda, et tugevdusõpe võimaldab viljakat automaatset adaptiivset testijuhtumit valida ja prioriseerida CI-s ja regressioonitestides. …

Rahvahulkade tarkus (WOC) google
Rahvahulga tarkus on pigem üksikisikute rühma kui üksiku eksperdi kollektiivne arvamus. Suure rühma koondatud vastused küsimustele, mis hõlmavad kvantiteedi hindamist, üldist maailmateadmist ja ruumilist arutluskäiku, on üldiselt leitud olevat sama head ja sageli paremad kui mõne grupi isiku antud vastus. Selle nähtuse seletus seisneb selles, et iga üksiku otsusega on seotud omapärane müra ja suure arvu vastuste keskmise võtmine aitab mingil moel selle müra mõju tühistada.[1] Kuigi see protsess pole teabeajastul uus, on sotsiaalse teabe saidid, nagu Wikipedia, Yahoo!, tõstnud peavoolu tähelepanu keskpunkti. Answers, Quora ja muud veebiressursid, mis põhinevad inimeste arvamusel.[2] Žürii kohtuprotsessi võib mõista rahvahulga tarkusena, eriti kui võrrelda seda alternatiivse, kohtuniku, üksiku eksperdi kohtupidamisega. Poliitikas peetakse mõnikord sorteerimist eeskujuks selle kohta, kuidas rahvatarkus välja näeb. Otsustamine toimuks üsna homogeense fraktsiooni või erakonna asemel mitmekesine rühmitus. Kognitiivteaduste alased uuringud on püüdnud modelleerida seost rahvahulga mõjude tarkuse ja individuaalse tunnetuse vahel.
WoCE: raamistik ansamblite rühmitamiseks, kasutades ära rahvahulkade teooria tarkust ...

Sparse Weighted Canonical Correlation Analysis (SWCCA) google
Arvestades kahte andmemaatriksit $X$ ja $Y$, peab hõre kanooniline korrelatsioonianalüüs (SCCA) otsima kahte hõredat kanoonilist vektorit $u$ ja $v$, et maksimeerida korrelatsiooni $Xu$ ja $Yv$ vahel. Klassikalised ja hõredad CCA-mudelid arvestavad aga kõigi andmemaatriksite valimitega ega suuda seega tuvastada konkreetset valimite alamhulka. Selleks pakume välja uudse hõredalt kaalutud kanoonilise korrelatsioonianalüüsi (SWCCA), kus erinevate proovide reguleerimiseks kasutatakse kaalusid. Lahendame $L_0$-regulariseeritud SWCCA ($L_0$-SWCCA), kasutades vahelduvat iteratiivset algoritmi. Rakendame $L_0$-SWCCA sünteetiliste andmete ja reaalmaailma andmete jaoks, et näidata selle tõhusust ja paremust võrreldes seotud meetoditega. Lõpuks võtame arvesse ka SWCCA-d erinevate karistustega, nagu LASSO (väikseima absoluutse kahanemise ja valiku operaator) ja Group LASSO, ning laiendame seda rohkem kui kolme andmemaatriksi integreerimiseks. …

Ajatempel:

Veel alates AnalytiXon