اگر قبلا نمی دانستید

اگر قبلا نمی دانستید

تمبر زمان: 7 نوامبر 2023، 1:19 بعد از ظهر
گره منبع: 2969389

گراف شبکه عصبی کانولوشنال بازگشتی (GCRNN) گوگل
فرآیندهای نمودار تعدادی از مشکلات مهم مانند شناسایی مرکز زلزله یا پیش بینی آب و هوا را مدل می کنند. در این مقاله، ما یک معماری شبکه عصبی کانولوشنال بازگشتی (GCRNN) را پیشنهاد می کنیم که به طور خاص برای مقابله با این مشکلات طراحی شده است. GCRNN ها از بانک های فیلتر کانولوشنی برای حفظ تعداد پارامترهای قابل آموزش مستقل از اندازه نمودار و توالی های زمانی در نظر گرفته شده استفاده می کنند. ما همچنین Gated GCRNN را ارائه کردیم، یک نوع GCRNN با دریچه زمانی شبیه به LSTMs. در مقایسه با GNN ها و یک معماری تکرارشونده گراف دیگر در آزمایش هایی که از داده های مصنوعی و واقعی استفاده می کنند، GCRNN ها به طور قابل توجهی عملکرد را بهبود می بخشند در حالی که از پارامترهای بسیار کمتری استفاده می کنند. …

Retecs گوگل
تست در یکپارچگی پیوسته (CI) شامل اولویت‌بندی، انتخاب و اجرا در هر چرخه است. در صورت عدم قطعیت در مورد تأثیر تغییرات کد متعهد یا اگر پیوندهای قابلیت ردیابی بین کد و آزمایش ها در دسترس نباشد، انتخاب امیدوارکننده ترین موارد آزمایش برای شناسایی اشکالات دشوار است. این مقاله Retecs را معرفی می‌کند، یک روش جدید برای یادگیری خودکار انتخاب مورد تست و اولویت‌بندی در CI با هدف به حداقل رساندن زمان رفت و برگشت بین تعهد کد و بازخورد توسعه‌دهنده در مورد موارد آزمایشی ناموفق. روش Retecs از یادگیری تقویتی برای انتخاب و اولویت بندی موارد تست با توجه به مدت زمان، آخرین اجرای قبلی و تاریخچه شکست استفاده می کند. در یک محیط دائما در حال تغییر، که در آن موارد تست جدید ایجاد می‌شوند و موارد تست منسوخ حذف می‌شوند، روش Retecs یاد می‌گیرد که موارد تست مستعد خطا را تحت هدایت تابع پاداش و با مشاهده چرخه‌های CI قبلی اولویت‌بندی کند. با استفاده از Retecs بر روی داده‌های استخراج‌شده از سه مطالعه موردی صنعتی، ما برای اولین بار نشان می‌دهیم که یادگیری تقویتی، انتخاب مورد آزمون تطبیقی ​​خودکار و ثمربخش و اولویت‌بندی در آزمون CI و رگرسیون را ممکن می‌سازد. …

حکمت جمعیت (WOC) گوگل
حکمت جمعیت، نظر جمعی گروهی از افراد است نه نظر یک متخصص. پاسخ‌های جمع‌آوری شده یک گروه بزرگ به سؤالات مربوط به تخمین کمیت، دانش عمومی جهان و استدلال فضایی معمولاً به خوبی و اغلب بهتر از پاسخ‌هایی است که هر یک از افراد در گروه ارائه می‌دهند. توضیحی برای این پدیده این است که با هر قضاوت فردی، نویز خاصی وجود دارد و در نظر گرفتن میانگین تعداد زیادی از پاسخ‌ها، تا حدودی تأثیر این نویز را از بین می‌برد.[1] این فرآیند، اگرچه برای عصر اطلاعات جدید نیست، اما توسط سایت‌های اطلاعات اجتماعی مانند ویکی‌پدیا، یاهو به کانون توجه اصلی رفته است! پاسخ ها، Quora، و سایر منابع وب که بر عقاید انسانی تکیه دارند.[2] محاکمه توسط هیئت منصفه را می توان به عنوان خرد جمعیت درک کرد، به ویژه هنگامی که با روش جایگزین، محاکمه توسط یک قاضی، یعنی کارشناس مجرد مقایسه شود. در سیاست، گاهی اوقات طبقه بندی به عنوان نمونه ای از اینکه خرد جمعیت چگونه است، برگزار می شود. تصمیم گیری توسط یک گروه متنوع به جای یک گروه یا حزب سیاسی نسبتاً همگن اتفاق می افتد. تحقیقات در علوم شناختی به دنبال مدل سازی رابطه بین خرد تأثیرات جمعیت و شناخت فردی است.
WoCE: چارچوبی برای خوشه بندی مجموعه با بهره برداری از حکمت نظریه Crowds ...

تجزیه و تحلیل همبستگی متعارف وزنی پراکنده (SWCCA) گوگل
با توجه به دو ماتریس داده $X$ و $Y$، تجزیه و تحلیل همبستگی متعارف پراکنده (SCCA) به دنبال دو بردار متعارف پراکنده $u$ و $v$ برای به حداکثر رساندن همبستگی بین $Xu$ و $Yv$ است. با این حال، مدل‌های کلاسیک و پراکنده CCA سهم همه نمونه‌های ماتریس داده را در نظر می‌گیرند و بنابراین نمی‌توانند زیرمجموعه خاصی از نمونه‌ها را شناسایی کنند. برای این منظور، ما یک تحلیل همبستگی متعارف وزنی پراکنده (SWCCA) را پیشنهاد می‌کنیم، که در آن از وزن‌ها برای منظم کردن نمونه‌های مختلف استفاده می‌شود. ما SWCCA تنظیم‌شده $L_0$ ($L_0$-SWCCA) را با استفاده از یک الگوریتم تکراری متناوب حل می‌کنیم. ما L_0$-SWCCA را برای داده‌های مصنوعی و داده‌های دنیای واقعی اعمال می‌کنیم تا اثربخشی و برتری آن را در مقایسه با روش‌های مرتبط نشان دهیم. در نهایت، ما همچنین SWCCA را با مجازات‌های مختلف مانند LASSO (کمترین عملگر انقباض و انتخاب مطلق) و گروه LASSO در نظر می‌گیریم و آن را برای ادغام بیش از سه ماتریس داده گسترش می‌دهیم. …

تمبر زمان:

بیشتر از AnalytiXon