Jos et tiennyt jo

Jos et tiennyt jo

Aikaleima: 7. marraskuuta 2023 1
Lähdesolmu: 2969389

Graph Convolutional Recurrent Neural Network (GCRNN) Google
Graafiprosessit mallintavat useita tärkeitä ongelmia, kuten maanjäristyksen keskuksen tunnistamista tai sään ennustamista. Tässä artikkelissa ehdotamme Graph Convolutional Recurrent Neural Network (GCRNN) -arkkitehtuuria, joka on erityisesti räätälöity käsittelemään näitä ongelmia. GCRNN:t käyttävät konvoluutiosuodatinpankkeja pitämään opetettavien parametrien määrän riippumattomana kaavion koosta ja tarkasteltavista aikajaksoista. Esitimme myös portitetut GCRNN:t, aikaportitetun GCRNN:n muunnelman, joka muistuttaa LSTM:itä. Verrattuna GNN:ihin ja toiseen graafisen toistuvaan arkkitehtuuriin kokeissa, joissa käytettiin sekä synteettistä että todellista sanadataa, GCRNN:t parantavat merkittävästi suorituskykyä ja käyttävät huomattavasti vähemmän parametreja. …

Retecs Google
Testaus jatkuvassa integraatiossa (CI) sisältää testitapausten priorisoinnin, valinnan ja suorittamisen jokaisessa syklissä. Lupaavimpien testitapausten valitseminen virheiden havaitsemiseksi on vaikeaa, jos on epävarmuutta tehtyjen koodimuutosten vaikutuksista tai jos koodin ja testien välisiä jäljitettävyyslinkkejä ei ole saatavilla. Tässä artikkelissa esitellään Retecs, uusi menetelmä testitapausten valinnan ja priorisoinnin automaattiseen oppimiseen CI:ssä. Tavoitteena on minimoida kiertoaika koodisitoumusten ja epäonnistuneiden testitapausten kehittäjien palautteen välillä. Retecs-menetelmä käyttää vahvistusoppimista testitapausten valitsemiseen ja priorisoimiseen niiden keston, edellisen viimeisen suorituskerran ja vikahistorian mukaan. Jatkuvasti muuttuvassa ympäristössä, jossa uusia testitapauksia luodaan ja vanhentuneita testitapauksia poistetaan, Retecs-menetelmä oppii priorisoimaan virhealttiita testitapauksia korkeammalle palkitsemisfunktion ohjauksessa ja aikaisempia CI-syklejä tarkkailemalla. Käyttämällä Retecsiä kolmesta teollisesta tapaustutkimuksesta saatuihin tietoihin osoitamme ensimmäistä kertaa, että vahvistusoppiminen mahdollistaa hedelmällisen automaattisen adaptiivisen testitapauksen valinnan ja priorisoinnin CI- ja regressiotestauksessa. …

Väkijoukon viisaus (WOC) Google
Väkijoukon viisaus on pikemminkin ryhmän mielipide kuin yksittäisen asiantuntijan mielipide. Suuren ryhmän kootut vastaukset kysymyksiin, jotka koskevat määräarviointia, yleistä maailmantietoa ja spatiaalista päättelyä, on yleensä havaittu olevan yhtä hyviä ja usein parempia kuin kenen tahansa ryhmään kuuluvan henkilön antama vastaus. Selitys tälle ilmiölle on se, että jokaiseen yksittäiseen tuomioon liittyy omaperäistä kohinaa, ja useiden vastausten keskiarvon ottaminen auttaa jossain määrin kumoamaan tämän kohinan vaikutuksen.[1] Vaikka tämä prosessi ei olekaan uusi informaation aikakaudelle, se on nostettu valtavirran valokeilaan sosiaalisissa tietosivustoissa, kuten Wikipedia, Yahoo! Answers, Quora ja muut verkkoresurssit, jotka perustuvat ihmisten mielipiteisiin.[2] Valamiehistön oikeudenkäynti voidaan ymmärtää joukon viisaudeksi, varsinkin kun sitä verrataan vaihtoehtoiseen, tuomarin, yksittäisen asiantuntijan, oikeudenkäyntiin. Politiikassa erottelua pidetään joskus esimerkkinä siitä, miltä joukon viisaus näyttäisi. Päätöksenteko tapahtuisi monimuotoisessa ryhmässä melko homogeenisen poliittisen ryhmän tai puolueen sijaan. Kognitiotieteen tutkimuksessa on pyritty mallintamaan joukkovaikutusten viisauden ja yksilöllisen kognition välistä suhdetta.
WoCE: puitteet kokonaisuuden klusteroimiseksi hyödyntämällä Crowds-teorian viisautta ...

Sparse Weighted Canonical Correlation Analysis (SWCCA) Google
Kun otetaan huomioon kaksi datamatriisia $X$ ja $Y$, harvaan kanonisen korrelaatioanalyysin (SCCA) tarkoituksena on etsiä kaksi harvaa kanonista vektoria $u$ ja $v$ korrelaation maksimoimiseksi $Xu$ ja $Yv$ välillä. Klassiset ja harvat CCA-mallit kuitenkin ottavat huomioon kaikkien datamatriisien näytteiden panoksen, eivätkä siten pysty tunnistamaan taustalla olevaa tiettyä näytteiden alajoukkoa. Tätä tarkoitusta varten ehdotamme uudenlaista harvapainotteista kanonista korrelaatioanalyysiä (SWCCA), jossa painoja käytetään eri näytteiden laillistamiseen. Ratkaisemme $L_0$-säännöllisen SWCCA:n ($L_0$-SWCCA) käyttämällä vuorottelevaa iteratiivista algoritmia. Käytämme $L_0$-SWCCA:ta synteettiseen dataan ja todelliseen dataan osoittaaksemme sen tehokkuuden ja paremmuuden vastaaviin menetelmiin verrattuna. Lopuksi harkitsemme myös SWCCA:ta erilaisilla rangaistuksilla, kuten LASSO (pienin absoluuttinen kutistuminen ja valintaoperaattori) ja Group LASSO, ja laajennamme sitä useamman kuin kolmen datamatriisin integroimiseksi. …

Aikaleima:

Lisää aiheesta AnalytiXon