Se non lo sapessi già

Se non lo sapessi già

Timestamp: 7 novembre 2023 1:19
Nodo di origine: 2969389

Grafico della rete neurale ricorrente convoluzionale (GCRNN) google
I processi grafici modellano una serie di problemi importanti come l'identificazione dell'epicentro di un terremoto o la previsione del tempo. In questo articolo, proponiamo un'architettura di rete neurale ricorrente convoluzionale a grafo (GCRNN) specificatamente adattata per affrontare questi problemi. I GCRNN utilizzano banchi di filtri convoluzionali per mantenere il numero di parametri addestrabili indipendenti dalla dimensione del grafico e dalle sequenze temporali considerate. Proponiamo anche Gated GCRNN, una variazione temporale dei GCRNN simile agli LSTM. Se confrontati con i GNN e un'altra architettura ricorrente di grafici negli esperimenti che utilizzano dati sia sintetici che reali, i GCRNN migliorano significativamente le prestazioni utilizzando notevolmente meno parametri. …

Retecs google
Il test in Continuous Integration (CI) prevede la definizione delle priorità, la selezione e l'esecuzione dei test case ad ogni ciclo. Selezionare i casi di test più promettenti per rilevare i bug è difficile se ci sono incertezze sull'impatto delle modifiche al codice apportate o se i collegamenti di tracciabilità tra codice e test non sono disponibili. Questo articolo introduce Retecs, un nuovo metodo per l'apprendimento automatico della selezione e della definizione delle priorità dei casi di test in CI con l'obiettivo di ridurre al minimo il tempo di andata e ritorno tra il commit del codice e il feedback degli sviluppatori sui casi di test falliti. Il metodo Retecs utilizza l'apprendimento per rinforzo per selezionare e dare priorità ai casi di test in base alla loro durata, all'ultima esecuzione precedente e alla cronologia dei fallimenti. In un ambiente in costante cambiamento, in cui vengono creati nuovi casi di test e quelli obsoleti vengono eliminati, il metodo Retecs impara a dare priorità ai casi di test soggetti a errori più in alto sotto la guida di una funzione di ricompensa e osservando i cicli CI precedenti. Applicando Retecs sui dati estratti da tre casi di studio industriali, mostriamo per la prima volta che l'apprendimento per rinforzo consente una fruttuosa selezione automatica adattiva dei casi di test e la definizione delle priorità nei test CI e di regressione. …

La saggezza della folla (WOC) google
La saggezza della folla è l’opinione collettiva di un gruppo di individui piuttosto che quella di un singolo esperto. Le risposte aggregate di un grande gruppo a domande che coinvolgono la stima della quantità, la conoscenza generale del mondo e il ragionamento spaziale si sono generalmente rivelate buone quanto, e spesso migliori, della risposta data da qualsiasi individuo all'interno del gruppo. Una spiegazione per questo fenomeno è che esiste un rumore idiosincratico associato a ogni giudizio individuale, e prendere la media su un gran numero di risposte aiuterà in qualche modo a cancellare l'effetto di questo rumore.[1] Questo processo, pur non essendo nuovo nell'era dell'informazione, è stato portato alla ribalta da siti di informazione sociale come Wikipedia, Yahoo! Risposte, Quora e altre risorse web che si basano sull'opinione umana.[2] Il processo con giuria può essere inteso come saggezza della folla, soprattutto se paragonato all'alternativa, il processo da parte di un giudice, il singolo esperto. In politica, a volte lo smistamento è considerato un esempio di come sarebbe la saggezza della folla. Il processo decisionale avverrebbe da un gruppo eterogeneo invece che da un gruppo o partito politico abbastanza omogeneo. La ricerca nell'ambito delle scienze cognitive ha cercato di modellare la relazione tra la saggezza degli effetti della folla e la cognizione individuale.
WoCE: un framework per il clustering di ensemble sfruttando la saggezza della teoria di Crowd ...

Analisi della correlazione canonica a peso sparso (SWCCA) google
Date due matrici di dati $X$ e $Y$, l'analisi della correlazione canonica sparsa (SCCA) consiste nel cercare due vettori canonici sparsi $u$ e $v$ per massimizzare la correlazione tra $Xu$ e $Yv$. Tuttavia, i modelli CCA classici e sparsi considerano il contributo di tutti i campioni delle matrici di dati e quindi non possono identificare uno specifico sottoinsieme di campioni sottostante. A tal fine, proponiamo una nuova analisi di correlazione canonica sparsa ponderata (SWCCA), in cui i pesi vengono utilizzati per regolarizzare campioni diversi. Risolviamo lo SWCCA regolarizzato $L_0$ ($L_0$-SWCCA) utilizzando un algoritmo iterativo alternato. Applichiamo $L_0$-SWCCA a dati sintetici e dati del mondo reale per dimostrarne l'efficacia e la superiorità rispetto ai metodi correlati. Infine, consideriamo anche SWCCA con penalità diverse come LASSO (operatore di contrazione e selezione minima assoluta) e LASSO di gruppo, e lo estendiamo per integrare più di tre matrici di dati. …

Timestamp:

Di più da AnalytiXon