당신이 아직 몰랐다면

당신이 아직 몰랐다면

타임 스탬프 : 7 년 2023 월 1 일 오후 19시
소스 노드 : 2969389

그래프 컨볼루셔널 순환 신경망(GCRNN) 구글
그래프 프로세스는 지진의 진원지 식별이나 날씨 예측과 같은 여러 가지 중요한 문제를 모델링합니다. 본 논문에서는 이러한 문제를 해결하기 위해 특별히 맞춤화된 GCRNN(Graph Convolutional Recurrent Neural Network) 아키텍처를 제안합니다. GCRNN은 컨볼루셔널 필터 뱅크를 사용하여 그래프 크기 및 고려되는 시간 순서와 관계없이 훈련 가능한 매개변수 수를 유지합니다. 우리는 또한 LSTM과 유사한 GCRNN의 시간 게이트 변형인 Gated GCRNN을 제시했습니다. 합성 데이터와 실제 단어 데이터를 모두 사용한 실험에서 GNN 및 다른 그래프 순환 아키텍처와 비교할 때 GCRNN은 훨씬 적은 매개변수를 사용하면서 성능을 크게 향상시킵니다. …

리텍스 구글
CI(지속적 통합) 테스트에는 각 주기마다 테스트 사례 우선 순위 지정, 선택 및 실행이 포함됩니다. 커밋된 코드 변경의 영향에 대한 불확실성이 있거나 코드와 테스트 간의 추적성 링크를 사용할 수 없는 경우 버그를 감지하기 위해 가장 유망한 테스트 사례를 선택하는 것은 어렵습니다. 이 문서에서는 실패한 테스트 사례에 대한 개발자 피드백과 코드 커밋 간의 왕복 시간을 최소화하기 위한 목표로 CI에서 테스트 사례 선택 및 우선 순위를 자동으로 학습하는 새로운 방법인 Retecs를 소개합니다. Retecs 방법은 강화 학습을 사용하여 기간, 이전 마지막 실행 및 실패 기록에 따라 테스트 사례를 선택하고 우선 순위를 지정합니다. 새로운 테스트 케이스가 생성되고 오래된 테스트 케이스가 삭제되는 끊임없이 변화하는 환경에서 Retecs 방법은 보상 기능의 안내와 이전 CI 주기를 관찰하여 오류가 발생하기 쉬운 테스트 케이스의 우선 순위를 높이는 방법을 학습합니다. 세 가지 산업 사례 연구에서 추출한 데이터에 Retecs를 적용함으로써 강화 학습을 통해 CI 및 회귀 테스트에서 유용한 자동 적응형 테스트 사례 선택 및 우선 순위 지정이 가능하다는 사실을 처음으로 보여줍니다. …

군중의 지혜(WOC) 구글
군중의 지혜는 단일 전문가의 의견이 아닌 개인 집단의 집단적 의견입니다. 수량 추정, 일반적인 세계 지식 및 공간적 추론과 관련된 질문에 대한 대규모 그룹의 집계된 답변은 일반적으로 그룹 내의 개인이 제공한 답변만큼 좋고 종종 더 나은 것으로 나타났습니다. 이 현상에 대한 설명은 각 개인의 판단과 관련된 특이한 잡음이 있으며, 많은 수의 응답에 대한 평균을 취하면 이 잡음의 효과를 상쇄하는 방향으로 나아갈 수 있다는 것입니다.[1] 이 프로세스는 정보화 시대에 새로운 것은 아니지만 Wikipedia, Yahoo!와 같은 소셜 정보 사이트에서 주류 스포트라이트를 받았습니다. 사람의 의견에 의존하는 Answers, Quora 및 기타 웹 리소스.[2] 배심원에 의한 재판은 군중의 지혜로 이해될 수 있으며, 특히 대안인 단일 전문가인 판사에 의한 재판과 비교할 때 더욱 그렇습니다. 정치에서는 때때로 군중의 지혜가 어떤 모습일지 보여주는 예로 추첨이 거행되기도 합니다. 의사결정은 상당히 동질적인 정치 집단이나 정당이 아닌 다양한 집단에 의해 이루어질 것입니다. 인지 과학 분야의 연구에서는 군중 효과의 지혜와 개인의 인지 사이의 관계를 모델링하려고 노력해 왔습니다.
WoCE: 군중 이론의 지혜를 활용하여 클러스터링 앙상블을 위한 프레임워크 ...

희소 가중 정규 상관 분석(SWCCA) 구글
두 개의 데이터 행렬 $X$ 및 $Y$가 주어지면 SCCA(희소 정규 상관 분석)는 $Xu$와 $Yv$ 간의 상관 관계를 최대화하기 위해 두 개의 희소 정규 벡터 $u$ 및 $v$를 찾는 것입니다. 그러나 클래식 및 희소 CCA 모델은 데이터 행렬의 모든 샘플의 기여도를 고려하므로 기본 특정 샘플 하위 집합을 식별할 수 없습니다. 이를 위해 우리는 서로 다른 샘플을 정규화하는 데 가중치를 사용하는 새로운 SWCCA(Sparse Weighted Canonical Correlation Analysis)를 제안합니다. 교대 반복 알고리즘을 사용하여 $L_0$-정규 SWCCA($L_0$-SWCCA)를 해결합니다. $L_0$-SWCCA를 합성 데이터와 실제 데이터에 적용하여 관련 방법 대비 효율성과 우수성을 입증합니다. 마지막으로 LASSO(최소 절대 축소 및 선택 연산자) 및 그룹 LASSO와 같은 다양한 페널티가 있는 SWCCA를 고려하고 XNUMX개 이상의 데이터 매트릭스를 통합하기 위해 이를 확장합니다. …

타임 스탬프 :

더보기 분석