Als je het nog niet wist

Als je het nog niet wist

Tijdstempel: 7 november 2023 1:19 uur
Bronknooppunt: 2969389

Grafiek Convolutioneel Recurrent Neuraal Netwerk (GCRNN) google
Grafiekprocessen modelleren een aantal belangrijke problemen, zoals het identificeren van het epicentrum van een aardbeving of het voorspellen van het weer. In dit artikel stellen we een Graph Convolutional Recurrent Neural Network (GCRNN)-architectuur voor die specifiek is afgestemd op het omgaan met deze problemen. GCRNN's gebruiken convolutionele filterbanken om het aantal trainbare parameters onafhankelijk te houden van de grootte van de grafiek en van de beschouwde tijdreeksen. We hebben ook Gated GCRNN's voorgesteld, een tijdgebonden variant van GCRNN's vergelijkbaar met LSTM's. Vergeleken met GNN's en een andere grafiek-recurrente architectuur in experimenten met zowel synthetische als echte woordgegevens, verbeteren GCRNN's de prestaties aanzienlijk terwijl ze aanzienlijk minder parameters gebruiken. …

Retecs google
Testen in Continuous Integration (CI) omvat het prioriteren, selecteren en uitvoeren van testcases tijdens elke cyclus. Het selecteren van de meest veelbelovende testgevallen om bugs te detecteren is moeilijk als er onzekerheden zijn over de impact van vastgelegde codewijzigingen of als er geen traceerbaarheidskoppelingen tussen code en tests beschikbaar zijn. Dit artikel introduceert Retecs, een nieuwe methode voor het automatisch leren selecteren en prioriteren van testcases in CI met als doel de retourtijd tussen code-commits en feedback van ontwikkelaars over mislukte testcases te minimaliseren. De Retecs-methode maakt gebruik van versterkend leren om testgevallen te selecteren en te prioriteren op basis van hun duur, vorige laatste uitvoering en foutgeschiedenis. In een voortdurend veranderende omgeving, waar nieuwe testgevallen worden aangemaakt en verouderde testgevallen worden verwijderd, leert de Retecs-methode foutgevoelige testgevallen hoger te prioriteren onder begeleiding van een beloningsfunctie en door eerdere CI-cycli te observeren. Door Retecs toe te passen op gegevens uit drie industriële casestudies, laten we voor het eerst zien dat versterkend leren vruchtbare automatische adaptieve selectie van testgevallen en prioritering bij CI- en regressietesten mogelijk maakt. …

Wijsheid van de menigte (WOC) google
De wijsheid van de menigte is de collectieve mening van een groep individuen en niet die van één enkele deskundige. De verzamelde antwoorden van een grote groep op vragen die te maken hebben met het schatten van hoeveelheden, algemene wereldkennis en ruimtelijk redeneren blijken over het algemeen even goed, en vaak beter, dan het antwoord dat door een van de individuen binnen de groep wordt gegeven. Een verklaring voor dit fenomeen is dat er idiosyncratische ruis gepaard gaat met elk individueel oordeel, en het nemen van het gemiddelde over een groot aantal reacties zal het effect van deze ruis enigszins opheffen.[1] Hoewel dit proces niet nieuw is in het informatietijdperk, is het in de mainstream-schijnwerpers gezet door sociale informatiesites zoals Wikipedia, Yahoo! Answers, Quora en andere webbronnen die afhankelijk zijn van menselijke meningen.[2] Een juryrechtspraak kan worden opgevat als wijsheid van de massa, vooral in vergelijking met het alternatieve proces, een proces door een rechter, de enige deskundige. In de politiek wordt sortering soms gezien als een voorbeeld van hoe wijsheid van de menigte eruit zou zien. De besluitvorming zou plaatsvinden door een diverse groep in plaats van door een tamelijk homogene politieke groep of partij. Onderzoek binnen de cognitiewetenschap heeft geprobeerd de relatie tussen de 'wisdom of the crowd'-effecten en individuele cognitie te modelleren.
WoCE: een raamwerk voor het clusteren van ensembles door gebruik te maken van de wijsheid van de Crowds-theorie ...

Spaarzaam gewogen canonieke correlatieanalyse (SWCCA) google
Gegeven twee datamatrices $X$ en $Y$, is de sparse canonieke correlatieanalyse (SCCA) het zoeken naar twee schaarse canonieke vectoren $u$ en $v$ om de correlatie tussen $Xu$ en $Yv$ te maximaliseren. Klassieke en spaarzame CCA-modellen houden echter rekening met de bijdrage van alle steekproeven van datamatrices en kunnen dus geen onderliggende specifieke subset van steekproeven identificeren. Daartoe stellen we een nieuwe schaars gewogen canonieke correlatieanalyse (SWCCA) voor, waarbij gewichten worden gebruikt voor het regulariseren van verschillende steekproeven. We lossen de $L_0$-geregulariseerde SWCCA ($L_0$-SWCCA) op met behulp van een afwisselend iteratief algoritme. We passen $L_0$-SWCCA toe op synthetische data en data uit de echte wereld om de effectiviteit en superioriteit ervan aan te tonen in vergelijking met gerelateerde methoden. Ten slotte beschouwen we ook SWCCA met verschillende straffen zoals LASSO (Minste absolute krimp- en selectieoperator) en Group LASSO, en breiden we deze uit voor de integratie van meer dan drie datamatrices. …

Tijdstempel:

Meer van Analytie