Hvis du ikke allerede visste det

Hvis du ikke allerede visste det

Tidsstempel: 7. november 2023 1:19
Kilde node: 2969389

Graph Convolutional Recurrent Neural Network (GCRNN) google
Grafprosesser modellerer en rekke viktige problemer som å identifisere episenteret til et jordskjelv eller forutsi vær. I denne artikkelen foreslår vi en Graph Convolutional Recurrent Neural Network (GCRNN)-arkitektur spesielt skreddersydd for å håndtere disse problemene. GCRNN-er bruker konvolusjonelle filterbanker for å holde antall trenbare parametere uavhengig av størrelsen på grafen og av tidssekvensene som vurderes. Vi har også presentert Gated GCRNNs, en tidsbestemt variant av GCRNN-er som ligner LSTM-er. Sammenlignet med GNN-er og en annen grafisk gjentakende arkitektur i eksperimenter som bruker både syntetiske og ekte orddata, forbedrer GCRNN-er ytelsen betydelig mens de bruker betydelig færre parametere. …

Retecs google
Testing i kontinuerlig integrasjon (CI) innebærer prioritering, valg og utførelse av testtilfeller i hver syklus. Å velge de mest lovende testtilfellene for å oppdage feil er vanskelig hvis det er usikkerhet om virkningen av forpliktede kodeendringer, eller hvis sporbarhetskoblinger mellom kode og tester ikke er tilgjengelige. Denne artikkelen introduserer Retecs, en ny metode for automatisk læring av testcasevalg og -prioritering i CI med målet om å minimere rundturstiden mellom kodeforpliktelser og tilbakemeldinger fra utviklere på mislykkede testcases. Retecs-metoden bruker forsterkende læring for å velge og prioritere testtilfeller i henhold til deres varighet, forrige siste utførelse og feilhistorikk. I et miljø i stadig endring, hvor nye testtilfeller opprettes og foreldede testtilfeller slettes, lærer Retecs-metoden å prioritere feilutsatte testtilfeller høyere under veiledning av en belønningsfunksjon og ved å observere tidligere CI-sykluser. Ved å bruke Retecs på data hentet fra tre industrielle casestudier, viser vi for første gang at forsterkende læring muliggjør fruktbart automatisk adaptivt testcasevalg og prioritering i CI og regresjonstesting. …

Wisdom of Crowds (WOC) google
Mengdens visdom er den kollektive oppfatningen til en gruppe individer i stedet for en enkelt eksperts. En stor gruppes aggregerte svar på spørsmål som involverer mengdeestimering, generell verdenskunnskap og romlig resonnement har generelt vist seg å være like gode som, og ofte bedre enn, svaret gitt av noen av individene i gruppen. En forklaring på dette fenomenet er at det er idiosynkratisk støy knyttet til hver enkelt vurdering, og å ta gjennomsnittet over et stort antall svar vil gå et stykke mot å kansellere effekten av denne støyen.[1] Denne prosessen, selv om den ikke er ny i informasjonsalderen, har blitt presset inn i hovedstrømmen av sosiale informasjonssider som Wikipedia, Yahoo! Answers, Quora og andre nettressurser som er avhengige av menneskelig mening.[2] Rettssak av jury kan forstås som visdom fra mengden, spesielt sammenlignet med alternativet, rettssak av en dommer, den eneste eksperten. I politikk blir noen ganger sortering holdt som et eksempel på hvordan visdommen til mengden ville se ut. Beslutningstaking ville skje av en mangfoldig gruppe i stedet for av en ganske homogen politisk gruppe eller parti. Forskning innen kognitiv vitenskap har forsøkt å modellere forholdet mellom visdom of the crowd-effekter og individuell kognisjon.
WoCE: et rammeverk for gruppering av ensemble ved å utnytte visdommen til Crowds-teorien ...

Sparse Weighted Canonical Correlation Analysis (SWCCA) google
Gitt to datamatriser $X$ og $Y$, er sparsom kanonisk korrelasjonsanalyse (SCCA) å søke to sparsomme kanoniske vektorer $u$ og $v$ for å maksimere korrelasjonen mellom $Xu$ og $Yv$. Imidlertid vurderer klassiske og sparsomme CCA-modeller bidraget fra alle prøvene av datamatriser og kan derfor ikke identifisere en underliggende spesifikk undergruppe av prøver. For dette formål foreslår vi en ny sparse vektet kanonisk korrelasjonsanalyse (SWCCA), der vekter brukes for å regulere forskjellige prøver. Vi løser den $L_0$-regulerte SWCCA ($L_0$-SWCCA) ved å bruke en alternerende iterativ algoritme. Vi bruker $L_0$-SWCCA på syntetiske data og virkelige data for å demonstrere effektiviteten og overlegenheten sammenlignet med relaterte metoder. Til slutt vurderer vi også SWCCA med forskjellige straffer som LASSO (Least absolute shrinkage and selection operator) og Group LASSO, og utvider den for å integrere mer enn tre datamatriser. …

Tidstempel:

Mer fra AnalytiXon