Jeśli jeszcze tego nie wiesz

Jeśli jeszcze tego nie wiesz

Znacznik czasu: 7 listopada 2023 1:19
Węzeł źródłowy: 2969389

Wykres splotowej rekurencyjnej sieci neuronowej (GCRNN) google
Procesy graficzne modelują szereg ważnych problemów, takich jak identyfikacja epicentrum trzęsienia ziemi lub przewidywanie pogody. W tym artykule proponujemy architekturę Graph Convolutional Recurrent Neural Network (GCRNN), specjalnie dostosowaną do radzenia sobie z tymi problemami. Sieci GCRNN korzystają z banków filtrów splotowych, aby liczba parametrów możliwych do wyszkolenia była niezależna od rozmiaru wykresu i rozważanych sekwencji czasowych. Zaproponowaliśmy także bramkowane GCRNN, bramkowaną czasowo odmianę GCRNN, podobną do LSTM. W porównaniu z sieciami GNN i inną architekturą powtarzalnych grafów w eksperymentach wykorzystujących zarówno dane syntetyczne, jak i dane rzeczywiste, sieci GCRNN znacznie poprawiają wydajność przy użyciu znacznie mniejszej liczby parametrów. …

Retec google
Testowanie w trybie ciągłej integracji (CI) obejmuje ustalanie priorytetów, wybór i wykonywanie przypadków testowych w każdym cyklu. Wybór najbardziej obiecujących przypadków testowych do wykrywania błędów jest trudny, jeśli nie ma pewności co do wpływu zatwierdzonych zmian w kodzie lub jeśli nie są dostępne powiązania umożliwiające śledzenie pomiędzy kodem a testami. W tym artykule przedstawiono Retecs, nową metodę automatycznego uczenia się wyboru przypadków testowych i ustalania priorytetów w CI, której celem jest zminimalizowanie czasu obiegu między zatwierdzeniem kodu a informacją zwrotną programistów na temat nieudanych przypadków testowych. Metoda Retecs wykorzystuje uczenie się przez wzmacnianie, aby wybrać przypadki testowe i nadać im priorytety zgodnie z czasem ich trwania, ostatnim wykonaniem i historią błędów. W stale zmieniającym się środowisku, w którym tworzone są nowe przypadki testowe i usuwane przestarzałe przypadki testowe, metoda Retecs uczy się nadawać wyższy priorytet przypadkom testowym podatnym na błędy pod kierunkiem funkcji nagrody i obserwując poprzednie cykle CI. Stosując Retecs na danych pochodzących z trzech przemysłowych studiów przypadków, po raz pierwszy pokazujemy, że uczenie się przez wzmacnianie umożliwia owocny automatyczny wybór przypadków testowych adaptacyjnych i ustalanie priorytetów w testach CI i regresji. …

Mądrość Tłumów (WOC) google
Mądrość tłumu jest zbiorową opinią grupy jednostek, a nie pojedynczego eksperta. Ogólnie stwierdzono, że zbiorcze odpowiedzi dużej grupy na pytania dotyczące szacowania ilości, ogólnej wiedzy o świecie i rozumowania przestrzennego są tak samo dobre, a często lepsze niż odpowiedź udzielona przez którąkolwiek osobę w grupie. Wyjaśnieniem tego zjawiska jest to, że z każdą indywidualną oceną wiąże się specyficzny szum, a wzięcie średniej z dużej liczby odpowiedzi w pewnym stopniu zniweluje efekt tego szumu.[1] Proces ten, choć nie jest niczym nowym w erze informacji, został zepchnięty w centrum uwagi przez serwisy społecznościowe, takie jak Wikipedia, Yahoo! Answers, Quora i inne zasoby internetowe, które opierają się na opinii ludzi.[2] Rozprawa przed ławą przysięgłych może być rozumiana jako mądrość tłumu, zwłaszcza w porównaniu z alternatywą, rozprawą przed sędzią, pojedynczym biegłym. W polityce czasami sortowanie jest traktowane jako przykład tego, jak wyglądałaby mądrość tłumu. Podejmowanie decyzji odbywałoby się przez zróżnicowaną grupę, a nie przez dość jednorodną grupę polityczną lub partię. Badania w ramach kognitywistyki miały na celu modelowanie związku między efektem mądrości tłumu a poznaniem indywidualnym.
WoCE: ramy dla grupowania zespołów wykorzystujące mądrość teorii tłumów ...

Rzadka ważona analiza korelacji kanonicznej (SWCCA) google
Biorąc pod uwagę dwie macierze danych $X$ i $Y$, analiza korelacji rzadkich kanonicznych (SCCA) polega na poszukiwaniu dwóch rzadkich wektorów kanonicznych $u$ i $v$ w celu maksymalizacji korelacji między $Xu$ i $Yv$. Jednakże klasyczne i rzadkie modele CCA uwzględniają udział wszystkich próbek macierzy danych i dlatego nie mogą zidentyfikować podstawowego konkretnego podzbioru próbek. W tym celu proponujemy nowatorską analizę korelacji kanonicznej ważonej rzadkiej (SWCCA), w której wagi służą do regularyzacji różnych próbek. Rozwiązujemy uregulowany SWCCA $L_0$ ($L_0$-SWCCA) za pomocą naprzemiennego algorytmu iteracyjnego. Stosujemy $L_0$-SWCCA do danych syntetycznych i danych ze świata rzeczywistego, aby wykazać jego skuteczność i wyższość w porównaniu z pokrewnymi metodami. Na koniec rozważamy także SWCCA z różnymi karami, takimi jak LASSO (operator najmniejszego absolutnego skurczu i selekcji) oraz Group LASSO, i rozszerzamy go o integrację więcej niż trzech macierzy danych. …

Znak czasu:

Więcej z Analityxon