Если вы еще не знали

Если вы еще не знали

Отметка времени: 7 ноября 2023 г., 1:19
Исходный узел: 2969389

Графовая сверточная рекуррентная нейронная сеть (GCRNN) Google
Графовые процессы моделируют ряд важных задач, таких как определение эпицентра землетрясения или прогнозирование погоды. В этой статье мы предлагаем архитектуру графовой сверточной рекуррентной нейронной сети (GCRNN), специально предназначенную для решения этих проблем. GCRNN используют банки сверточных фильтров, чтобы сохранить количество обучаемых параметров независимым от размера графа и рассматриваемых временных последовательностей. Мы также предложили Gated GCRNN — временной вариант GCRNN, аналогичный LSTM. По сравнению с GNN и другой рекуррентной архитектурой графа в экспериментах с использованием как синтетических, так и реальных данных, GCRNN значительно улучшают производительность при использовании значительно меньшего количества параметров. …

Ретекс Google
Тестирование в непрерывной интеграции (CI) включает в себя определение приоритетов, выбор и выполнение тестовых наборов в каждом цикле. Выбрать наиболее многообещающие тестовые примеры для обнаружения ошибок сложно, если есть неопределенность в отношении влияния зафиксированных изменений кода или если связи прослеживаемости между кодом и тестами недоступны. В этом документе представлен Retecs, новый метод автоматического обучения выбору тестовых сценариев и приоритезации в CI с целью минимизировать время прохождения между фиксацией кода и отзывами разработчиков о неудачных тестовых примерах. Метод Retecs использует обучение с подкреплением для выбора и определения приоритетности тестовых примеров в зависимости от их продолжительности, предыдущего последнего выполнения и истории ошибок. В постоянно меняющейся среде, где создаются новые тестовые сценарии и удаляются устаревшие тестовые сценарии, метод Retecs учится устанавливать более высокий приоритет тестовых сценариев, подверженных ошибкам, под руководством функции вознаграждения и наблюдения за предыдущими циклами CI. Применяя Retecs к данным, извлеченным из трех промышленных тематических исследований, мы впервые показываем, что обучение с подкреплением обеспечивает плодотворный автоматический адаптивный выбор тестовых примеров и определение приоритетов в CI и регрессионном тестировании. …

Мудрость толпы (WOC) Google
Мудрость толпы — это коллективное мнение группы людей, а не мнения одного эксперта. Совокупные ответы большой группы на вопросы, связанные с оценкой количества, общими знаниями о мире и пространственным мышлением, как правило, оказываются не хуже, а часто и лучше, чем ответ, данный любым из людей в группе. Объяснение этого явления состоит в том, что с каждым отдельным суждением связан своеобразный шум, и взятие среднего значения по большому количеству ответов в некоторой степени поможет нейтрализовать эффект этого шума.[1] Этот процесс, хотя и не является чем-то новым для информационного века, оказался в центре внимания благодаря сайтам социальной информации, таким как Wikipedia, Yahoo! Answers, Quora и другие веб-ресурсы, опирающиеся на мнение людей.[2] Суд присяжных можно понимать как мудрость толпы, особенно по сравнению с альтернативным судом, судьей, единственным экспертом. В политике иногда жеребьевка проводится как пример того, как могла бы выглядеть мудрость толпы. Принятие решений будет осуществляться разнообразной группой, а не достаточно однородной политической группой или партией. Исследования в области когнитивной науки пытались смоделировать взаимосвязь между эффектом мудрости толпы и индивидуальным познанием.
WoCE: основа кластеризации ансамбля на основе мудрости теории толпы ...

Разреженный взвешенный канонический корреляционный анализ (SWCCA) Google
Учитывая две матрицы данных $X$ и $Y$, разреженный канонический корреляционный анализ (SCCA) заключается в поиске двух разреженных канонических векторов $u$ и $v$ для максимизации корреляции между $Xu$ и $Yv$. Однако классические и разреженные модели CCA учитывают вклад всех выборок матриц данных и, следовательно, не могут определить базовое конкретное подмножество выборок. С этой целью мы предлагаем новый разреженный взвешенный канонический корреляционный анализ (SWCCA), в котором веса используются для регуляризации различных выборок. Мы решаем $L_0$-регуляризованную задачу SWCCA ($L_0$-SWCCA) с помощью попеременного итерационного алгоритма. Мы применяем $L_0$-SWCCA к синтетическим и реальным данным, чтобы продемонстрировать его эффективность и превосходство по сравнению с аналогичными методами. Наконец, мы рассматриваем также SWCCA с различными штрафами, такими как LASSO (оператор наименьшего абсолютного сокращения и выбора) и Group LASSO, и расширяем его для интеграции более трех матриц данных. …

Отметка времени:

Больше от Аналитиксон