ถ้ายังไม่รู้

ถ้ายังไม่รู้

ประทับเวลา: 7 พฤศจิกายน 2023 1:19 น
โหนดต้นทาง: 2969389

โครงข่ายประสาทเทียมแบบ Convolutional Recurrent (GCRNN) Google
กระบวนการกราฟจำลองปัญหาสำคัญหลายประการ เช่น การระบุจุดศูนย์กลางของแผ่นดินไหว หรือการทำนายสภาพอากาศ ในบทความนี้ เราขอเสนอสถาปัตยกรรมเครือข่ายประสาทเทียมแบบกราฟ Convolutional Recurrent (GCRNN) ที่ได้รับการปรับแต่งเป็นพิเศษเพื่อจัดการกับปัญหาเหล่านี้ GCRNN ใช้ชุดตัวกรองแบบหมุนวนเพื่อรักษาจำนวนพารามิเตอร์ที่ฝึกได้โดยไม่ขึ้นกับขนาดของกราฟและลำดับเวลาที่พิจารณา นอกจากนี้ เรายังนำเสนอ Gated GCRNN ซึ่งเป็นรูปแบบ GCRNN แบบจำกัดเวลาซึ่งคล้ายกับ LSTM เมื่อเปรียบเทียบกับ GNN และสถาปัตยกรรมกราฟที่เกิดซ้ำอื่นๆ ในการทดลองโดยใช้ทั้งข้อมูลสังเคราะห์และข้อมูลจริง GCRNN จะปรับปรุงประสิทธิภาพได้อย่างมากในขณะที่ใช้พารามิเตอร์น้อยกว่ามาก …

รีเทคส์ Google
การทดสอบในการบูรณาการอย่างต่อเนื่อง (CI) เกี่ยวข้องกับการจัดลำดับความสำคัญของกรณีทดสอบ การเลือก และการดำเนินการในแต่ละรอบ การเลือกกรณีทดสอบที่มีแนวโน้มมากที่สุดเพื่อตรวจจับจุดบกพร่องนั้นเป็นเรื่องยาก หากมีความไม่แน่นอนเกี่ยวกับผลกระทบของการเปลี่ยนแปลงโค้ดที่กระทำ หรือหากไม่มีการเชื่อมโยงการตรวจสอบย้อนกลับระหว่างโค้ดและการทดสอบ เอกสารนี้จะแนะนำ Retecs ซึ่งเป็นวิธีการใหม่ในการเรียนรู้การเลือกกรณีทดสอบและการจัดลำดับความสำคัญใน CI โดยอัตโนมัติ โดยมีเป้าหมายเพื่อลดเวลาไปกลับระหว่างการคอมมิตโค้ดและคำติชมของนักพัฒนาเกี่ยวกับกรณีทดสอบที่ล้มเหลว วิธี Retecs ใช้การเรียนรู้แบบเสริมกำลังเพื่อเลือกและจัดลำดับความสำคัญของกรณีทดสอบตามระยะเวลา การดำเนินการครั้งล่าสุด และประวัติความล้มเหลว ในสภาพแวดล้อมที่เปลี่ยนแปลงตลอดเวลา โดยมีการสร้างกรณีการทดสอบใหม่และกรณีการทดสอบที่ล้าสมัยถูกลบออก วิธีการของ Retecs จะเรียนรู้ที่จะจัดลำดับความสำคัญของกรณีการทดสอบที่มีแนวโน้มที่จะเกิดข้อผิดพลาดให้สูงขึ้นภายใต้คำแนะนำของฟังก์ชันการให้รางวัล และโดยการสังเกตรอบ CI ก่อนหน้า ด้วยการใช้ Retecs กับข้อมูลที่ดึงมาจากกรณีศึกษาทางอุตสาหกรรม XNUMX กรณี เราแสดงให้เห็นเป็นครั้งแรกว่าการเรียนรู้แบบเสริมแรงช่วยให้สามารถเลือกกรณีทดสอบแบบปรับตัวได้โดยอัตโนมัติและจัดลำดับความสำคัญใน CI และการทดสอบการถดถอย …

ภูมิปัญญาแห่งฝูงชน (WOC) Google
ภูมิปัญญาของฝูงชนคือความคิดเห็นโดยรวมของกลุ่มบุคคลมากกว่าความคิดเห็นของผู้เชี่ยวชาญเพียงคนเดียว คำตอบรวมของกลุ่มใหญ่สำหรับคำถามที่เกี่ยวข้องกับการประมาณปริมาณ ความรู้ทั่วไปของโลก และการใช้เหตุผลเชิงพื้นที่ โดยทั่วไปพบว่าดีพอๆ กับและมักจะดีกว่าคำตอบที่ได้รับจากบุคคลใดๆ ภายในกลุ่ม คำอธิบายสำหรับปรากฏการณ์นี้คือ มีสัญญาณรบกวนที่แปลกประหลาดซึ่งเกี่ยวข้องกับการตัดสินของแต่ละคน และการหาค่าเฉลี่ยจากคำตอบจำนวนมากจะมีทางใดทางหนึ่งที่จะยกเลิกผลกระทบของสัญญาณรบกวนนี้ กระบวนการนี้แม้จะไม่ใช่เรื่องใหม่สำหรับยุคสารสนเทศ แต่ก็ถูกผลักดันให้กลายเป็นจุดสนใจหลักโดยไซต์ข้อมูลโซเชียล เช่น Wikipedia, Yahoo! Answers, Quora และแหล่งข้อมูลบนเว็บอื่นๆ ที่อาศัยความคิดเห็นของมนุษย์[1] การพิจารณาคดีโดยคณะลูกขุนสามารถเข้าใจได้ว่าเป็นภูมิปัญญาของฝูงชน โดยเฉพาะอย่างยิ่งเมื่อเปรียบเทียบกับทางเลือกอื่น การพิจารณาคดีโดยผู้พิพากษา ซึ่งเป็นผู้เชี่ยวชาญเพียงคนเดียว ในทางการเมือง บางครั้งการแยกแยะถือเป็นตัวอย่างว่าภูมิปัญญาของฝูงชนจะเป็นอย่างไร การตัดสินใจจะเกิดขึ้นโดยกลุ่มที่หลากหลาย แทนที่จะเป็นกลุ่มการเมืองหรือพรรคการเมืองที่ค่อนข้างเหมือนกัน การวิจัยทางวิทยาศาสตร์เกี่ยวกับความรู้ความเข้าใจได้พยายามสร้างแบบจำลองความสัมพันธ์ระหว่างภูมิปัญญาของผลกระทบจากฝูงชนและการรับรู้ส่วนบุคคล
WoCE: กรอบการทำงานสำหรับการรวมกลุ่มโดยใช้ประโยชน์จากภูมิปัญญาของทฤษฎี Crowds ...

การวิเคราะห์สหสัมพันธ์แบบเบาบางแบบ Canonical (SWCCA) Google
เมื่อพิจารณาจากเมทริกซ์ข้อมูลสองตัว $X$ และ $Y$ การวิเคราะห์สหสัมพันธ์แบบกระจัดกระจาย (SCCA) คือการค้นหาเวกเตอร์แบบกระจัดกระจายสองตัว $u$ และ $v$ เพื่อเพิ่มความสัมพันธ์ระหว่าง $Xu$ และ $Yv$ อย่างไรก็ตาม แบบจำลอง CCA แบบคลาสสิกและแบบกระจัดกระจายจะพิจารณาการมีส่วนร่วมของตัวอย่างเมทริกซ์ข้อมูลทั้งหมด จึงไม่สามารถระบุชุดย่อยเฉพาะเจาะจงของตัวอย่างได้ ด้วยเหตุนี้ เราจึงขอเสนอการวิเคราะห์สหสัมพันธ์แบบเบาบางแบบ Canonical (SWCCA) แบบใหม่ โดยจะใช้น้ำหนักในการปรับตัวอย่างที่แตกต่างกันให้เป็นมาตรฐาน เราแก้ $L_0$-regularized SWCCA ($L_0$-SWCCA) โดยใช้อัลกอริธึมการวนซ้ำแบบสลับกัน เราใช้ $L_0$-SWCCA กับข้อมูลสังเคราะห์และข้อมูลในโลกแห่งความเป็นจริงเพื่อแสดงให้เห็นถึงประสิทธิภาพและความเหนือกว่าเมื่อเปรียบเทียบกับวิธีการที่เกี่ยวข้อง สุดท้ายนี้ เรายังพิจารณา SWCCA ด้วยบทลงโทษที่แตกต่างกัน เช่น LASSO (ตัวดำเนินการการหดตัวและการเลือกสัมบูรณ์น้อยที่สุด) และ Group LASSO และขยายออกไปเพื่อรวมเมทริกซ์ข้อมูลมากกว่าสามรายการ …

ประทับเวลา:

เพิ่มเติมจาก AnalytiXon