Toto：开创性的时间序列优化转换器，引领观测性数据分析新纪元

Posted on 2024-07-10 in CS.AI • 14 words • 1 minute read

摘要

本文介绍了一种名为Toto的新型时间序列预测基础模型，由Datadog开发。Toto模型专门针对观测性指标进行了优化，不仅在电力和天气等多个领域的时间序列基准测试中达到了最先进的水平，而且是首个专门为观测性指标调整的通用时间序列预测基础模型。Toto模型在包含一万亿时间序列数据点的数据集上进行了训练，其中75%的数据来自Datadog平台的全匿名数值指标数据点。实验结果显示，Toto在观测性数据上的表现优于现有时间序列基础模型，并在多个开放基准数据集上实现了零样本学习的最先进性能。

Toto：开创性的时间序列预测模型，引领观测性数据分析的未来

Posted on 2024-07-10 in CS.AI • 8 words • 1 minute read

摘要

本文介绍了一种名为Toto的新型时间序列优化Transformer模型，该模型由Datadog开发，专门用于观测性指标的预测。Toto模型在电力和天气等多个领域的通用时间序列基准测试中取得了最先进的性能，并且是首个针对观测性指标进行专门调优的通用时间序列预测基础模型。该模型通过引入先进的注意力机制和学生-T混合模型头，有效地捕捉了时间序列数据的复杂动态，并在多个开放基准数据集上实现了零样本性能的领先。

ViTime：基于视觉智能的时间序列预测模型——开启时间序列分析的新纪元

Posted on 2024-07-10 in CS.AI • 18 words • 1 minute read

摘要

本文介绍了一种基于视觉智能的时间序列预测基础模型ViTime，该模型通过将时间序列数据转换为二值图像，利用视觉处理范式克服了传统数值时间序列数据拟合的局限性。ViTime采用了一种创新的数据合成方法RealTS，在训练过程中生成高质量的合成数据。实验证明，ViTime在多个未见过的预测数据集上实现了零样本学习（zero-shot learning）的先进性能，甚至在某些情况下超过了最佳的单独训练的监督模型。这些发现表明，视觉智能可以显著增强时间序列分析和预测，为该领域更先进和多功能的模型铺平了道路。

创新低成本导弹探测与防御系统：孟加拉国的安全新选择

Posted on 2024-07-10 in CS.AI • 12 words • 1 minute read

摘要

本文基于当前世界导弹探测技术，旨在为孟加拉国提供一个成本效益高的导弹防御系统解决方案。论文介绍了使用光电传感器和脉冲多普勒雷达的导弹探测技术，以及通过超声波声纳、金属探测传感器和烟雾探测传感器的自动探测与摧毁系统。该系统主要基于超声波声纳传感器，通过算法确定目标的距离和角度，并通过模拟确定系统是否能够摧毁目标。

利用λ-差异度量缓解强化学习中的部分可观测性问题

Posted on 2024-07-10 in CS.AI • 13 words • 1 minute read

摘要

本文介绍了一种名为λ-差异（λ-discrepancy）的度量标准，用于检测和缓解序列决策过程中的部分可观测性问题。在强化学习中，通常假设环境动态和价值函数可以用马尔可夫状态表示来表达，但在状态信息仅部分可观测的情况下，代理如何学习这种状态表示，以及如何检测何时找到这种状态表示，是一个挑战。λ-差异是基于两种不同λ值的时序差分（TD）价值估计之间的差异，用于评估环境是否完全或部分可观测，并证明在马尔可夫决策过程中为零，而在广泛的部分可观测环境中几乎总是非零。通过实验证明，一旦检测到λ-差异，最小化它可以有助于学习记忆函数以缓解相应的部分可观测性问题。此外，提出了一种深度强化学习算法，该算法利用λ-差异作为辅助损失，显著提高了基线循环代理在具有挑战性的部分可观测任务上的性能。

利用机器学习预测ALS进展：传感器数据的智能应用

Posted on 2024-07-10 in CS.AI • 9 words • 1 minute read

摘要

本文探讨了利用传感器数据通过机器学习模型预测肌萎缩侧索硬化症（ALS）患者的ALS功能评定量表修订版（ALSFRS-R）评分的问题。ALS是一种快速进展的神经退行性疾病，早期检测功能下降对于实施个性化护理策略和及时治疗干预至关重要。研究通过iDPP@CLEF 2024挑战赛，利用从应用程序收集的传感器数据构建多种机器学习模型，旨在预测ALSFRS-R评分的进展。研究评估了多个预测模型，包括朴素模型和ElasticNet回归模型，结果显示朴素模型在预测准确性上略优于ElasticNet模型。本文的研究不仅展示了传感器数据与机器学习结合的潜力，也为ALS患者的护理和治疗管理提供了新的视角。

利用预测不确定性减少在线持续学习中的灾难性遗忘

Posted on 2024-07-10 in CS.AI • 15 words • 1 minute read

摘要

本文探讨了在线持续学习（Online Continual Learning, Online-CL）中如何利用预测不确定性估计来减少灾难性遗忘（Catastrophic Forgetting, CF）的问题。在许多实际应用中，机器学习模型需要处理非平稳数据分布，并在在线环境中自主学习。灾难性遗忘是指模型在处理新任务时，倾向于忽略旧任务的知识，导致旧任务的预测性能下降。本文通过深入分析不同的不确定性估计和策略，提出了一种基于广义方差的不确定性估计方法，并证明了使用预测不确定性度量有助于在不同设置中减少灾难性遗忘。

发现半平稳时间序列中的因果关系：PCMCIΩ 算法的创新与应用

Posted on 2024-07-10 in CS.AI • 57 words • 1 minute read

摘要

本文提出了一种非参数、基于约束的因果发现算法 PCMCIΩ，用于半平稳时间序列数据。该算法可以发现时间序列数据中因果结构的周期性变化，并且可以在不假设平稳性的情况下发现因果关系。实验结果表明，该算法在连续值和离散值时间序列数据上均具有有效性和正确性。

图神经网络中节点相似性的可解释性研究：基于梯度的方法的优越性

Posted on 2024-07-10 in CS.AI • 15 words • 1 minute read

摘要

本文探讨了图神经网络（GNNs）在图数据上计算节点相似性的可解释性问题。在引文网络或知识图谱等多种应用中，相似性搜索是一个基础任务。尽管从启发式方法到图嵌入和图神经网络（GNNs）已经广泛研究了这一任务，但相似性的解释性却较少受到关注。本文通过研究基于互信息（MI）和基于梯度的解释（GB）两种主要方法，评估了它们在GNNs中计算节点相似性的性能，并讨论了它们的适用性。实验结果表明，与MI解释相比，基于梯度的解释具有可操作性、一致性和可修剪性等优点，这些特性使得它们更适合于解释节点相似性。

增强语言模型鲁棒性：分布式鲁棒化直接偏好优化的新方法

Posted on 2024-07-10 in CS.AI • 23 words • 1 minute read

摘要

本文探讨了直接偏好优化（DPO）在训练数据中存在的噪声问题，特别是点态噪声和成对噪声的影响。通过利用分布式鲁棒优化（DRO），本文提出了一种增强DPO鲁棒性的方法，即分布式鲁棒化DPO（Dr. DPO）。Dr. DPO通过引入一个新的超参数β′，优化了在最坏情况下的成对场景，从而在噪声训练环境中实现了探索与利用的平衡。实证评估显示，Dr. DPO在噪声和无噪声设置中均显著提高了生成文本的质量和响应准确性。

Previous Page 29 of 156 Next Page