Predictive Modeling of Homeless Service Assignment: A Representation Learning Approach
University at Albany, SUNY(纽约州立大学奥尔巴尼分校)
针对无家可归者行政类别数据难以支撑精准服务分配预测的问题,提出一种表示学习方法,通过挖掘服务关联与个体潜在关联生成特征,显著提升了预测性能。
2024-12-11 cs.AI cs.LG
No Black Box Anymore: Demystifying Clinical Predictive Modeling with Temporal-Feature Cross Attention Mechanism
Carnegie Mellon University(卡内基梅隆大学)
本文提出时间-特征交叉注意力机制TFCAM,通过捕捉临床特征的时间动态交互提升可解释性,并在慢性肾脏病进展预测中超越LSTM和RETAIN基线。
2025-09-19 cs.AI cs.LG
Predictive Query Language: A Domain-Specific Language for Predictive Modeling on Relational Databases
Kumo.ai, Stanford University(Kumo.ai,斯坦福大学)
PQL是一种用于关系数据库预测建模的声明式语言,通过单个查询自动计算训练标签,支持多种机器学习任务,已在金融欺诈、推荐系统等领域应用。
2026-07-27 cs.AI cs.DB cs.LG
Automating Predictive Modeling Process using Reinforcement Learning
IBM Research AI(IBM研究人工智能部门(注:IBM Research AI是IBM Research的一部分,通常译为IBM研究人工智能部门或IBM人工智能研究院,但根据机构粒度要求,提取到公司/研究院级别,这里IBM本身是公司,Research AI可视为其研究部门))
建立一个好的预测模型需要一系列的活动,如数据填补,特征转换,估计选择,超参数搜索和集成建设。由于选项的空间大、复杂和异质,现成的优化方法对于现实的响应时间是不可行的。在实践中,大部分预测建模过程是由经验丰富的数据科学家进行的,他们有选择地使用可用的工具。随着时间的推移,他们对操作员的行为有了理解,并在不确定的情况下进行系列决策,通俗地说就是有根据的猜测。随着对监督机器学习应用的前所未有的需求,需要自动搜索这些任务中的参数的良好组合以最小化建模误差的解决方案。我们介绍了一种新的系统,称为APRL(自主预测建模通过强化学习),它使用过去的经验,通过强化学习优化这种顺序决策,从一组不同的行动在一个以前看不见的预测学习问题的时间约束。APRL动作被用来优化最终集合的性能。这与其他系统相反,其他系统首先最大化单个模型的准确性,并创建集成作为断开的后处理步骤。因此,APRL能够在各种各样的问题上平均减少高达71%的分类错误。
2019-03-02 cs.AI cs.LG stat.ML
Disentangled Skill Representations for Predictive Human Modeling
Toyota Research Institute(丰田研究所)
本研究提出SAIL方法,将人类技能建模为可解释多维构造,通过反事实子技能交换解耦,在赛车、棒球任务中预测性能优异,解耦效果优于基线且提升AI指导性能。
2026-08-26 cs.AI cs.LG
Predictive Modeling of Menstrual Cycle Length: A Time Series Forecasting Approach
Federal University of Semi-Arid Region(半干旱地区联邦大学)
该研究面向规律与不规律月经周期预测,比较多种时间序列机器学习算法并使用合成数据,验证了准确预测周期开始时间与持续时间的可行性。
2023-06-11 cs.AI cs.LG
Bridging Risk Approximation Gaps in Model Predictive Task Sampling via In-Context Modeling
该研究针对模型预测任务采样中风险近似的两种失效模式,将风险预测转化为上下文序列建模问题,开发了结合一步前瞻机制与时间加权滑动窗口的风险预测模型,在三类任务中实现了性能提升。
2026-10-14 cs.AI cs.LG
Consistent Range Approximation for Fair Predictive Modeling
University of California, San Diego(加州大学圣地亚哥分校);Cornell University(康奈尔大学)
本文提出一致范围近似(CRA)框架,利用数据收集背景知识与有偏数据计算公平性查询范围,构建在目标群体上可证明公平的预测模型,效果显著优于现有方法。
2023-07-28 cs.AI cs.DB cs.LG
A Multi-Component AI Framework for Computational Psychology: From Robust Predictive Modeling to Deployed Generative Dialogue
Independent Researcher(独立研究者)
本文提出一个多组件AI框架,结合预测建模与生成对话,实现从心理状态分析到实际应用的完整研究到部署流程。
2025-12-15 cs.AI cs.HC cs.LG
Predictive Linear-Gaussian Models of Stochastic Dynamical Systems
University of Michigan(密歇根大学)
基于预测状态表示(PSR)的动态系统模型是严格按照可观测量定义的,与使用潜变量或状态空间表示的传统模型(如隐马尔可夫模型)相反。此外,PSR具有有效的无限内存,允许它们对一些基于有限内存的模型无法建模的系统进行建模。到目前为止,PSR模型主要是针对具有离散观测值的域开发的。在这里,我们开发了预测线性高斯(PLG)模型,这是一类用于连续观测域的PSR模型。我们表明,PLG模型substantive线性动态系统模型(也称为卡尔曼滤波器模型或状态空间模型),而使用较少的参数。我们还介绍了一种算法来估计PLG参数的数据,并将其与标准的期望最大化(EM)算法估计卡尔曼滤波器参数。我们表明,我们的算法是一个一致的估计过程,并提出初步的实证结果表明,我们的算法优于EM,特别是随着模型维数的增加。
2012-07-04 cs.AI
Modeling and Control of CSTR using Model based Neural Network Predictive Control
Takshshila Institute of Engineering & Technology(塔克什拉工程技术学院)
提出了一种基于神经网络模型的预测控制策略,并将其应用于连续搅拌釜式反应器(CSTR)。该系统是高度非线性的过程;因此,非线性预测方法,例如,神经网络预测控制,可以较好地匹配治理系统的动态特性。本文介绍了神经网络模型及其在一定预测范围内预测CSTR过程行为的方法,并对优化过程作了一些评述。将预测控制算法应用于连续搅拌釜式反应器(CSTR)中的浓度控制,通过优化算法求解二次型性能指标来优化CSTR的参数。只有建立精确的模型,才能有效地控制cstr中的产物浓度。本文尝试用人工智能技术如神经网络来减轻建模的困难。仿真结果验证了该方法的可行性和有效性。
2012-08-17 cs.AI cs.NE nlin.AO
AI-driven multi-omics integration for multi-scale predictive modeling of causal genotype-environment-phenotype relationships
Feil Family Brain & Mind Research Institute(费尔家族脑与心智研究所);Helen & Robert Appel Alzheimer’s Disease Research Institute(海伦与罗伯特·阿佩尔阿尔茨海默病研究所)
针对多组学数据预测因果基因型-环境-表型关系的挑战,提出AI驱动的生物学启发多尺度建模框架,整合多层面数据以提升预测能力并发现新靶点。
2024-07-08 cs.AI
CliMB: An AI-enabled Partner for Clinical Predictive Modeling
University of Cambridge(剑桥大学);University Hospital Heidelberg(海德堡大学医院);NIHR BTRU, Cambridge(英国国家卫生研究院生物医学研究单位(剑桥))
为解决临床科学家难以使用先进AI工具构建预测模型的困境,本文提出无代码AI伙伴CliMB,通过自然语言引导完成医学数据科学全流程,并在评估中优于GPT-4,赋能临床科学家构建稳健预测模型。
2024-11-25 cs.AI cs.HC cs.LG
Learning Reactive and Predictive Differentiable Controllers for Switching Linear Dynamical Models
Carnegie Mellon University(卡内基梅隆大学);School of Computer Science(计算机科学学院);Robotics Institute(机器人研究所)
人类利用环境和自己身体的动态来完成具有挑战性的任务,例如在走过物体时抓住物体,或者推开墙壁转弯。这些任务通常涉及机器人进行和断开接触时的切换动力学。学习这些动力学是一个具有挑战性的问题,并且容易导致模型不准确,特别是在接触区域附近。在这项工作中,我们提出了一个框架,从专家演示学习复合动力学行为。我们学习了一个开关线性动力学模型,其中接触编码在开关条件中,作为我们系统动力学的近似。然后,我们使用离散时间LQR作为数据有效学习控制的可微策略类,以开发一种控制策略,该控制策略在多个动态模式下运行,并考虑到由于接触引起的不连续性。除了预测与环境的相互作用外,我们的策略还能有效地对不准确的预测做出反应,例如意外的接触。通过模拟和现实世界的实验,我们证明了学习行为的泛化到不同的场景和鲁棒性模型在执行过程中的不准确性。
2021-03-26 cs.AI cs.LG cs.RO
An approach to predictively securing critical cloud infrastructures through probabilistic modeling
Netaji Subhas Institute of Technology(内塔吉·苏巴斯理工学院);University of Delhi(德里大学);IIIT Delhi(德里英迪拉·甘地信息技术学院);University of California(加利福尼亚大学)
云基础设施越来越多地用于银行/金融、运输和公用事业管理等关键基础设施。最近的安全漏洞(包括关键基础设施上的安全漏洞)中使用的复杂性和资源表明,攻击者不再受到金钱/计算限制的限制。事实上,它们可以得到拥有大量财力和人力资源的实体的帮助。因此,迫切需要开发用于网络防御的预测方法,以加强关键基础设施专门使用的云基础设施。在过去,人们已经对应用博弈论、机器学习和贝叶斯网络等技术进行了广泛的研究,以预测关键基础设施的防御。然而,这些方法的一个主要缺点是,它们不包括概率人类行为,这限制了它们的预测能力。在本文中,提出了一种随机的方法来预测不太安全的状态,在关键的云系统,这可能会导致潜在的安全漏洞。在我们的方法中,这些不太安全的状态被视为“风险”状态。马尔可夫决策过程(MDP)用于通过一组功能准确地整合用户行为以及云基础设施的操作行为。开发的奖励/成本机制,然后用来选择适当的“行动”,以确定在未来的时间步骤,通过学习一个最佳的政策的风险状态。实验结果表明,该框架在识别未来的“风险”状态表现良好。通过这项工作,我们证明了使用概率建模(MDP)来预测性地保护关键云基础设施的有效性。
2018-10-29 cs.AI
Probing Emergent Semantics in Predictive Agents via Question Answering
Georgia Institute of Technology(佐治亚理工学院);DeepMind(深度思维)
最近的研究表明,预测建模可以赋予智能体丰富的环境知识,提高他们在复杂环境中的行动能力。我们提出问答作为一种通用范式来解码和理解这种代理开发的表示,将我们的方法应用于最近的两种预测建模方法-动作条件CPC(Guo et al.,2018)和SimCore(Gregor等人,2019年)。在一个视觉丰富的3D环境中训练具有这些预测目标的智能体,其中包含各种各样的对象,颜色,形状和空间配置,我们用合成(英语)问题探测它们的内部状态表示,而不需要将梯度从问答解码器反向传播到智能体中。当以这种方式探索时,不同代理的表现表明,它们学会了从物理环境中编码关于物体,属性和空间关系的事实和看似组成的信息。我们的方法是直观的,即人类可以很容易地解释模型的响应,而不是检查连续向量,并且模型不可知,即适用于任何建模方法。通过揭示主体在学习过程中获得的对象、数量、属性和关系的隐含知识,问题条件主体探测可以刺激更强预测性学习目标的设计和发展。
2020-06-01 cs.AI cs.CL cs.LG
Control Invariant Sets for Neural Network Dynamical Systems and Recursive Feasibility in Model Predictive Control
Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对神经网络动力系统控制设计缺乏严格安全与递归可行性保证的问题,本文提出基于集合递归的控制不变集合成算法及整合该集合的混合整数模型预测控制方法,经理论分析和自动驾驶仿真验证了其安全保证与有效性。
2025-05-15 cs.AI cs.SY eess.SY
Predictive User Modeling with Actionable Attributes
Aalto University(阿尔托大学);HIIT(赫尔辛基信息技术研究所);Eindhoven University of Technology(埃因霍温理工大学)
不同的机器学习技术已经被提出并用于对个体和组用户需求、兴趣和偏好进行建模。在传统的预测建模中,实例是用可观测的变量(称为属性)来描述的。目标是学习一个模型,用于预测未知实例的目标变量。例如,出于营销目的,公司考虑根据观察到的网络浏览行为、推荐关键字或其他相关信息来分析新用户。在许多现实世界的应用中,一些属性的值不仅是可观察的,而且可以由决策者主动决定。此外,在一些这样的应用中,决策者不仅对生成准确的预测感兴趣,而且对最大化期望结果的概率感兴趣。例如,直销经理可以选择向客户发送哪种类型的特别优惠(可操作属性),希望正确的选择将以更高的概率产生积极的响应。我们研究了如何学习选择一个可操作的属性的值,以最大限度地提高预测建模中期望结果的概率。我们强调,并非所有情况对行动的变化都同样敏感。对于那些处于边缘的情况(例如,没有强烈意见的用户)来说,准确选择操作至关重要。我们制定了三个监督学习的学习方法来选择一个可操作的属性在实例级别的值。我们还介绍了一个集中的培训程序,把更多的重点放在不同的行动是最有可能采取的效果的情况。在网络分析和电子学习领域的两个现实世界的案例研究的概念验证实验验证的证明突出了所提出的方法的潜力。
2013-12-23 cs.AI
Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST)
Palo Alto Research Center Inc (PARC)(帕洛阿尔托研究中心公司(PARC));Korea Advanced Institute of Science and Technology(韩国科学技术院);Texas A&M University(德克萨斯农工大学)
本文提出一种结合可微代理模型与非线性MPC的建筑HVAC数据驱动控制框架,并在BOPTEST多案例中验证其建模与控制性能,展示模块化、可扩展和面向未来测试案例的适应性。
2024-04-01 cs.AI cs.LG cs.SY
Analysis and Predictive Modeling of Solar Coronal Holes Using Computer Vision and ARIMA-LSTM Networks
Stony Brook University(石溪大学);Defense Acquisition Program Administration (DAPA)(国防采办项目管理局)
本文利用计算机视觉检测SDO影像中的冕洞并估计面积,结合ARIMA-LSTM混合模型预测七天冕洞面积趋势,以揭示其行为模式及对空间天气的影响。
2024-07-31 astro-ph.EP astro-ph.SR cs.AI
Forecasting Electric Vehicle Battery Output Voltage: A Predictive Modeling Approach
Great Learning(伟大学院);PES-Great Learning(PES-伟大学院)
本文针对电动汽车电池性能不确定性问题,综述电池状态评估与BMS技术进展,并提出电池充电电压预测的建模方案。
2024-04-08 cs.AI cs.CV cs.SY
LPC-SM: Local Predictive Coding and Sparse Memory for Long-Context Language Modeling
Independent Researcher, Suzhou, China(独立研究者,苏州,中国)
本文提出LPC-SM架构,通过分离局部注意力、持久记忆、预测修正和运行时控制,改进长上下文语言模型的性能,实验显示其在不同任务中均取得显著提升。
2026-03-12 cs.AI cs.CL cs.NE
Tempo: Helping Data Scientists and Domain Experts Collaboratively Specify Predictive Modeling Tasks
Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh(匹兹堡大学)
本文提出交互式系统 Tempo,通过时间查询语言和子群性能评估支持数据科学家与领域专家协作迭代预测模型规格,并以三个案例验证其能快速排除不可行方案。
2025-02-20 cs.AI cs.HC
Convolutional Neural Networks for Predictive Modeling of Lung Disease
Northeastern University(东北大学);Columbia University(哥伦比亚大学);University of Southern California(南加州大学);Southern Methodist University(南卫理公会大学)
本文提出结合HRNet与空洞卷积的Pro-HRnet-CNN模型用于肺成像疾病预测,在LIDC-IDRI数据集上相比ResNet-50显著提升了小尺寸结节的检测精度,为肺部疾病早期识别提供新途径。
2024-08-08 cs.AI cs.CV eess.IV
Predictive Monitoring of Black-Box Dynamical Systems
Institute of Science and Technology Austria(奥地利科学技术研究所);IMDEA Software Institute(IMDEA软件研究所);Singapore Management University(新加坡管理大学)
针对黑盒动态系统,提出基于泰勒展开与后向差分算子的预测框架,利用历史状态预测未来状态以提前发现安全违规,计算轻量且准确率显著优于现有技术。
2024-12-21 cs.AI cs.SY eess.SY
Model Predictive Control of Hybrid Dynamical Systems
Department of Electrical and Computer Engineering, University of California, Santa Cruz, CA(加州大学圣克鲁兹分校电气与计算机工程系)
本文研究了使用模型预测控制对混合动力系统进行控制的问题,提出了一种混合MPC算法,并给出了保证渐近稳定的充分条件。
2026-08-11 cs.AI cs.RO cs.SY