Multi-Criteria Comparison as a Method of Advancing Knowledge-Guided Machine Learning
Louisiana State University(路易斯安那州立大学);Naval Research Laboratory(海军研究实验室)
本文提出一种基于多准则比较和计算社会选择投票规则的模型评估方法,用于在科学原理和实际结果等多方面评估AI/ML模型,并讨论其额外优势与应用。
2024-03-18 cs.LG
Comparison of Support Vector Machine and Back Propagation Neural Network in Evaluating the Enterprise Financial Distress
Fooyin University(辅英大学);Shu-Te University(树德科技大学)
近年来,将数据采掘这一新兴技术应用于企业财务困境的评估得到了广泛的研究。支持向量机(Support Vector Machine,SVM)和反向传播神经网络(Back Propagation Neural Network,BPN)在规则提取、分类和评价等领域有着良好的推广效果。本文提出了一种基于高斯径向基核支持向量机的企业财务困境评价模型。BPN网络被认为是用于多层神经网络有监督训练的最简单和最通用的方法之一。比较结果表明,通过性能指标之间的差异是边际的,支持向量机给出了更高的精度和更低的出错率。
2010-07-29 cs.LG
Addressing Challenges in Time Series Forecasting: A Comprehensive Comparison of Machine Learning Techniques
School of Automotive and Traffic Engineering, Jiangsu University(江苏大学汽车与交通工程学院)
本文针对时间序列预测挑战,比较多种机器学习算法与ARIMA在不同数据集(完整、含异常值、含缺失值)上的长期预测准确性,以指导算法选择。
2025-03-26 cs.LG
Comparison of Automated Machine Learning Tools for SMS Spam Message Filtering
Center for Artificial Intelligence Research (CAIR)(人工智能研究中心(CAIR));University of Agder(阿格德大学)
短消息服务(SMS)是移动用户用于通信的非常流行的服务。然而,这项受欢迎的服务可能会被滥用,执行非法活动并影响安全风险。如今,存在许多自动机器学习(AutoML)工具,它们可以帮助领域专家和普通用户在很少或没有机器学习知识的情况下构建高质量的ML模型。在这项工作中,分类性能进行了比较之间的三个自动机器学习工具的短信垃圾邮件过滤。这些工具是mljar监督的AutoML,H2O AutoML和基于树的管道优化工具(TPOT)AutoML。实验结果表明,集成模型取得了最好的分类性能。使用H2O AutoML构建的Stacked Entrance模型在Log Loss(0.8370)、真阳性(1088/1116)和真阴性(281/287)指标方面实现了最佳性能。相对于TPOT AutoML,Log Loss有19.05\%的改进,相对于mljar监督的AutoML,有5.56\%的改进。使用AutoML工具实现的令人满意的过滤性能为AutoML工具提供了一个潜在的应用程序,可以自动确定最佳的ML模型,可以最好地执行SMS垃圾邮件过滤。
2021-06-28 cs.LG
Experimental Comparison of Semi-parametric, Parametric, and Machine Learning Models for Time-to-Event Analysis Through the Concordance Index
Nokia Bell Labs France(诺基亚贝尔实验室法国);Inria(法国国家信息与自动化研究所);Safran Tech(赛峰集团技术公司(Safran Tech))
在本文中,我们通过两个不同数据集(PBC和GBCSG2)上的一致性指数对半参数(Cox比例风险模型,Aalen的加性回归模型),参数(Weibull AFT模型)和机器学习模型(随机生存森林,具有Cox比例风险损失的梯度提升,DeepSurv)进行了实验比较。我们提出了两个比较:一个是这些模型的默认超参数,另一个是通过随机搜索找到的最佳超参数。
2020-03-13 cs.LG stat.ML
Causal Machine Learning in IoT-based Engineering Problems: A Tool Comparison in the Case of Household Energy Consumption
University of Patras(帕特雷大学);Connect Line S.A.(Connect Line 股份有限公司)
本文针对现有机器学习仅依赖概率依赖而缺乏推理逻辑的问题,比较了两种因果机器学习工具及其数学基础,并基于IDEAL家庭能源数据集的18个查询验证了因果假设的有效性,结果表明该方法可推广至其他领域。
2025-06-30 cs.LG
Comparison of machine learning and statistical approaches for digital elevation model (DEM) correction: interim results
University of Cape Town(开普敦大学);University of Lagos(拉各斯大学);Newcastle University(纽卡斯尔大学);University of Pretoria(比勒陀利亚大学);Cape Peninsula University of Technology(开普半岛理工大学);University of Nigeria(尼日利亚大学);Oregon State University(俄勒冈州立大学)
本研究对比了XGBoost、LightGBM和CatBoost等梯度提升决策树与多元线性回归在提升南非开普敦30 m Copernicus和AW3D全球DEM垂直精度方面的表现。
2024-02-08 cs.LG
Quantum vs. Classical Machine Learning: A Unified Empirical Comparison
Hebei Normal University(河北师范大学);Kyushu University(九州大学);University of Luxembourg(卢森堡大学)
通过七组监督学习和强化学习模型的实证比较,发现当前量子机器学习模型在预测性能、策略稳定性和训练时间上尚未超越经典基线,但在噪声过滤和假阳性控制方面具有潜力。
2026-07-03 cs.LG
An embarrassingly simple comparison of machine learning algorithms for indoor scene classification
Monash University Malaysia(马来西亚蒙纳士大学)
随着自主式室内机器人的出现,室内场景识别的计算机视觉任务受到了广泛关注。室内场景识别是计算机视觉中的一个具有挑战性的问题,它依赖于场景中的局部和全局特征。本研究旨在比较五种机器学习算法在室内场景分类任务上的性能,以确定每种分类器的优缺点。它还提供了低延迟特征提取器与巨大特征提取器的比较,以了解性能影响。最后,提出了一个简单的MnasNet的室内分类系统,它可以在23 ms的延迟达到72%的准确率。
2021-09-25 cs.CV cs.LG
Automation for Interpretable Machine Learning Through a Comparison of Loss Functions to Regularisers
University of Southampton(南安普顿大学);The Alan Turing Institute(艾伦·图灵研究所);Silverstream Technologies Ltd(Silverstream科技有限公司)
为了增加机器学习的普及,它需要自动化。自动化具有成本效益,因为它允许专家花费更少的时间来调整方法,从而缩短开发时间。然而,尽管这种自动化产生了高度准确的架构,但它们可能是不可解释的,充当“黑盒子”,产生较低的常规错误,但无法对底层的输入-输出关系(地面事实)进行建模。本文探讨了在机器学习回归自动化中使用拟合中位误差度量,使用演化计算以提高对地面真实值的近似。当与传统的误差测量一起使用时,它通过将学习到的输入输出关系正则化到条件中值来提高可解释性。它与传统的正则化器进行了比较,以说明使用拟合中位误差产生回归神经网络,该回归神经网络对更一致的输入-输出关系进行建模。所考虑的问题是船舶功率预测使用的节油空气润滑系统,这是高度随机的性质。针对拟合中值误差进行优化的网络显示出更一致地近似地面实况,而不会牺牲传统的Minkowski-r误差值。
2021-06-07 cs.LG
Statistical and Machine Learning Analysis of Traffic Accidents on US 158 in Currituck County: A Comparison with HSM Predictions
Elizabeth City State University(埃里克森州立大学)
本研究利用统计与机器学习方法分析美国158号公路交通事故,通过随机森林预测受伤严重程度并验证热点区域,为提升交通安全性提供方法学支持。
2025-12-26 cs.LG
A comparison of machine learning surrogate models of street-scale flooding in Norfolk, Virginia
Thomas Jefferson National Accelerator Laboratory(托马斯·杰斐逊国家加速器实验室);University of Virginia(弗吉尼亚大学);Old Dominion University(奥尔德多米宁大学)
本研究比较随机森林与LSTM、GRU两种深度学习模型在弗吉尼亚州诺福克街道尺度洪水预测中的性能,强调模型架构需支持不确定性沟通与多模态特征整合。
2023-07-26 cs.LG
Anomaly Detection in Beehives: An Algorithm Comparison
University of Würzburg(维尔茨堡大学);Institute of Computer Science, Chair of Computer Science X, University of Würzburg(维尔茨堡大学计算机科学研究所计算机科学X教授)
装有传感器的蜂箱可以监测蜜蜂的生活条件。机器学习模型可以使用这些蜂巢的数据来学习行为模式并发现异常事件。由于经济原因,养蜂人特别感兴趣的一种类型的事件是蜜蜂群集。其他感兴趣的事件是来自疾病的行为异常和技术异常,例如传感器故障。养蜂人可以得到合适的机器学习模型的支持,这些模型可以检测这些事件。在本文中,我们比较了多个机器学习模型的异常检测和评估他们的适用性的背景下,蜂箱。即采用深度递归自编码器、椭圆包络、孤立森林、局部离群因子和单类支持向量机。通过对不同蜂巢和不同传感器设置的真实世界数据集的评估,我们发现相比之下,自动编码器是最好的多用途异常检测器。
2021-10-08 cs.LG
A Comprehensive Performance Comparison of Traditional and Ensemble Machine Learning Models for Online Fraud Detection
Vellore Institute of Technology(韦洛尔理工学院)
本文在高度不平衡的信用卡欺诈数据集上系统比较了随机森林、SVM、逻辑回归、XGBoost等传统模型与堆叠、投票等集成方法的性能,发现集成方法精确率更高而传统方法召回率更优,为实际欺诈检测中的模型选择提供了依据。
2025-09-21 cs.LG
A Comparison of Machine Learning Algorithms Applied to American Legislature Polarization
University of Minnesota(明尼苏达大学);University of Chicago(芝加哥大学);Georgetown University(乔治城大学);Tulane University(杜兰大学);University of Nevada, Reno(内华达大学雷诺分校);Temple University(天普大学)
我们提出了一种新的方法来测量美国州议会极化与三种不同的机器学习算法的实验比较。我们的方法严格依赖于公共数据源和开源软件。结果表明,人工神经网络回归有最好的结果相比,支持向量机和普通最小二乘回归在预测的州众议院和州参议院的立法机构极化。除了我们的研究的技术成果,更广泛的影响进行了评估,作为一种手段,强调无障碍信息的重要性,促进公民责任的更高目的。
2020-07-18 cs.CY cs.LG
A comparison between Recurrent Neural Networks and classical machine learning approaches In Laser induced breakdown spectroscopy
K. N. Toosi University of Technology(哈奇·纳赛尔·图西理工大学);University of Science and Technology of Mazandaran(马赞德兰科技大学);Islamic Azad University(伊斯兰阿扎德大学);University of Calgary(卡尔加里大学)
本文比较了多种循环神经网络与经典机器学习方法在激光诱导击穿光谱铝合金定量分析中的表现,发现基于卷积循环网络的模型对大多数元素浓度预测效率最佳。
2023-04-16 cs.LG
Electric Vehicle Charging Load Forecasting: An Experimental Comparison of Machine Learning Methods
University of Piraeus(比雷埃夫斯大学)
本文通过实验比较了多种机器学习方法在不同时间跨度和空间聚合水平下的电动汽车充电需求预测性能。
2026-03-31 cs.LG
Federated Learning Versus Classical Machine Learning: A Convergence Comparison
Nagoya Institute of Technology(名古屋工业大学)
在过去的几十年里,机器学习已经彻底改变了大规模应用的数据处理。与此同时,趋势应用程序中越来越多的隐私威胁导致了对经典数据训练模型的重新设计。特别是,经典的机器学习涉及集中式数据训练,其中收集数据,整个训练过程在中央服务器上执行。尽管有显著的融合,但当与中央云服务器共享时,此培训涉及参与者数据的几个隐私威胁。为此,联邦学习在分布式数据训练中取得了显著的重要性。特别地,联邦学习允许参与者在本地数据上协作地训练本地模型,而不向中央云服务器泄露他们的敏感信息。在本文中,我们在两个公开可用的数据集,即逻辑回归-MNIST数据集和图像分类-CIFAR-10数据集上,对经典机器学习和联邦学习进行了收敛性比较。仿真结果表明,联邦学习在保持参与者匿名性的同时,在有限的通信轮数内实现了更高的收敛性。我们希望这项研究能够显示出它的好处,并帮助联邦学习得到广泛的实施。
2021-07-22 cs.DC cs.LG
Support vector comparison machines
Mila and McGill University(Mila和麦吉尔大学);Northern Arizona University(北亚利桑那大学);Tokyo Institute of Technology(东京工业大学);RIKEN Center for Advanced Intelligence Project(理化学研究所革新智能综合研究中心);The University of Tokyo(东京大学)
在排名问题中,目标是从标记的输入点对中学习排名函数。在本文中,我们考虑了相关的比较问题,其中标签表示对中的哪个元素更好,或者是否没有显著差异。我们铸造的学习问题作为一个利润最大化,并表明,它可以通过将其转换为一个标准的SVM解决。我们使用模拟的非线性模式,一个真正的学习排名寿司数据集,国际象棋数据集,我们提出的SVMcompare算法优于SVMrank时,有平等对。
2020-07-23 cs.LG stat.ML
Towards Automated Machine Learning: Evaluation and Comparison of AutoML Approaches and Tools
Capital One(第一资本金融公司);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
近年来,机器学习(ML)的工业应用有了相当大的增长和兴趣。因此,整个行业对ML工程师的需求很高,但提高ML工程师的效率仍然是一个根本性的挑战。自动机器学习(AutoML)已经成为一种节省ML管道中重复任务的时间和精力的方法,例如数据预处理,特征工程,模型选择,超参数优化和预测结果分析。在本文中,我们调查了AutoML工具的现状,旨在自动化这些任务。我们在许多数据集上,在不同的数据段中,对这些工具进行了各种评估,以检查它们的性能,并在不同的测试用例上比较它们的优缺点。
2019-09-03 cs.LG stat.ML
PMLB: A Large Benchmark Suite for Machine Learning Evaluation and Comparison
Institute for Biomedical Informatics(生物医学信息学研究所);University of Pennsylvania(宾夕法尼亚大学)
基于特定研究的目标问题和目标,在数据采掘中选择、开发或比较机器学习方法可能是一项困难的任务。许多公开的真实世界和模拟基准数据集来自不同的来源,但它们的组织和作为标准的采用一直不一致。因此,选择和策划特定的基准仍然是机器学习从业者和数据科学家不必要的负担。本研究介绍了一个可访问的,策划和发展的公共基准资源,以促进识别不同的机器学习方法的优点和缺点。我们比较了该资源中当前一组基准数据集的元特征,以表征可用数据的多样性。最后,我们将一些已建立的机器学习方法应用于整个基准测试套件,并分析数据集和算法如何在性能方面聚类。这项工作是了解流行的基准测试套件的局限性,并开发一种资源,将现有的基准测试标准与未来更多样化和更有效的标准联系起来的重要的第一步。
2017-03-01 cs.AI cs.LG
Comparison of Binary Classification Based on Signed Distance Functions with Support Vector Machines
Vanderbilt University Medical Center(范德比尔特大学医学中心);Vanderbilt University(范德比尔特大学)
我们研究了一个简单的符号距离函数(SDF)为基础的方法的性能直接与标准的SVM包,以及K-近邻和RBFN方法进行比较。我们目前的实验结果比较SDF的方法与其他分类合成几何问题和五个基准临床微阵列数据集。在几何问题和微阵列数据集上,非优化的基于SDF的分类器的性能与成熟的标准SVM方法一样好或稍好。这些结果证明了基于SDF的方法在某些类型的问题上的潜在准确性。
2008-12-16 cs.CG cs.LG
Emblaze: Illuminating Machine Learning Representations through Interactive Comparison of Embedding Spaces
Carnegie Mellon University(卡内基梅隆大学)
现代机器学习技术通常依赖于复杂的高维嵌入表示来捕获数据中的底层结构并提高性能。为了表征模型缺陷并选择理想的表示,模型构建者通常需要在多个嵌入空间中进行比较,这是一项具有挑战性的分析任务,现有工具很少支持。我们首先采访了不同领域的九位嵌入专家,以描述他们在分析嵌入空间时面临的各种挑战和使用的技术。根据这些观点,我们开发了一种名为Emblaze的新系统,该系统将嵌入空间比较集成在计算笔记本环境中。Emblaze使用动画,交互式散点图与新颖的星迹增强,使视觉比较。它还采用了新的邻域分析和聚类程序,以动态地建议空间之间有有趣变化的点组。通过与ML专家的一系列案例研究,我们展示了如何与Emblaze进行交互式比较,以帮助获得对嵌入空间结构的新见解。
2022-02-16 cs.HC cs.LG
Financial Series Prediction: Comparison Between Precision of Time Series Models and Machine Learning Methods
由于金融序列的不稳定性和噪声的存在,金融序列的精确预测一直是一个难题。虽然传统的时间序列模型如ARIMA和GARCH等已经被研究并证明是有效的,但它们的性能还远不能令人满意。机器学习作为近年来新兴的研究领域,在回归、分类等方面取得了令人难以置信的进步,在金融时间序列预测方面也有着广阔的应用前景。本文利用历史上真实的股票指数数据,通过实验比较了传统时间序列模型与主流机器学习模型(包括深度学习的一些最新模型)对金融时间序列的预测精度。结果表明,机器学习作为一种现代方法,在精度上远远超过传统模型。
2018-12-08 cs.LG q-fin.ST
EEG-Based Acute Pain Classification: Machine Learning Model Comparison and Real-Time Clinical Feasibility
本研究比较九种机器学习模型分类激光诱发疼痛的脑电数据,支持向量机离线准确率88.9%,实时XGBoost延迟4毫秒、准确率94.2%,证明脑电疼痛监测临床可行。
2025-10-07 cs.LG
Comparison of SVM Optimization Techniques in the Primal
Johns Hopkins University(约翰斯·霍普金斯大学)
本文探讨了不同的优化技术在一个原始的支持向量机(SVM)制定的有效性。比较了三种主要技术。用于比较所有三种技术的数据集是来自kaggle.com的电影评论数据集上的情感分析。
2014-06-28 cs.LG
A comparison of Deep Learning performances with other machine learning algorithms on credit scoring unbalanced data
National Bank Of Canada(加拿大国家银行)
在高度不平衡的数据上训练模型是机器学习算法的一项挑战性任务。目前对深度学习的研究主要集中在具有平衡类标签或不平衡数据的数据集上,但具有大量可用的样本,如语音识别。然而,深度学习在小样本不平衡数据上的能力在文献中没有深入研究,而它在许多行业中是一个非常常见的应用背景。为了填补这一空白,本文比较了几种流行的机器学习算法的性能,这些算法以前成功地应用于不平衡数据集与深度学习算法。我们在一个高度不平衡的数据集上进行这些实验,用于信用评分。我们评估各种配置,包括神经网络优化技术,并试图确定他们的能力时,他们与不平衡的语料库。
2020-02-25 cs.LG stat.ML
Predicting fall risk in older adults: A machine learning comparison of accelerometric and non-accelerometric factors
Universidad de León(莱昂大学);Complejo Asistencial Universitario de León(莱昂大学医疗综合体);University of Valladolid(巴利亚多利德大学)
本研究通过机器学习比较,发现结合加速度计与非加速度计数据(如年龄、合并症)的贝叶斯岭回归模型在老年人跌倒风险预测中表现最优,支持整合数据以提升评估效果。
2025-08-04 cs.LG stat.AP
A Comparison of Statistical and Machine Learning Algorithms for Predicting Rents in the San Francisco Bay Area
城市交通和土地利用模型已经使用理论和统计建模方法来开发在规划应用中有用的模型系统。机器学习方法被认为是“黑箱”,缺乏可解释性,其使用仅限于土地利用和交通建模文献。我们提出了一个用例,其中预测精度是最重要的,并比较使用随机森林回归到多元回归使用普通最小二乘法,预测租金每平方英尺在旧金山湾区使用大量的租赁列表从Craigslist网站。我们发现,我们能够获得有用的预测,从这两个模型几乎完全使用当地的可访问性变量,虽然随机森林模型的预测精度要高得多。
2020-11-26 cs.LG econ.EM
Can you hear me $\textit{now}$? Sensitive comparisons of human and machine perception
Johns Hopkins University(约翰斯·霍普金斯大学)
处理感官输入的机器学习系统的兴起带来了人类和机器感知之间的比较。但这样的比较面临着一个挑战:虽然机器对某些刺激的感知通常可以通过直接和明确的测量来探索,但人类的大部分感知知识是潜在的,不完整的,或者无法进行明确的报告。在这里,我们将探讨这种不对称性如何导致这种比较错误估计人类和机器感知的重叠。作为一个案例研究,我们考虑人类对\textit{adversarial speech}的感知-合成音频命令,自动语音识别系统将其识别为有效消息,但据报道,人类听众听到的是毫无意义的噪音。在五个实验中,我们从人类心理物理学文献中改编了任务设计,以表明即使受试者不能自由地转录这样的语音命令,(以前人类理解的基准),他们往往可以证明其他形式的理解,包括区分敌对的语音从密切匹配的非语音(实验1- 2),完成在对抗性语言中开始的常见短语(实验3- 4),并解决对抗性语言中提出的简单数学问题(实验5)-即使是以前描述为人类听众无法理解的刺激。我们建议在比较人类和机器的感知时采用这种“敏感测试”,我们讨论了这种方法评估系统之间重叠的更广泛的后果。
2022-08-03 cs.CL cs.LG cs.SD
Recent advancement in Disease Diagnostic using machine learning: Systematic survey of decades, comparisons, and challenges
Malek Ashtar University(马利克·阿什塔尔大学)
本文综述了机器学习在计算机辅助疾病诊断中的应用,探讨了其在提高肝炎、糖尿病和心脏病等多种疾病检测准确性和决策客观性方面的算法、技术与挑战。
2023-07-31 cs.AI cs.LG
Validating the Validation: Reanalyzing a large-scale comparison of Deep Learning and Machine Learning models for bioactivity prediction
University of Cambridge(剑桥大学);Imperial College London(伦敦帝国理工学院)
机器学习方法可能具有显著加速药物发现的潜力。然而,越来越多的新方法被发表在文献中提出了一个根本问题,模型应该如何基准和验证。我们重新分析了最近发表的生物活性预测机器学习模型的大规模比较所产生的数据,并得出了一个有点不同的结论。我们证明了支持向量机的性能与深度学习方法的性能具有竞争力。此外,使用一系列的数值实验,我们质疑的相关性的接收器操作特征曲线下的面积作为一个指标,在虚拟筛选,而不是建议,准确率-召回率曲线下的面积应结合使用的接收器操作特性。我们的数值实验还强调了通过支架分割嵌套交叉验证估计模型性能不确定性的挑战。
2019-06-09 cs.LG physics.chem-ph stat.ML
Duckworth-Lewis-Stern Method Comparison with Machine Learning Approach
Institute of Business Administration (IBA)(巴基斯坦工商管理学院)
这项工作提出了一个分析的Duckle-Lewis-Stern(DLS)方法为一天的国际(ODI)板球比赛。的DLS方法的准确性进行比较,对各种监督学习算法的结果预测。板球比赛的结果在第二局时就可以预测了。本文还优化了Duckle-Lewis(D/L)公式中的DLS资源表,提高了其预测能力。最后,一个不可预测性指数的发展,排名不同的板球比赛的国家,根据他们是如何不可预测的,而发挥ODI比赛。
2021-06-01 cs.LG stat.ML
Facilitating automated conversion of scientific knowledge into scientific simulation models with the Machine Assisted Generation, Calibration, and Comparison (MAGCC) Framework
University of Vermont Larner College of Medicine(佛蒙特大学拉纳医学院)
机器辅助生成、比较和校准(MAGCC)框架为科学仿真模型的开发、实施、测试和使用中经常出现的关键步骤和过程提供机器辅助和自动化。MAGCC通过自然语言处理或从现有数学模型中提取知识来连接系统,并提供全面的工作流程,包括科学模型的组成和人工智能(AI)辅助的代码生成。MAGCC通过以下方式实现这一目标:1)开发全面表达的正式知识表示知识库,结构化科学知识表示(SSKR),其包含制作任何仿真模型所需的所有类型的信息,2)使用人工智能逻辑推理系统,计算建模助理(CMA),其从SSKR获取信息并以可追踪的方式生成,跨一系列仿真建模方法的模型规范,以及3)使用CMA从那些模型规范生成用于仿真模型的可执行代码。MAGCC框架可以定制任何科学领域,未来的工作将整合新开发的代码生成AI系统。
2022-04-21 cs.AI cs.LG
A Comparison of Machine Learning Methods for Data with High-Cardinality Categorical Variables
Lucerne University of Applied Sciences and Arts(卢塞恩应用科学与艺术大学)
本文针对高基数分类变量问题,实证比较树提升、深度神经网络与线性混合效应模型,发现带随机效应的机器学习模型预测准确率更高,且带随机效应的树提升优于带随机效应的深度神经网络。
2023-07-05 cs.AI cs.LG stat.ML
Comparison of Classical Machine Learning Approaches on Bangla Textual Emotion Analysis
University of Saarland(萨尔大学);University of Chittagong(吉大港大学)
从文本中检测情感是简单情感极性检测的扩展。而不是只考虑积极或消极的情绪,情绪传达使用更有形的方式;因此,他们可以表达为许多灰色阴影。本文体现了我们的实验孟加拉语文本的细粒度情感分析的结果。我们收集并注释了一个文本语料库,该语料库由来自几个Facebook群组的关于社会经济和政治问题的用户评论组成,我们努力提取通过这些评论传达的基本情绪(悲伤,快乐,厌恶,惊讶,恐惧,愤怒)。最后,我们比较了五个最流行的经典机器学习技术,即朴素贝叶斯,决策树,k-最近邻(k-NN),支持向量机(SVM)和K-均值聚类与几种组合的功能的结果。我们的最佳模型(具有非线性径向基函数(RBF)内核的SVM)实现了52.98%的总体平均准确率得分和0.3324的F1得分(宏)
2019-07-18 cs.CL cs.LG
Low-Shot Classification: A Comparison of Classical and Deep Transfer Machine Learning Approaches
Kantar(凯度)
尽管深度迁移学习方法最近在NLP中取得了成功,但缺乏定量研究来证明这些模型在低拍摄文本分类任务中提供的收益超过现有范例。深度迁移学习方法(如BERT和ULMFiT)表明,它们可以在更大的数据集上击败最先进的结果,但是当每个类只有100-1000个标记示例时,方法的选择就不那么明确了,经典的机器学习和深度迁移学习代表了有效的选项。本文比较了目前最好的迁移学习方法与顶级经典的机器学习方法上的三元情感分类任务,以评估最佳范例。我们发现,代表最好的深度迁移学习的BERT是性能最好的方法,当每个类训练100个样本时,平均比顶级经典机器学习算法性能高出9.7%,当每个类训练1000个标签时,平均比顶级经典机器学习算法性能低1.8%。我们还展示了深度迁移学习在跨领域移动中的鲁棒性,其中在相似领域任务中准确性的最大损失仅为0.7%,跨领域任务的最大损失为3.2%,而经典的机器学习损失高达20.6%。
2019-07-17 cs.LG stat.ML
pCAMP: Performance Comparison of Machine Learning Packages on the Edges
Wayne State University(韦恩州立大学);Institute of Computing Technology, CAS(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
机器学习改变了计算范式。今天的产品都是以机器智能为核心属性的,消费者开始期待与他们使用的设备进行接近人类的互动。然而,大部分的深度学习革命都局限于云计算。最近,已经宣布了几个基于边缘设备的机器学习包,其目的是将计算卸载到边缘。然而,很少有研究已经完成,以评估这些软件包的边缘,使最终用户难以选择一个适当的软件和硬件对。在本文中,我们对边缘上的几种最先进的机器学习包进行了性能比较,包括TensorFlow,Caffe2,MXNet,PyTorch和TensorFlow Lite。我们专注于在不同的边缘设备上使用两种流行的神经网络来评估这些工具的延迟、内存占用和能量。该评估不仅为最终用户选择合适的硬件和软件包组合提供了参考,而且为开发人员优化软件包指出了未来可能的方向。
2019-06-06 cs.DC cs.LG cs.PF
Buy when? Survival machine learning model comparison for purchase timing
针对机器学习较少用于预测购买时机的问题,本文对比了多种生存机器学习模型,发现DeepSurv预测购买完成效果最优,可助力营销提升转化率。
2023-08-28 cs.LG stat.ML
Comparison of Deep Learning and the Classical Machine Learning Algorithm for the Malware Detection
Birla Institute of Technology and Science(贝拉理工学院)
最近,深度学习在各种人工智能应用中表现出了良好的效果,如图像识别,自然语言处理,语言建模,神经机器翻译等,尽管与经典的机器学习技术相比,它在计算上更昂贵,但在某些情况下,它们的结果被发现更有效。因此,在本文中,我们研究并比较了一种称为深度神经网络(DNN)的深度学习架构与经典的随机森林(RF)机器学习算法用于恶意软件分类。我们研究了经典RF和DNN的性能,它们具有2层、4层和7层架构,具有四种不同的特征集,并发现无论特征输入如何,经典RF准确性都优于DNN。
2018-09-16 cs.AI cs.CR cs.LG
Comparison theorems on large-margin learning
本文研究了与一类损失函数相关的二进制分类问题,称为大间隔统一机(LUM),它提供了一个自然的桥梁,基于分布的似然方法和基于间隔的方法。它还可以克服支持向量机在高维数和低样本量情况下的数据堆积问题。在本文中,我们建立了一些新的比较定理的所有LUM损失函数,发挥了关键作用,在进一步的误差分析的大间隔学习算法。
2019-08-13 cs.LG stat.ML
Modelling of Received Signals in Molecular Communication Systems based machine learning: Comparison of azure machine learning and Python tools
Harbin Institute of Technology(哈尔滨工业大学);King Saud University(沙特国王大学)
在纳米网络上实现的分子通信(MC)在能量效率、可靠性和鲁棒性方面具有非常吸引人的特性。尽管如此,令人难以置信的缓慢分子扩散和高变异性环境的影响仍然未知。通信系统的分析和设计通常依赖于开发描述通信信道的数学模型。然而,在一些系统中,例如MC系统,其中化学信号用于传递信息,底层通道模型是未知的。在这些情况下,需要一种新的分析和设计方法。在本文中,我们集中在MC系统的一个关键方面,MC接收信号建模,直到时间t,并证明使用ML的工具,使它有希望训练检测器,可以很好地执行没有任何信息的信道模型。机器学习(ML)是智能方法学中的一种,在该领域已经显示出有希望的结果。本文应用Azure机器学习(Azure ML)对柔性路面养护回归问题进行研究并提出解决方案。对于预测,使用四个参数作为输入:接收器半径、发射器半径、接收器和发射器之间的距离以及扩散系数,而输出是接收信号的mAP(平均平均精度)。Azure ML使算法能够从数据和经验中学习,并在无需编码的情况下完成任务。在所建立的Azure ML中,选择了boost决策树回归、贝叶斯线性回归、神经网络和决策森林回归等回归算法。选择最佳性能作为最优性准则。最后,展示了Azure ML工具相对于开发人员在本地PC上使用的基于编程的工具(Python)的潜在优势
2021-12-19 cs.ET cs.LG
Performance Analysis and Comparison of Machine and Deep Learning Algorithms for IoT Data Classification
University of Science and Culture(科学与文化大学);Sharif University of Technology(谢里夫理工大学);Khorasan Institute of Higher Education(霍拉桑高等教育学院)
近年来,物联网(IoT)作为一种新兴技术的增长令人难以置信。物联网领域中支持网络的设备数量正在急剧增加,导致电子数据的大量产生。这些数据包含有价值的信息,可用于各个领域,如科学,工业,商业甚至社会生活。要提取和分析这些信息并使物联网系统变得智能,唯一的选择就是进入人工智能(AI)世界,利用机器学习和深度学习技术的力量。本文使用六个物联网相关数据集评估了11种流行的机器和深度学习算法在分类任务中的性能。根据精确度、召回率、f1分数、准确度、执行时间、ROC-AUC分数和混淆矩阵等几个性能评估指标对这些算法进行了比较。还进行了一个具体的实验,以评估所开发的模型的收敛速度。综合实验表明,考虑到所有性能指标,随机森林的表现优于其他机器学习模型,而在深度学习模型中,ANN和CNN取得了更有趣的结果。
2020-01-27 cs.LG stat.ML
Using Low-Discrepancy Points for Data Compression in Machine Learning: An Experimental Comparison
University of Mannheim(曼海姆大学)
本研究探索两种基于低差异点的数据集缩减方法以训练神经网络,对比了基于数字网的平均法、Voronoi聚类法与supercompress方法在压缩误差和训练准确率上的表现。
2024-12-13 cs.LG stat.ML
Facilitating Machine Learning Model Comparison and Explanation Through A Radial Visualisation
University of Technology Sydney(悉尼科技大学)
为数据集构建有效的机器学习(ML)模型是一项涉及多个步骤的艰巨任务。最重要的步骤之一是比较生成的大量ML模型,以找到最适合部署的ML模型。这是具有挑战性的,比较这样的模型与动态数量的功能。比较不仅仅是发现ML模型性能的差异,用户还对特征和模型性能之间的关系感兴趣,例如ML解释的特征重要性。本文提出了RadialNet Chart,这是一种新的可视化方法,可以比较用给定数据集的不同数量的特征训练的ML模型,同时揭示隐含的依赖关系。在RadialNet Chart中,ML模型和特征分别由直线和圆弧表示。这些线是使用递归函数有效地生成的。具有动态特征数量的ML模型的依赖性被编码到可视化的结构中,其中ML模型及其依赖特征直接从相关的线连接中揭示。ML模型性能信息在RadialNet Chart中使用颜色和行宽进行编码。与可视化结构一起,特征重要性可以在RadialNet Chart中直接识别,用于ML解释。
2021-04-15 cs.HC cs.LG
Modeling Stated Preference for Mobility-on-Demand Transit: A Comparison of Machine Learning and Logit Models
Georgia Institute of Technology(佐治亚理工学院);University of Michigan(密歇根大学)
Logit模型通常用于研究个人旅行行为,即,以预测出行方式选择,并获得对出行者偏好的行为洞察。最近,一些研究已经将机器学习应用于对出行模式选择进行建模,并且报告了比传统的logit模型更高的样本外预测准确性(例如,多项式logit)。然而,很少有研究集中在比较机器学习与logit模型的可解释性。换句话说,如何从高性能的“黑箱”机器学习模型中获取行为洞察力在旅行行为建模领域仍然是一个悬而未决的问题。本文旨在通过研究logit和机器学习模型在出行方式选择建模的模型开发、评估和行为解释方面的关键相似点和差异,对这两种方法进行全面比较。为了补充理论讨论,本文还实证评估了这两种方法的国家偏好调查数据的一种新型的交通系统集成高频固定路线服务和乘车外包。结果表明,机器学习可以产生比logit模型显著更高的预测精度。此外,机器学习和logit模型在行为解释的许多方面基本一致。此外,机器学习可以自动捕捉输入特征和选择结果之间的非线性关系。最后指出,结合机器学习和传统统计方法的思想,开发精细化的出行行为模型具有巨大的潜力,并提出了一些新的研究方向。
2019-04-01 cs.AI cs.LG stat.AP
Prayatul Matrix: A Direct Comparison Approach to Evaluate Performance of Supervised Machine Learning Models
National Institute of Technology Silchar(锡尔查尔国家理工学院)
监督机器学习(ML)模型的性能比较广泛地根据在测试数据集上获得的基于混淆矩阵的不同分数来进行。然而,数据集包括具有不同难度水平的若干实例。因此,比较ML模型在单个实例上的有效性,而不是比较整个数据集的得分,更符合逻辑。在本文中,提出了一种替代方法,用于根据数据集中的单个实例直接比较监督ML模型。介绍了一种称为\emph{Prayatul Matrix}的直接比较矩阵,该矩阵考虑了两种ML算法在数据集的不同实例上的比较结果。基于祈祷矩阵设计了五种不同的绩效指标。所提出的方法,以及设计的措施的有效性进行了分析与四个分类技术在三个数据集。还分析了四个大规模复杂图像数据集,四个深度学习模型,即ResNet50V2,MobileNetV2,EfficientNet和XceptionNet。结果很明显,新设计的度量能够提供更多关于比较ML算法的见解,这对于现有的基于混淆矩阵的分数(如准确度,精确度和召回率)是不可能的。
2022-09-26 cs.AI cs.CV cs.LG
A Gaussian Comparison Theorem for Training Dynamics in Machine Learning
Department of Computer Science and Engineering, Chalmers University(计算机科学与工程系,查尔姆斯理工大学)
本文提出了一种非渐近的高斯比较定理,用于分析机器学习中训练动态的演变,并展示了动态均值场表达式的有效性及非渐近场景下的改进方法。
2026-03-10 cs.LG math.PR stat.ML
Comparison of Machine Learning Classification Algorithms and Application to the Framingham Heart Study
Northeastern Illinois University(东北伊利诺伊大学)
本文以弗雷明汉冠心病数据为案例,比较八种机器学习分类算法在四种训练/测试场景下的泛化性,提出I型双重判别评分方法并证明其最优,同时给出提取最优变量层级的方法。
2024-02-22 cs.LG stat.ML
Super ensemble learning for daily streamflow forecasting: Large-scale demonstration and comparison with multiple machine learning algorithms
National Technical University of Athens(雅典国家技术大学);Air Force Support Command, Hellenic Air Force(希腊空军支援司令部);University of Patras(帕特雷大学)
通过数据驱动的方法进行的日常径流预测传统上是使用单个机器学习算法进行的。现有的应用程序大多局限于少数案例研究的检查,不允许准确评估所涉及的算法的预测性能。在这里,我们提出了超级学习(一种集成学习),通过组合10个机器学习算法。我们应用该算法在一步提前预测模式。为了应用,我们利用了一个大的数据集,包括10年的时间序列的日径流量,降水量和温度从511个流域。超级学习器比线性回归算法的性能提高了20.06%,优于“实践中难以击败”的等权重组合器。后者比线性回归算法的性能提高了19.21%。性能最好的单个机器学习算法是神经网络,它比线性回归算法的性能提高了16.73%,其次是极度随机化的树(16.40%)、XGBoost(15.92%)、黄土(15.36%)、随机森林(12.75%)、polyMARS(12.36%)、MARS(4.74%)、lasso(0.11%)和支持向量回归(-0.45%)。基于所获得的大规模的结果,我们提出了超级学习每日径流预测。
2021-03-22 cs.LG stat.ML
Credible CO2 Comparisons: A Machine Learning Approach to Vehicle Powertrain Assessment
National Institute of Metrology, Quality and Technology(国家计量局质量与技术研究所);University of Feira de Santana(费拉德桑塔纳大学)
本文提出了一种基于机器学习的框架,用于在真实世界驾驶条件下公平比较内燃机车辆和电动汽车的动力总成性能,通过统一的即时排放指标实现可信的碳排放评估。
2026-01-20 cs.AI cs.LG
Comparison of Fully Homomorphic Encryption and Garbled Circuit Techniques in Privacy-Preserving Machine Learning Inference
IEEE
本文比较了全同态加密(FHE)与混淆电路(GC)在隐私保护机器学习推理中的性能,发现GC执行更快、内存更低,而FHE支持非交互式推理。
2025-10-08 cs.CR cs.LG
When a RF Beats a CNN and GRU, Together -- A Comparison of Deep Learning and Classical Machine Learning Approaches for Encrypted Malware Traffic Classification
Ariel University(阿里埃勒大学)
因特网流量分类被广泛用于促进网络管理。它在服务质量(QoS)、体验质量(QoE)、网络可见性、入侵检测和流量趋势分析方面发挥着至关重要的作用。虽然没有理论保证基于深度学习(DL)的解决方案比基于经典机器学习(ML)的解决方案性能更好,但基于DL的模型已成为常见的默认值。本文比较了著名的DL为基础的和ML为基础的模型,并表明,在恶意流量分类的情况下,最先进的DL为基础的解决方案不一定优于经典的ML为基础的。我们使用两个众所周知的数据集来验证这一发现,这些数据集用于不同的任务,例如:恶意软件检测,恶意软件家族分类,零日攻击检测以及迭代增长数据集的分类。请注意,评估所有可能的模型以做出具体声明是不可行的,因此,上述发现不是避免基于DL的模型的建议,而是经验证明,在某些情况下,存在更简单的解决方案,可能会表现得更好。
2022-06-16 cs.CR cs.LG
A two-level machine learning framework for predictive maintenance: comparison of learning formulations
ICTEAM Institute, UCLouvain(鲁汶大学ICTEAM研究所);Ion Beam Applications(离子束应用公司)
基于工业机器中的传感器信息预测传入故障和调度维护对于避免停机时间和机器故障越来越重要。可以使用不同的机器学习公式来解决预测性维护问题。然而,在文献中研究的许多方法并不直接适用于现实生活中的场景。实际上,这些方法中的许多方法通常要么在分类和故障检测的情况下依赖于标记的机器故障,要么在回归和剩余使用寿命估计的情况下依赖于找到可以进行预测的单调健康指标,这并不总是可行的。此外,问题的决策部分并不总是与预测阶段一起研究。本文的目的是设计和比较不同的配方预测性维护在两个级别的框架和设计指标,量化故障检测性能以及维修决策的时间。第一级负责通过使用学习算法聚合特征来构建健康指标。第二层是一个决策系统,可以根据这个健康指标触发警报。三个程度的改进进行了比较,在第一级的框架,从简单的基于阈值的单变量预测技术的监督学习方法的基础上,在故障前的剩余时间。我们选择使用的支持向量机(SVM)和它的变化作为在所有配方中使用的共同算法。我们应用和比较不同的策略在现实世界的旋转机器的案例研究,并观察到,虽然一个简单的模型已经可以很好地执行,更复杂的改进,提高了预测精心选择的参数。
2022-04-21 cs.LG eess.SP