Scientific Computing with Diffractive Optical Neural Networks
University of Utah(犹他大学);Tsinghua University(清华大学);Purdue University(普渡大学)
衍射光学神经网络(DONNs)已经成为在机器视觉系统中执行全光学机器学习(ML)的高吞吐量和节能的硬件平台。然而,目前DONN的应用主要是简单的图像分类任务,这破坏了开发和利用其他ML应用的硬件的前景。在这里,我们数值和实验演示部署的全光可重构DONNs系统的科学计算,包括指导二维量子材料的合成,预测纳米材料和小分子抗癌药物的性质,预测纳米图案化集成光子功率分配器的设备响应,和倒立摆的动态稳定与强化学习。尽管有各种各样的输入数据结构,我们开发了一个通用的功能工程方法,将分类输入功能的图像,可以在DONNs系统中处理。我们的研究结果为将DONN系统用于广泛的ML应用开辟了新的机会。
2023-02-12 cs.ET cs.LG physics.optics
Comment on "robustness and regularization of support vector machines" by H. Xu, et al., (Journal of Machine Learning Research, vol. 10, pp. 1485-1510, 2009, arXiv:0803.3490)
Ferdowsi University of Mashhad(马什哈德菲尔多西大学);Islamic Azad University, Mashhad Branch(伊斯兰阿扎德大学马什哈德分校)
本文评论了有关支持向量机的鲁棒性和正则化的已发表的工作(机器学习研究杂志,第10卷,第10页)。1485-1510,2009)[arXiv:0803.3490]由H.他们提出了一个定理,表明可以将特征空间中的鲁棒性和样本空间中的鲁棒性直接联系起来。在本文中,我们提出了一个反例,拒绝他们的定理。
2013-08-17 cs.LG
Comment on "Machine learning conservation laws from differential equations"
Neomath(尼奥数学机构)
本文评论指出Liu等人的论文在阻尼1D谐振子守恒定律推导中存在七个严重错误,导致其机器学习方法和结果均不正确,并对此进行了回顾。
2025-01-31 cs.LG
Analysis of Diffractive Optical Neural Networks and Their Integration with Electronic Neural Networks
University of California, Los Angeles(加州大学洛杉矶分校)
光学机器学习在功率效率、可扩展性和计算速度方面具有优势。最近,已经引入了基于衍射深度神经网络(D2 NNs)的光学机器学习方法,以在输入光衍射通过使用计算机通过深度学习设计的无源层时执行功能。在这里,我们通过改变训练损失函数和减少误差反向传播步骤中消失梯度的影响来介绍对D2 NN的改进。使用五个纯相位衍射层,我们在数字上分别实现了手写数字和时尚产品光学识别的97.18%和89.13%的分类准确率;在每一层使用相位和幅度调制(复值),我们的推理性能分别提高到97.81%和89.32%。此外,我们报告了D2 NN与电子神经网络的集成,以创建混合分类器,该混合分类器使用具有几个波长的层间距离的超紧凑前端D2 NN,显著减少了电子网络的输入像素数量,还降低了连续电子网络的复杂性。使用5层纯相位D2 NN与单个全连接电子层联合优化,我们分别实现了手写数字和时尚产品识别的98.71%和90.04%的分类准确率。此外,电子网络的输入被压缩了>7.8倍,降至10 x10像素。除了创建低功耗和高帧速率机器学习平台,基于D2 NN的混合神经网络将在智能光学成像器和传感器设计中找到应用。
2019-06-08 cs.LG cs.NE physics.optics
Sentiment Analysis on IMDB Movie Comments and Twitter Data by Machine Learning and Vector Space Techniques
Muğla Sıtkı Koçman University(穆拉·斯特克·科奇曼大学)
本研究的目标是建立一个情感分析模型,对2000行IMDB电影评论和3200个Twitter数据,通过使用机器学习和向量空间技术,积极或消极的文本的初步信息是提供。在研究中,在KNIME Analytics平台中创建了一个向量空间,并通过决策树、朴素贝叶斯和支持向量机分类算法对该向量空间进行了分类研究。对每种算法的结论进行了比较。通过决策树、朴素贝叶斯和支持向量机算法对IMDB电影评论的分类结果分别为94,00%、73,20%和85,50%。决策树、朴素贝叶斯SVM算法对Twitter数据集的分类结果分别为82.76%、75.44%和72.50%。可以看出,在这两个数据集中呈现的最佳分类结果是由SVM算法计算的。
2019-03-18 cs.CL cs.IR cs.LG
Machine Learning Suites for Online Toxicity Detection
PeopleTec, Inc.(PeopleTec公司)
为了识别和分类有毒的在线评论,数据科学的现代工具将原始文本转换为关键特征,阈值或学习算法可以从中做出预测,以监控攻击性对话。我们系统地评估了62个分类器,代表了19个主要的算法家族,从维基百科评论的Jigsaw数据集中提取的特征。我们比较分类器的基础上统计上显着差异的准确性和相对执行时间。在这些用于识别有毒评论的分类器中,基于树的算法提供了最透明的可解释规则,并对每个特征的预测贡献进行了排序。在句法、情感、情感和离群词词典的28个特征中,一个简单的坏词列表被证明是最能预测攻击性评论的。
2018-10-03 cs.CL cs.LG cs.NE
Classification of social media Toxic comments using Machine learning models
本文针对社交媒体有毒评论问题,提出使用 Lstm-cnn 模型构建高准确率分类器,以区分有毒与无毒评论,帮助平台更好地治理评论区。
2023-04-14 cs.CY cs.LG cs.SI
Sentiment Analysis of Comments on Rohingya Movement with Support Vector Machine
Shahjalal University of Science and Technology(沙阿贾拉勒科技大学)
罗兴亚运动和危机在孟加拉国的政治和经济国家引起了巨大的骚动。难民流动是一个经常发生的事件,大量的意见形式的数据仍然存在于Facebook等社交媒体上,很少有人对它们进行分析。为了分析所有与罗兴亚人相关的帖子的评论,我们必须创建和修改一个基于支持向量机算法的分类器。代码是用python实现的,并使用scikit-learn库。目前还没有关于罗兴亚分析的数据集,所以我们不得不使用我们自己的2500条正面评论和2500条负面评论的数据集。我们特别使用了一个具有线性核的支持向量机。我们之前使用朴素贝叶斯算法在同一数据集上进行了一个实验,但没有产生令人印象深刻的结果。
2018-03-22 cs.CL cs.IR cs.LG
A Machine Learning Approach to Comment Toxicity Classification
Jalpaiguri Government Engineering College(杰尔拜古里政府工程学院)
如今,贬损性的评论经常由彼此做出,不仅在离线环境中,而且在社交网站和在线社区等在线环境中也非常多。因此,在数字世界中存在的所有社交网络网站和应用程序中,包括所有社区,都需要识别与预防系统相结合。在这样的系统中,识别块应识别任何负面的在线行为,并应向预防块发出信号,以采取相应的行动。这项研究旨在分析任何文本,并检测不同类型的毒性,如淫秽,威胁,侮辱和基于身份的仇恨。由Jigsaw准备的带标签的维基百科评论数据集用于此目的。一个6头的机器学习tf-idf模型已经被制作并分别训练,产生了98.08%的平均验证准确度和91.61%的绝对验证准确度。应该部署这样一个自动化系统,以加强健康的在线对话
2019-02-27 cs.CL cs.LG
Diffractive optical system design by cascaded propagation
Russel Berrie Nanotechnology Institute(拉塞尔·贝里纳米技术研究所);Technion - Israel Institute of Technology(以色列理工学院);Lorry I. Lokey Center for Life Sciences and Engineering(洛里·I·洛基生命科学与工程中心)
复杂光学系统的现代设计在很大程度上依赖于计算工具。这些通常利用几何光学以及傅立叶光学,这使得能够使用衍射元件来操纵具有波长尺度上的特征的光。傅立叶光学通常用于设计薄元件,放置在系统的孔径中,产生平移不变的点扩散函数(PSF)。在许多感兴趣的情况下应用傅立叶光学的主要瓶颈,例如,当处理多个或孔径外元件时,来自数值复杂性。在这项工作中,我们提出并实现了一个有效的和可微的传播模型的基础上的柯林斯积分,这使得前所未有的设计自由度使用反向传播的衍射光学系统的优化。我们通过数值和实验证明了我们的方法的适用性,通过放置在复杂成像系统内的任意平面上的薄板元件来设计移位可变PSF,执行多个平面的级联优化,并通过深度学习设计最佳机器视觉系统。
2022-02-23 cs.CV cs.LG eess.IV
Analyzing Emotions in Bangla Social Media Comments Using Machine Learning and LIME
Ahsanullah University of Science and Technology(阿沙努拉科学与技术大学)
本研究针对低资源语言孟加拉语的情感识别需求,基于EmoNoBa数据集测试多种机器学习与深度学习模型,并用LIME解释AdaBoost分类器预测,为孟加拉语社交媒体评论情感分析提供高效技术方案。
2025-06-11 cs.CL cs.LG
Comment on "Black Box Prediction Methods in Sports Medicine Deserve a Red Card for Reckless Practice: A Change of Tactics is Needed to Advance Athlete Care"
Kitman Labs(基特曼实验室)
在本文中,我们研究了布洛克等索赔。黑箱伤害风险方法在运动伤害领域的适用性。总的来说,我们同意透明度是机器学习模型在这个领域有用的必要条件。然而,有些研究领域恰恰解决了作者的担忧,并强烈地缓和了他们的结论。在下文中,我们将了解机器学习社区如何解决这些问题。
2022-04-05 cs.LG
Large-scale neuromorphic optoelectronic computing with a reconfigurable diffractive processing unit
Tsinghua University(清华大学)
专用光学处理器被认为是现代计算的颠覆性技术,可以通过大幅提高计算性能从根本上加速人工智能(AI)的发展。用于神经信息处理的光学神经网络架构的最新进展已被应用于执行各种机器学习任务。然而,现有架构的复杂性和性能有限;并且每个架构都需要自己的专用设计,无法在部署后重新配置以在不同应用程序的不同神经网络模型之间切换。在这里,我们提出了一个光电可重构计算范式,通过构建一个衍射处理单元(DPU),可以有效地支持不同的神经网络,并实现了高模型的复杂性与数百万的神经元。它通过对光调制器和光电探测器的动态编程,实现了极高的数据调制速度和大规模的网络参数更新。我们演示了DPU的重新配置,以实现各种衍射前馈和递归神经网络,并开发了一种新的自适应训练方法,以规避系统的缺陷。我们将训练好的网络应用于基准数据集上的手写数字图像和人体动作视频的高速分类,实验结果显示与电子计算方法相当的分类准确性。此外,我们的原型系统与现成的光电子元件构建超过了国家的最先进的图形处理单元(GPU)的性能的几倍的计算速度和超过一个数量级的系统能源效率。
2020-08-26 cs.LG cs.NE eess.IV
Can We Achieve More with Less? Exploring Data Augmentation for Toxic Comment Classification
Stanford University(斯坦福大学)
本文解决了机器学习中最大的限制之一:数据稀缺。具体来说,我们探索是否可以从小数据集建立高精度的分类器,利用数据增强技术和机器学习算法的组合。在这篇论文中,我们尝试了简单的数据增强(EDA)和反向翻译,以及三种流行的学习算法,逻辑回归,支持向量机(SVM)和双向长短期记忆网络(Bi-LSTM)。对于我们的实验,我们利用维基百科有毒评论数据集,以便在探索数据增强的好处的过程中,我们可以开发一个模型来检测和分类评论中的有毒言论,以帮助反击网络欺凌和在线骚扰。最终,我们发现数据增强技术可以用来显着提高分类器的性能,是一个很好的策略,以打击缺乏数据的NLP问题。
2020-07-02 cs.AI cs.CL cs.IR
Comparison of Machine Learning for Sentiment Analysis in Detecting Anxiety Based on Social Media Data
Universitas Pembangunan Nasional Veteran Yogyakarta(印度尼西亚国立发展大学(日惹老兵建设大学));Universiti Teknikal Malaysia Melaka(马来西亚马六甲技术大学)
所有人群都感受到了COVID-19疫情的影响。这种情况会引发焦虑,这对每个人都不好。政府的作用是非常有影响力的,在解决这些问题的工作计划。它也有许多利弊,引起公众的焦虑。为此,有必要检测焦虑,以改善政府计划,提高公众的期望。这项研究应用机器学习来检测基于社交媒体对政府应对这一流行病计划的评论的焦虑。这个概念将采用情感分析,根据网民的正面和负面评论来检测焦虑。实现的机器学习方法包括K-NN、Bernoulli、决策树分类器、支持向量分类器、随机森林和XG-boost。使用的数据样本是抓取YouTube评论的结果。使用的数据共计4862条评论,包括负面和正面数据,分别为3211条和1651条。负面数据识别焦虑,而正面数据识别希望(不焦虑)。机器学习是基于计数向量化和TF-IDF的特征提取。结果表明,测试中情感数据量分别为3889和973,训练正确率最高的是随机森林,向量化计数和TF-IDF的特征提取分别为84.99%和82.63%.最好的精确度测试是K-NN,而最好的召回率测试是XG-Boost。因此,随机森林是基于社交媒体数据检测某人焦虑的最准确方法。
2021-01-16 cs.CL cs.LG
StRuCom: A Novel Dataset of Structured Code Comments in Russian
MTS AI(MTS人工智能研究所);ITMO University(ITMO大学);IITU University(IITU大学)
针对俄语代码注释生成模型表现差的问题,提出首个俄语大规模结构化代码注释数据集StRuCom,整合人工与合成注释并验证多语言规范,微调模型后相关指标显著提升。
2025-05-16 cs.AI cs.CL cs.LG
Sarcasm Detection on Reddit Using Classical Machine Learning and Feature Engineering
Department of Mathematics(数学系);Technische Universität Chemnitz(技术大学切姆尼茨)
本文通过经典机器学习和特征工程方法,在Reddit上实现了讽刺检测,取得了约0.57的F1分数。
2025-12-04 cs.CL cs.LG
Comment on "Spin-1/2 Kagome Heisenberg Antiferromagnet: Machine Learning Discovery of the Spinon Pair-Density-Wave Ground State"
Department of Physics, Harvard University, Cambridge, MA 02138, USA(哈佛大学物理系);Department of Physics, Boston University, Boston, MA 02215, USA(波士顿大学物理系)
指出使用群等变卷积神经网络研究kagome海森堡反铁磁体基态时,由于Metropolis-Hastings采样中单自旋翻转更新导致遍历性破缺,使得报告的低能态是伪影,而采用自旋交换更新后网络收敛能量高于DMRG结果,质疑原文结论。
2026-05-21 cond-mat.dis-nn cond-mat.str-el cs.LG
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
Text Classification Using Hybrid Machine Learning Algorithms on Big Data
Nnamdi Azikiwe University(纳姆迪·阿齐基韦大学);Federal Polytechnic Idah(伊达联邦理工学院)
最近,来自不同在线平台的数据出现了前所未有的增长,这些平台在数量、速度、种类和准确性(4V)方面对大数据做出了贡献。鉴于大数据的这种非结构化性质,执行分析以提取有意义的信息目前是大数据分析的一个巨大挑战。收集和分析非结构化文本数据使决策者能够研究我们社交媒体平台上评论/帖子的升级。因此,需要自动大数据分析来克服来自数字媒体平台的这些非结构化数据集的噪声和不可靠性。然而,当前使用的机器学习算法是性能驱动的,其关注于基于从训练样本学习的已知属性的分类/预测准确性。对于大型数据集中的学习任务,已知大多数机器学习模型需要高计算成本,这最终导致计算复杂性。在这项工作中,两个监督机器学习算法结合文本挖掘技术,产生一个混合模型,其中包括朴素贝叶斯和支持向量机(SVM)。这是为了提高所获得的结果的效率和准确性,并且还为了降低计算成本和复杂性。该系统还提供了一个开放的平台,一群有共同兴趣的人可以分享他们的评论/消息,这些评论自动分类为合法或非法。这提高了用户之间的对话质量。混合模型是使用WEKA工具和Java程序设计语言开发的。结果表明,混合模型的准确率为96.76%,而朴素贝叶斯模型和支持向量机模型的准确率分别为61.45%和69.21%。
2021-03-30 cs.AI cs.CL cs.IR
Comment on "No-Reference Video Quality Assessment Based on the Temporal Pooling of Deep Features"
在Neural Processing Letters 50,3(2019)中,提出了一种用于盲视频质量评估的机器学习方法。它基于视频帧特征的时间池化,这些特征取自深度卷积神经网络的最后一个池化层。该方法在两个已建立的基准数据集上进行了验证,结果远远优于以前的最先进的。在这封信中,我们报告了我们仔细重新实现的结果。性能结果,声称在文件中,不能达到,甚至低于国家的最先进的大幅度。我们表明,最初报告的错误的性能结果是两种情况下的数据泄漏的后果。来自训练数据集外部的信息用于微调阶段和模型评估。
2020-05-09 cs.CV cs.LG cs.MM
Determination of toxic comments and unintended model bias minimization using Deep learning approach
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本研究针对有毒评论检测任务中模型因数据不平衡产生的非预期身份偏差问题,采用加权损失微调BERT模型,相比传统逻辑回归模型大幅提升了分类准确率,同时实现偏差最小化。
2023-11-08 cs.CL cs.CY cs.LG