WildfireGenome: Interpretable Machine Learning Reveals Local Drivers of Wildfire Risk and Their Cross-County Variation
Texas A&M University(德克萨斯A&M大学)
针对现有野火风险评估可解释性不足、粒度较粗的问题,提出WildfireGenome框架,融合多源指标构建高分辨率风险标签,结合可解释机器学习方法识别局部野火风险驱动因素,实现决策尺度的精准可解释风险分析。
2025-11-19 cs.LG
Ten years of image analysis and machine learning competitions in dementia
Erasmus MC(伊拉斯谟医学中心);German Cancer Research Center (DKFZ)(德国癌症研究中心);University College London(伦敦大学学院)
利用多参数生物标志物的机器学习方法,特别是基于神经成像的方法,在改善痴呆症的早期诊断和预测哪些个体有患痴呆症的风险方面具有巨大的潜力。为了对机器学习和痴呆症神经成像领域的算法进行基准测试,并评估其在临床实践和临床试验中的应用潜力,在过去十年中组织了七项重大挑战。这七个重大挑战涉及与痴呆症(临床前)筛查、临床状态估计、预测和监测相关的问题。临床问题、任务和性能指标几乎没有重叠。虽然这有助于就广泛的问题提供见解,但它也限制了对挑战结果的验证。验证过程本身在挑战之间大部分具有可比性,使用相似的方法确保客观比较、不确定性估计和统计检验。一般来说,获胜的算法进行了严格的数据预处理,并结合了广泛的输入特征。尽管具有最先进的性能,但挑战中评价的大多数方法均未在临床上使用。为了增加影响力,未来的挑战可能会更加关注统计分析哪些因素与更高的表现有关,与阿尔茨海默病以外的临床问题有关,以及使用阿尔茨海默病神经成像倡议以外的测试数据。大挑战将是一个理想的场所,评估算法性能的一般性,以其他队列的看不见的数据。以这种方式增加影响的关键是更大的测试数据大小,可以通过共享算法而不是数据来利用无法共享的数据来实现。
2022-02-18 cs.LG
A provably stable neural network Turing Machine
University of South Florida(南佛罗里达大学);The Pennsylvania State University(宾夕法尼亚州立大学)
我们引入了一个神经堆栈架构,包括一个可微的参数化堆栈运算符,近似堆栈推和弹出操作的参数,明确表示一个堆栈的适当选择。我们证明了这种堆栈架构的稳定性:在任意多个堆栈操作后,神经堆栈的状态仍然非常类似于离散堆栈的状态。利用递归神经网络的神经堆栈,我们引入了一个神经网络下推自动机(nnPDA),并证明了具有有限/有界神经元和时间的nnPDA可以模拟任何PDA。此外,我们扩展了我们的结构,并提出了新的结构神经状态图灵机(nnTM)。我们证明了具有有界神经元的可微nnTM可以实时模拟图灵机(TM)。就像神经堆栈一样,这些架构也是稳定的。最后,我们扩展我们的建设表明,可微nnTM是等价的通用图灵机(UTM),可以模拟任何TM只有\textbf{seven finite/bounded precision}神经元。这项工作为有界精度RNN的计算能力提供了一个新的理论界限。
2022-09-18 cs.FL cs.LG stat.ML
Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural Network and Machine Learning Classifiers
Noakhali Science and Technology University(诺阿卡利科学与技术大学);Comilla University(库米拉大学);University of Alberta(阿尔伯塔大学)
2型糖尿病是一种由于胰岛素活性不平衡而导致的快速增长的慢性代谢紊乱。本研究的运动是对七种机器学习分类器和人工神经网络方法的比较研究,以高精度地阐明糖尿病的检测和治疗,为了在早期识别和治疗糖尿病患者。我们的训练和测试数据集是9483名糖尿病患者信息的积累。训练数据集足够大,可以消除过度拟合,并提供高度准确的测试性能。我们使用准确度和精度等性能指标来找出最佳算法深度ANN,该算法在所有其他经过测试的机器学习分类器中具有95.14%的准确率。我们希望我们的高性能模型可以被医院用于预测糖尿病,并推动研究更准确的预测模型。
2023-01-08 cs.LG
EDEN: Evolutionary Deep Networks for Efficient Machine Learning
African Institute for Mathematical Sciences(非洲数学科学研究所);University of Cape Town(开普敦大学);South African Astronomical Observatory(南非天文台)
随着深度的增加,深度神经网络继续表现出更好的性能,这是一个令人鼓舞的趋势,意味着网络架构和超参数的可能排列呈爆炸式增长,而对此几乎没有直观的指导。为了解决这种日益增加的复杂性,我们提出了进化深度网络(EDEN),这是一种计算效率高的神经进化算法,可以与任何深度神经网络平台(如TensorFlow)接口。我们表明,EDEN发展了简单而成功的架构,这些架构是从嵌入、1D和2D卷积、最大池化和全连接层及其超参数构建的。EDEN在七个图像和情感分类数据集上的评估表明,它可靠地找到了良好的网络,并在三种情况下实现了最先进的结果,即使在单个GPU上,也只需6-24小时。我们的研究首次尝试将神经进化应用于创建用于情感分析的1D卷积网络,包括优化嵌入层。
2017-09-26 cs.LG cs.NE stat.ML
Privacy-Preserving Wavelet Neural Network with Fully Homomorphic Encryption
Institute for Development and Research in Banking Technology(银行业技术发展与研究所);University of Hyderabad(海得拉巴大学)
隐私保护机器学习(PPML)的主要目的是保护隐私并为构建机器学习模型所使用的数据提供安全性。PPML中有各种技术,如安全多方计算、差分隐私和同态加密(HE)。这些技术与各种机器学习模型甚至深度学习网络相结合,以保护数据隐私和用户身份。在本文中,我们提出了一个全同态加密小波神经网络,以保护隐私,同时不妥协的效率模型。我们在来自金融和医疗保健领域的七个数据集上测试了所提出的方法的有效性。结果表明,我们提出的模型的性能与未加密的模型相似。
2022-05-31 cs.LG
L-HYDRA: Multi-Head Physics-Informed Neural Networks
Brown University(布朗大学)
L-HYDRA通过多头物理信息神经网络实现多任务学习、生成建模和少量样本学习,利用共享主体和分布进行协同学习,提升科学机器学习中的性能。
2023-01-05 cs.LG physics.comp-ph
Text Classification: Neural Networks VS Machine Learning Models VS Pre-trained Models
Temple University(天普大学)
本文比较了文本分类中七种预训练模型、三种神经网络和三种机器学习模型的表现,并对比了 TF-IDF 与 GloVe 嵌入技术,发现 GloVe 始终优于 TF-IDF,而 BERT、DistilBERT 等预训练模型整体表现最佳。
2024-12-30 cs.LG
Ga$_2$O$_3$ TCAD Mobility Parameter Calibration using Simulation Augmented Machine Learning with Physics Informed Neural Network
San Jose State University(圣何塞州立大学);University of Hong Kong(香港大学)
本文提出利用模拟增强的机器学习与物理信息神经网络,实现Ga₂O₃ TCAD迁移参数的自动校准与提取。
2025-11-27 cs.LG
A Decade of Deep Learning: A Survey on The Magnificent Seven
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Sun Yat-sen University(中山大学)
本文综述了过去十年最具影响力的七大深度学习架构,详述其历史背景、数学基础、算法原理及实际应用,旨在为新手与资深研究者提供实用指南。
2024-12-13 cs.AI cs.LG
Physics-enhanced machine learning for virtual fluorescence microscopy
Duke University(杜克大学);Google Research(谷歌研究院)
介绍了一种新的数据驱动的虚拟荧光显微镜设计方法。我们的研究结果表明,通过在深度卷积神经网络的第一层中包含照明模型,可以学习特定于任务的LED模式,从而大大提高从未染色的透射显微镜图像中推断荧光图像信息的能力。我们在两个不同的实验设置上验证了我们的方法,具有不同的放大倍率和不同的样品类型,与传统的照明方法相比,表现出一致的性能改善。此外,为了理解学习照明对推理任务的重要性,我们改变了荧光图像目标的动态范围(从1位到7位),并表明学习模式的改进幅度随着目标的信息内容而增加。这项工作展示了可编程光学元件在实现更好的机器学习算法性能和为下一代机器控制成像系统提供物理洞察方面的能力。
2020-04-21 cs.CV cs.LG eess.IV
Are Deep Neural Networks Adequate Behavioural Models of Human Visual Perception?
University of Tübingen(图宾根大学);Google Research(谷歌研究院)
本文通过回顾心理物理学与计算研究,论证当前深度神经网络虽有前景,但仍不足以作为人类核心物体识别行为的充分计算模型。
2023-05-26 cs.AI cs.CV cs.LG
Hyperspectral classification of blood-like substances using machine learning methods combined with genetic algorithms in transductive and inductive scenarios
Cracow University of Technology(克拉科夫科技大学);Institute of Theoretical and Applied Informatics, Polish Academy of Sciences(波兰科学院理论与应用信息学研究所)
本研究将遗传算法应用于高光谱图像分类的模型和波段选择。我们使用一个受法医启发的数据集,其中包含7张高光谱图像,其中包含血液和5种视觉相似的物质,在两种情况下测试GA优化的分类器:当训练和测试数据来自同一图像时,以及当它们来自不同图像时,由于光谱差异显著,这是一项更具挑战性的任务。在我们的实验中,我们比较遗传算法与一个经典的模型优化,通过网格搜索。我们的研究结果表明,基于GA的模型优化可以减少波段的数量,并创建一个准确的分类器,优于基于GS的参考模型,提供了在模型优化过程中,它可以访问类似于测试数据的例子。我们用实验来说明这一点,强调验证集的重要性。
2020-11-04 cs.CV cs.LG cs.NE
Predicting Credit Risk for Unsecured Lending: A Machine Learning Approach
NMIMS MPSTME
自20世纪90年代以来,技术领域和电子商务领域取得了重大进展,导致对无现金支付解决方案的需求呈指数级增长。这导致了对信用卡的需求增加,随之而来的是更高的信用违约的可能性,因此在一段时间内更高的拖欠率。本文的目的是建立一个现代的信用评分模型来预测信用违约的无担保贷款(信用卡),采用机器学习技术。由于贷款人可用于预测信贷违约的大部分客户支付数据是不平衡的(偏斜的),由于违约实例的有限子集,这对预测建模提出了挑战。在这项研究中,这一挑战是通过部署合成少数过采样技术(SMOTE)来解决的,SMOTE是一种经过验证的技术,可以从给定的数据集中消除这种不平衡。通过七种不同的机器学习模型运行研究数据集,结果表明,Light Gradient Boosting Machine(LGBM)分类器模型优于其他六种分类技术。因此,我们的研究表明,LGBM分类器模型能够更好地提供更高的学习速度,更高的效率和管理更大的数据量。我们预计,该模型的部署将使商业贷款机构和银行的决策者能够更好地及时预测信用违约。
2021-10-05 cs.LG q-fin.RM q-fin.ST