Background Hardly Matters: Understanding Personality Attribution in Deep Residual Networks
Radboud University(拉德堡德大学);Anchormen
归因于个人的感知人格特质不一定与他们的实际人格特质相对应,并且可能部分取决于一个人遇到一个人的背景。这些明显的特征在很大程度上决定了其他人将如何对待他们。深度神经网络正越来越多地用于执行自动化的个性归属(例如,工作面试)。重要的是,我们要了解预测背后的驱动因素,在人类和深层神经网络中。本文明确地研究了图像背景对表观人格预测的影响,同时解决了现有文献中存在的两个重要混淆;重叠的数据分割和背景中的面部信息。令人惊讶的是,我们没有发现任何证据表明背景信息可以改善模型对明显人格特质的预测。事实上,当背景被显式地添加到输入中时,所有模型的性能都会下降。
2019-12-20 cs.LG stat.ML
Improved Predictive Deep Temporal Neural Networks with Trend Filtering
Ulsan National Institute of Science and Technology, UNIST(蔚山科学技术院);Korea Advanced Institute of Science and Technology, KAIST(韩国科学技术院);INEEJI
多变量时间序列预测,其目的是预测未来的值给定以前和当前的几个单变量时间序列数据,已经研究了几十年,其中一个例子是ARIMA。由于很难衡量在快速波动的金融时间序列数据中噪声与信息信号混合的程度,因此设计一个好的预测模型并不是一件简单的任务。近年来,许多研究人员对递归神经网络和基于注意力的神经网络产生了兴趣,并将其应用于金融预测。已经有许多尝试利用这些方法来捕获长期的时间依赖性,并选择多变量时间序列数据中更重要的功能,以作出准确的预测。在本文中,我们提出了一种新的预测框架,基于深度神经网络和趋势过滤,将噪声时间序列数据转换为分段线性方式。我们发现,当训练数据通过趋势滤波进行时间处理时,深度时间神经网络的预测性能得到改善。为了验证我们的框架的效果,三个深时间神经网络,国家的最先进的模型预测时间序列金融数据,使用和比较包含趋势过滤作为输入功能的模型。对真实世界多变量时间序列数据的实验表明,该方法是有效的,并显着优于现有的基线方法。
2020-10-16 cs.AI cs.LG
Recent Trends in Modelling the Continuous Time Series using Deep Learning: A Survey
IBM in Ireland(爱尔兰IBM公司);Maynooth University(梅努斯大学);Hamilton Institute(汉密尔顿研究所)
该综述梳理了连续时间序列建模的问题与挑战,对比分析了近年深度学习模型在该领域的进展与贡献,同时指出现有模型的局限与开放问题,以厘清相关神经网络模型的应用发展趋势。
2024-09-13 cs.AI cs.LG
DeepVARwT: Deep Learning for a VAR Model with Trend
提出 DeepVARwT 方法,利用 LSTM 网络同时对带趋势的 VAR 模型的趋势和依赖结构进行最大似然估计,并施加因果性条件保证稳定性,在模拟和真实数据中均展现出优越性能。
2025-10-11 cs.AI stat.ME
Deep Learning for Finger Vein Recognition: A Brief Survey of Recent Trend
Hunan First Normal University(湖南第一师范学院);National University of Defense Technology(国防科技大学);Northeastern University(东北大学)
手指静脉图像识别技术在生物特征识别中占有重要地位,已成功应用于许多领域。由于静脉深埋于皮肤组织之下,手指静脉图像识别具有无可比拟的优势,不易受外界因素干扰。本综述总结了2017年至2021年关于深度学习用于手指静脉图像识别的46篇论文。这些论文是按照深度神经网络的任务来总结的。最后,提出了手指静脉图像识别的挑战和潜在的发展方向。
2022-07-05 cs.AI cs.CV
Compute and Energy Consumption Trends in Deep Learning Inference
European Commission, Joint Research Centre(欧盟委员会联合研究中心)
一些人工智能范例的进展,如深度学习,据说与参数数量的指数增长有关。有许多研究证实了这些趋势,但这是否会转化为能源消耗的指数增长?为了回答这个问题,我们关注的是推理成本而不是训练成本,因为前者占了大部分计算工作量,这仅仅是因为乘法因素。此外,除了算法创新之外,我们还考虑了更具体和更强大的硬件(导致更高的FLOPS),这些硬件通常伴随着重要的能效优化。我们还将重点从突破性论文的首次实现转移到一两年后的技术整合版本。在这种独特而全面的视角下,我们研究了计算机视觉和自然语言处理领域的相关模型:为了持续提高性能,我们看到能耗的增长比之前预期的要温和得多。唯一需要注意的是,随着未来人工智能的渗透率增加,并且变得更加普遍,倍增因素再次出现。
2023-03-29 cs.AI cs.LG
Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions
University of Haifa(海法大学)
本文综述深度学习在惯性传感与融合中的应用,涵盖校准、去噪、导航改进等方法,按陆、空、海环境分类,分析趋势并提供常用方法统计数据,以促进相关研究。
2024-02-25 cs.AI cs.LG cs.RO
Recent Trends in the Use of Deep Learning Models for Grammar Error Handling
Wells Fargo(富国银行);Corporate Model Risk(企业模型风险部门)
语法错误处理是自然语言处理中的一个重要课题。GEH包括语法错误检测和语法错误纠正。计算系统的最新进展促进了深度学习(DL)模型在GEH等NLP问题中的使用。在这篇综述中,我们重点介绍了GEH的两种主要的深度学习方法:神经机器翻译模型和编辑器模型。我们描述了这些模型管道的三个主要阶段:数据准备,训练和推理。此外,我们讨论了不同的技术,以提高这些模型在管道的每个阶段的性能。我们比较了不同模型的性能,并得出结论,提出了未来的发展方向。
2020-09-04 cs.AI cs.CL
Recent Advances in Deep Learning: An Overview
Chittagong University of Engineering and Technology(吉大港工程技术大学)
深度学习是机器学习和人工智能研究的最新趋势之一。这也是当今最流行的科学研究趋势之一。深度学习方法为计算机视觉和机器学习带来了革命性的进步。时不时地,新的、新的深度学习技术正在诞生,其性能优于最先进的机器学习,甚至现有的深度学习技术。近年来,世界在这一领域取得了许多重大突破。由于深度学习正在以巨大的速度发展,因此很难跟踪常规进展,特别是对于新研究人员来说。在本文中,我们将简要讨论过去几年深度学习的最新进展。
2018-07-21 cs.AI cs.LG stat.ML
Democratizing AI: A Comparative Study in Deep Learning Efficiency and Future Trends in Computational Processing
North South University(南北大学);Pennsylvania State University(宾夕法尼亚州立大学);United International University(联合国际大学);King Fahd University of Petroleum and Minerals (KFUPM)(法赫德国王石油矿产大学)
本文通过比较四种深度学习模型在CPU和GPU上的训练效率,发现GPU能带来11至246倍的加速,同时分析了GPU内存使用趋势及未来需求,强调共享GPU资源对推动研究创新的重要性。
2026-04-02 cs.AI cs.DC cs.LG
Climate Trends of Tropical Cyclone Intensity and Energy Extremes Revealed by Deep Learning
National Taiwan University(台湾大学);The University of Tokyo(东京大学);Central Weather Bureau(台湾中央气象局)
针对热带气旋结构与能量趋势观测不足的问题,研究利用深度学习生成1981-2020年全球TC风廓线数据集,发现强TC及高能量TC占比显著上升,为气候变化下的TC研究提供新支撑。
2024-02-01 cs.AI physics.ao-ph
Personality Trait Detection Using Bagged SVM over BERT Word Embedding Ensembles
Iran University of Science and Technology(伊朗科学技术大学);University College London(伦敦大学学院);Nanyang Technological University(南洋理工大学)
近年来,人格特征的自动预测受到越来越多的关注,并已成为情感计算领域的一个热门话题。在这项工作中,我们提出了一种新的基于深度学习的方法,用于从文本中自动检测个性。我们利用自然语言理解的最新进展,即BERT语言模型,从文本数据中提取上下文化的词嵌入,用于自动化作者个性检测。我们的主要目标是开发一个计算效率高,高性能的人格预测模型,可以很容易地被大量的人使用,而无需访问庞大的计算资源。考虑到这一思想,我们进行了大量的实验,这使我们开发了一种新的模型,该模型将上下文嵌入和心理语言学特征一起输入到Bagged-SVM分类器进行人格特质预测。我们的模型比以前的最先进的1.04%,在同一时间是显着更有效的训练的计算。我们在著名的性格检测黄金标准Essays数据集上报告了我们的结果。
2020-10-03 cs.AI cs.CL cs.CY
Exploring Personality and Online Social Engagement: An Investigation of MBTI Users on Twitter
通过计算模型进行基于文本的人格预测是一个新兴的领域,具有显著改善基于调查的人格评估的关键弱点的潜力。我们调查了来自Twitter的3848个个人资料,这些个人资料具有自我标记的迈尔斯-布里格斯人格特质(MBTI)-一个与人格五因素模型密切相关的框架-以更好地了解如何使用基于文本的数字痕迹来预测用户的人格特质。我们利用BERT,一种基于深度学习的最先进的NLP架构,来分析对我们的任务具有最大预测能力的各种文本来源。我们发现,传记、状态和喜欢的推文对MBTI系统的所有维度都有显著的预测能力。我们讨论了我们的研究结果及其对MBTI和词汇假设有效性的影响,词汇假设是五因素模型的基础理论,它将语言使用和行为联系起来。我们的研究结果对人格心理学家,计算语言学家和其他社会科学家具有乐观的影响,这些科学家旨在从观察文本数据中预测人格,并探索语言与核心行为特征之间的联系。
2021-09-14 cs.CL cs.LG
Unraveling Code Clone Dynamics in Deep Learning Frameworks
University of Toronto(多伦多大学)
实证分析了九个主流深度学习框架中的代码克隆,揭示了四种长期演化趋势及短期克隆模式的影响,并发现了跨框架的文件级代码克隆,为促进稳健的克隆实践和协作维护提供了见解。
2024-04-25 cs.AI cs.SE
Automatic Personality Prediction; an Enhanced Method Using Ensemble Modeling
University of Tabriz(大不里士大学)
人的个性在很大程度上由他/她在演讲或写作中使用的词语来体现。由于信息基础设施(特别是互联网和社交媒体)的普及,人类的通信方式发生了显著的变革,不再是面对面的通信。通常,自动个性预测(或感知)(APP)是对不同类型的人类生成/交换的内容(如文本、语音、图像、视频等)的个性的自动预测。本研究的主要目的是提高APP从文本的准确性。为此,我们提出了五种新的APP方法,包括基于词频向量、基于本体、基于丰富本体、基于潜在语义分析(LSA)和基于深度学习(BiLSTM)的方法。这些方法作为基础,通过基于分层注意力网络(HAN)作为元模型的集成建模(堆叠),相互促进,以提高APP的准确性。结果表明,集成建模提高了APP的准确性。
2022-06-08 cs.AI cs.CL cs.LG
Applying Deep Machine Learning for psycho-demographic profiling of Internet users using O.C.E.A.N. model of personality
NewGround LLC(NewGround有限责任公司)
在现代时代,每个互联网用户通过使用各种在线服务留下大量的辅助数字残留(足迹)。所有这些数据已经收集和存储了多年。在最近的工作中,已经证明可以应用简单的机器学习方法来分析收集到的数字足迹,并创建个人的心理人口学特征。然而,虽然这些工作清楚地证明了机器学习方法对这种分析的适用性,但创建的简单预测模型仍然缺乏成功应用于实际需求所必需的准确性。我们假设使用先进的深度机器学习方法可以大大提高预测的准确性。我们从简单的机器学习方法开始,以估计基本的预测性能,并进一步应用基于浅层和深层神经网络的高级方法。然后,我们比较了所研究的模型的预测能力,并得出结论,其性能。最后,我们提出了进一步提高预测精度的假设。作为这项工作的结果,我们在相应的GitHub存储库中为所有感兴趣的研究人员和从业者提供了实验中使用的完整源代码。我们认为,将深度机器学习应用于心理人口特征分析可能会对社会产生巨大影响(无论是好是坏),并为人工智能(AI)系统提供了通过创建心理特征来更好地了解人类的方法。因此,人工智能智能体可以通过预测人类对手的反应、期望和行为来实现参与对话(通信)流的类似人类的能力。
2017-07-05 cs.CY cs.LG
HIPPD: Brain-Inspired Hierarchical Information Processing for Personality Detection
School of Electronics and Computer Science University of Southampton(电子与计算机科学学院 英国南安普顿大学);Department of Computational Biology Mohamed bin Zayed University of Artificial Intelligence(计算生物学系 摩洛哥本·扎耶德人工智能大学)
本文提出脑启发的分层信息处理框架HIPPD,利用大语言模型、动态记忆模块和轻量级模型分别模拟大脑皮层、前额叶皮层和基底神经节,解决了多帖上下文捕捉和语义稀疏特征提取问题,在Kaggle和Pandora数据集上优于现有基线。
2025-10-10 cs.CL cs.LG
How Personality Traits Shape LLM Risk-Taking Behaviour
NatWest AI Research(国民西敏寺银行AI研究院);University College London(伦敦大学学院)
本研究结合累积前景理论和大五人格框架,发现GPT-4o在风险选择中呈风险中性,且开放性人格干预对其风险倾向影响最大,为塑造大语言模型决策行为提供了依据。
2025-02-03 cs.CY cs.LG
BIG5-TPoT: Predicting BIG Five Personality Traits, Facets, and Items Through Targeted Preselection of Texts
The University of Maryland Applied Research Laboratory for Intelligence and Security (ARLIS)(马里兰大学应用研究实验室(情报与安全实验室));The University of Maryland (UMD)(马里兰大学)
针对大文本量下人格预测的挑战,提出文本目标预选择(TPoT)策略构建BIG5-TPoT模型,通过语义过滤相关文本解决大模型输入限制,同时提升意识流散文数据集的预测指标。
2025-11-12 cs.CL cs.LG
The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs
Caltech(加州理工学院);UIUC(伊利诺伊大学);University of Cambridge(剑桥大学)
该研究系统探究大语言模型的人格特征,发现指令对齐可稳定特质表达但自我报告的人格无法可靠预测行为,人格注入仅影响自我报告难改变实际行为,挑战了LLM人格相关假设,强调需深化对齐与可解释性评估。
2025-09-05 cs.AI cs.CL cs.CY
HiPAD: A Unified Gait, Audio-Visual, and Personality Fusion Network for Depression Detection, with a Hierarchical Personality Ablation and the Calibration Limits of Domain-Adapted LLMs
Kozminski University(科兹明斯基大学);WarsawIQ(华沙IQ公司)
本研究提出统一融合网络HiPAD参与MPDD-AVG 2026抑郁检测挑战赛,发现人格描述的抑郁信号强于多模态组合,经消融、领域适配等实验明确关键影响因素,为抑郁检测提供了新的融合思路。
2026-10-14 cs.CL cs.CV cs.LG
AI-enabled exploration of Instagram profiles predicts soft skills and personality traits to empower hiring decisions
University of Tehran(德黑兰大学)
无论是科技巨头、华尔街公司还是小型创业公司的面试,所有的候选人都希望展示自己最好的一面,甚至比实际情况更好。与此同时,招聘人员希望了解候选人的真实自我,并检测证明专家候选人非常适合任何公司的软技能。世界各地的招聘人员通常很难找到具有最高水平这些技能的员工。数字足迹可以通过提供候选人独特的在线活动来帮助招聘人员完成这一过程,而社交媒体则提供了最大的数字足迹来跟踪人员。在这项研究中,我们首次展示了由16种需求软技能组成的广泛的行为能力,可以使用机器学习算法根据以下列表和其他定量特征从Instagram配置文件中自动预测。我们还提供对大五人格特征的预测。模型是基于400名伊朗志愿者用户的样本建立的,他们回答了在线问卷,并提供了他们的Instagram用户名,这使我们能够抓取公共个人资料。我们将几种机器学习算法应用于统一的数据。深度学习模型在两级和三级分类中的平均准确率分别为70%和69%。通过将人工智能应用于社交媒体用户生成的数据,可以创建一个拥有最高软技能水平的大型人才库,并对求职者进行更准确的评估。
2022-12-24 cs.CY cs.LG cs.SI
Estimating Driver Personality Traits from On-Road Driving Data
Japan Advanced Institute of Science Technology(日本北陆先端科学技术大学院大学);Institute of Innovation for Future Society(未来社会创新研究所);Nagoya University(名古屋大学);Chukyo University(中京大学)
本研究利用机器学习与深度学习技术,通过划分道路类型与不同持续时间序列提取统计特征,构建了从实际道路驾驶数据估计驾驶员认知功能、心理驾驶风格等心理特征的模型,实验证明其对部分认知功能与特征具有较高估计精度。
2023-08-23 cs.AI cs.LG
Hi Sheldon! Creating Deep Personalized Characters from TV Shows
Tsinghua University(清华大学)
本文提出深度个性化角色创建任务DPCC,构建规模约10倍于既有数据集的DPCD多模态对话数据集,并给出基线以生成符合角色性格的文本、音频和视频回复。
2023-04-09 cs.AI cs.CL cs.CV
DeepTrend: A Deep Hierarchical Neural Network for Traffic Flow Prediction
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学)
本文考虑交通流时间序列中的时间模式,实现了一种用于交通流预测的深度学习模型。基于去趋势的方法将原始流量序列分解为趋势序列和残差序列,其中趋势描述了流量的固定时间模式,残差序列用于预测。受去趋势方法的启发,我们提出了DeepTrend,一种用于交通流预测的深层神经网络,它考虑并提取时变趋势。DeepTrend有两个堆叠层:提取层和预测层。提取层是一个全连通层,通过将原始流量序列与相应的简单平均趋势序列串联起来,提取流量的时变趋势。预测层是一个LSTM层,用于通过从提取层的输出和计算的残差序列中提供所获得的趋势来进行流量预测。为了使模型更有效,DeepTrend首先需要逐层进行预训练,然后在整个网络中进行微调。实验表明,与一些传统的预测模型和基于去趋势方法的LSTM相比,DeepTrend可以显着提高预测性能。
2017-07-11 cs.LG
A Deep Learning Approach for COVID-19 Trend Prediction
Boston College(波士顿学院);Brandeis University(布兰迪斯大学);Del Norte High School(德尔诺特高中)
在这项工作中,我们开发了一种基于深度学习模型的方法来预测SARS-CoV-2在美国的传播趋势。我们使用美国的确认病例和国家人口统计数据实施了所设计的模型,并取得了令人满意的趋势预测结果。该模型通过一个门控经常单位结构纳入人口信息和流行病时间序列数据。最后确定了主要的人口因素。
2020-08-09 cs.CY cs.LG q-bio.PE
Activation Functions: Comparison of trends in Practice and Research for Deep Learning
University of Strathclyde(思克莱德大学)
深度神经网络已经成功地用于各种新兴领域,以解决现实世界的复杂问题,迄今为止开发了更多的深度学习(DL)架构。为了实现这些最先进的性能,DL架构使用激活函数(AF)来执行任何给定DL架构的隐藏层和输出层之间的各种计算。本文对深度学习应用中使用的现有AF进行了调查,并重点介绍了深度学习应用中使用激活函数的最新趋势。本文的新颖之处在于,它汇编了DL中使用的大多数AF,并根据最先进的研究结果概述了这些功能在实际深度学习部署中的应用和使用的当前趋势。此编译将有助于在为任何给定的应用程序选择最合适和适当的激活函数时做出有效的决策,以备部署。本文是及时的,因为大多数关于AF的研究论文都强调了类似的工作和结果,而本文将是第一篇,根据文献中的研究结果,汇编AF应用在实践中的趋势,迄今为止在深度学习研究中发现。
2018-11-08 cs.CV cs.LG
Automatic deep learning for trend prediction in time series data
最近,深度神经网络(DNN)算法已经被探索用于预测时间序列数据中的趋势。在许多实际应用中,时间序列数据是从动态系统中捕获的。DNN模型必须在更新和重新训练时提供稳定的性能,因为新的观察结果可用。在这项工作中,我们将探讨使用自动机器学习技术来自动化趋势预测的算法选择和超参数优化过程。我们展示了最近的AutoML工具,特别是HpBandSter框架,可以有效地用于自动化DNN模型开发。我们的AutoML实验发现了最佳配置,这些配置产生的模型与在四个数据集的手动实验中发现的配置的平均性能和稳定性水平相比非常好。
2020-09-17 cs.LG eess.SP
Deep Spatio-temporal Sparse Decomposition for Trend Prediction and Anomaly Detection in Cardiac Electrical Conduction
Arizona State University(亚利桑那州立大学);Texas Tech University(得克萨斯理工大学)
心脏组织之间的电传导通常用偏微分方程建模,即,反应-扩散方程,其中反应项描述细胞刺激,扩散项描述电传播。在这种非线性动态系统中检测和识别产生异常电脉冲的心脏细胞对于有效的治疗和规划是重要的。为了建立非线性动力学模型,仿真已被广泛用于心脏研究和临床研究,以研究心脏疾病的机制和开发新的治疗设计。然而,现有的心脏模型具有很大的复杂性,并且仿真通常是耗时的。我们提出了一种深度时空稀疏分解(DSTSD)方法,以利用深度时空模型绕过耗时的心脏偏微分方程,并检测异常的时间和位置(即,功能障碍的心脏细胞)。这种方法是从Courtemanche-Ramirez-Nattel(CRN)模型生成的数据集进行验证的,CRN模型广泛用于模拟跨神经元膜跨膜电位的传播。建议的DSTSD达到最好的时空平均趋势预测和异常检测的准确性。
2021-09-20 cs.AI cs.LG eess.SP
Deep Temporal-Recurrent-Replicated-Softmax for Topical Trends over Time
Siemens AG(西门子股份公司);University of Munich (LMU)(慕尼黑大学(LMU))
动态主题建模有助于在非结构化文档的时间集合中识别随时间推移的主题趋势。本文提出了一种新的无监督神经网络动态主题模型--递归神经网络复制Softmax模型(RNNRSM),其中每次发现的主题影响后续时间步的主题发现。我们占的时间顺序的文件明确建模的联合分布的潜在的主题依赖关系随着时间的推移,使用分布估计与时间的经常性连接。将RNN-RSM应用于19年的NLP研究文章,我们证明,与最先进的主题模型相比,RNNRSM显示出更好的泛化,主题解释,演变和趋势。我们还引入了一个度量(命名为SPAN)来量化动态主题模型的能力,以捕捉随着时间的推移主题中的词的演变。
2018-05-01 cs.AI cs.CL cs.IR
On Feature Reduction using Deep Learning for Trend Prediction in Finance
University of Sannio(桑尼奥大学)
将深度学习用于金融的主要优势之一是将大量信息嵌入到投资决策中。一种方法是通过压缩,这导致我们考虑更小的特征空间。一些研究证明,深度学习工具执行的非线性特征约简在价格趋势预测中是有效的。重点主要放在限制玻尔兹曼机(RBM)和它们所获得的输出。很少有人注意到自动编码器(AE)作为一种替代手段来执行特征约简。在本文中,我们调查的应用RBM和AE在更一般的条款,试图勾勒出建筑和输入空间的特性如何影响预测的质量。
2017-04-11 cs.LG q-fin.TR
An analysis of deep neural networks for predicting trends in time series data
University of Cape Town(开普敦大学);Centre for Artificial Intelligence Research(人工智能研究中心)
最近,提出了一种混合深度神经网络(DNN)算法TreNet,用于预测时间序列数据的趋势。虽然TreNet在趋势预测方面表现出优于其他DNN和传统ML方法的性能,但所使用的验证方法没有考虑时间序列数据集的连续性,也没有处理模型更新。在这项研究中,我们使用向前走验证方法在相同的数据集上复制了TreNet实验,并在多个独立运行中测试了我们的最佳模型,以评估模型稳定性。我们比较了混合TreNet算法在四个数据集上的性能,与采用点数据的普通DNN算法以及传统ML算法。我们发现,一般来说,TreNet仍然比vanilla DNN模型表现更好,但并不是在原始TreNet研究中报告的所有数据集上。本研究强调了使用适当的验证方法和评估模型稳定性的重要性,以评估和开发机器学习模型,用于时间序列数据的趋势预测。
2020-09-22 cs.LG stat.ML
Predicting and visualizing psychological attributions with a deep neural network
Radboud University Nijmegen(拉德堡德大学奈梅亨分校)
基于面部外观的人格判断是社会决策的强大影响力,并且已知对从总统选举到陪审团决定的领域产生影响。最近的工作表明,它是可能的,以预测感知的可记忆性,可信度,智力和其他属性的人脸图像。这些方法中最成功的方法需要用关键的面部标志熟练地注释面部图像。我们展示了一个卷积神经网络(CNN)模型,该模型能够执行相同的任务,而不需要地标特征,从而大大提高了效率。该模型具有高准确性,在某些情况下超过了人类水平的性能。此外,我们使用去卷积的方法来可视化的重要功能的感知22个属性,并展示了一种新的方法,分别可视化的积极和消极的功能。
2016-12-24 cs.CV cs.LG cs.NE
Deep Multiple Instance Learning For Forecasting Stock Trends Using Financial News
The University of Hong Kong(香港大学)
一个主要的信息来源可以从金融新闻文章,其中有一些关于股票趋势波动的相关性。本文从多实例的角度研究了财经新闻对股票走势的影响。这背后的直觉是基于新闻发生的时间间隔不同的新闻不确定性,以及每一条金融新闻都缺乏注释。在多实例学习(Multiple Instance Learning,MIL)的场景下,训练实例被安排在数据包中,标签被分配给整个数据包,而不是实例,我们开发了一个灵活的和自适应的多实例学习模型,并评估其在金融新闻数据集上对标准普尔500指数方向性运动预测的能力。具体来说,我们将每个交易日视为一个袋子,每个交易日发生的一定数量的新闻作为每个袋子中的实例。实验结果表明,我们提出的基于多实例的框架获得了优异的结果,在趋势预测的准确性,与其他国家的最先进的方法和基线。
2022-06-29 cs.LG q-fin.CP
LOB-Based Deep Learning Models for Stock Price Trend Prediction: A Benchmark Study
Sapienza University of Rome(罗马第一大学);J.P. Morgan AI Research(摩根大通人工智能研究院)
本文通过开发开源框架LOBCAST,对十五个基于限价订单簿数据的深度学习股价趋势预测模型进行基准测试,发现模型在新数据上性能显著下降,揭示了现有方法的局限与潜力。
2023-09-19 cs.LG q-fin.TR
Listening to Chaotic Whispers: A Deep Learning Framework for News-oriented Stock Trend Prediction
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院);Microsoft Research(微软研究院)
股票走势预测是实现股票投资收益最大化的关键。然而,由于股票市场的高度波动性和非平稳性,精确的趋势预测是非常困难的。互联网上爆炸式的信息,加上自然语言处理和文本挖掘技术的不断发展,使投资者能够从在线内容中揭示市场趋势和波动。遗憾的是,与股市相关的网络内容的质量、可信度和全面性差异很大,很大一部分是低质量的新闻、评论甚至谣言。为了应对这一挑战,我们模仿人类面对如此混乱的在线新闻的学习过程,由三个原则驱动:顺序内容依赖,多样影响,以及有效和高效的学习。本文针对前两个原则,设计了一个混合注意力网络,根据最近的相关新闻序列来预测股票走势。此外,我们采用自定进度的学习机制来模仿第三个原则。在真实股市数据上的大量实验证明了该方法的有效性。
2019-02-20 cs.LG cs.SI q-fin.ST
Lagged correlation-based deep learning for directional trend change prediction in financial time series
University of Edinburgh(爱丁堡大学)
具有大量噪声时间序列的复杂系统中的趋势变化预测是现实世界现象的许多应用中的问题,股票市场是这种系统的众所周知的难以预测的示例。我们通过它们之间的复杂滞后相关性来预测方向趋势变化,从相应的输入中排除有关目标系列的任何信息,以纯粹基于与其他系列的此类相关性来实现预测。我们建议使用深度神经网络,在这项任务的预备特征工程中采用指数平滑的逐步线性回归,回归斜率作为给定时间间隔的趋势强度指标。我们将这种方法应用于2011年至2016年的历史股票市场数据,作为大量时间序列之间滞后相关性的用例示例,这些时间序列受到外部产生的新信息作为随机因素的严重影响。结果表明,所提出的方法的可行性,与国家的最先进的准确性和会计的统计意义的结果进行额外的验证,以及现代金融经济学的重要影响。
2018-11-29 cs.LG q-fin.CP stat.ML
Trends in deep learning for medical hyperspectral image analysis
Purdue University Northwest(普渡大学西北校区);Michigan Technological University(密歇根理工大学)
在过去的十年中,深度学习算法在几个感兴趣的领域中的应用兴趣急剧增长,其中医学高光谱成像是一个特别有前途的领域。到目前为止,据我们所知,还没有一篇综述论文讨论深度学习在医学高光谱成像中的应用,这正是本文通过研究目前利用深度学习对医学高光谱图像进行有效分析的出版物来实现的目的。本文讨论了与医学高光谱成像分析相关且适用的深度学习概念,其中一些概念已经在深度学习热潮中实现。这将包括审查使用深度学习进行分类,分割和检测,以研究医学高光谱成像的分析。最后,我们讨论了当前和未来的挑战,有关这一学科和可能的努力,以克服这种审判。
2020-11-27 cs.CV cs.LG eess.IV
Compute Trends Across Three Eras of Machine Learning
University of Aberdeen(阿伯丁大学);Centre for the Governance of AI(人工智能治理中心);University of St Andrews(圣安德鲁斯大学);Massachusetts Institute of Technology(麻省理工学院);University of Tübingen(蒂宾根大学);Complutense University of Madrid(马德里康普顿斯大学)
本文研究机器学习训练计算的增长趋势,将其历史划分为深度学习前时代、深度学习时代和大规模时代,揭示了先进ML系统对计算需求的快速增长。
2022-03-09 cs.AI cs.CY cs.LG
Deep learning methods for drug response prediction in cancer: predominant and emerging trends
Argonne National Laboratory(阿贡国家实验室);The University of Chicago(芝加哥大学)
癌症每年在全世界夺走数百万人的生命。虽然近年来已经有了许多治疗方法,但总的来说,癌症仍然没有得到解决。利用计算预测模型来研究和治疗癌症在改善药物开发和个性化治疗计划设计方面具有巨大的前景,最终抑制肿瘤,减轻痛苦,延长患者的生命。最近的一系列论文展示了在利用深度学习方法预测癌症对药物治疗的反应方面有希望的结果。这些论文研究了不同的数据表示,神经网络架构,学习方法和评估方案。然而,破译有前途的主导和新兴的趋势是困难的,由于各种探索的方法和缺乏标准化的框架比较药物反应预测模型。为了全面了解深度学习方法,我们对预测单一药物治疗反应的深度学习模型进行了广泛的搜索和分析。总共策划了60个基于深度学习的模型,并生成了摘要图。在分析的基础上,揭示了可观察到的模式和方法的普遍性。该审查有助于更好地了解该领域的现状,并确定主要挑战和有前途的解决方案。
2022-11-18 cs.LG q-bio.QM
Compute-Efficient Deep Learning: Algorithmic Trends and Opportunities
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室);MosaicML
尽管近年来深度学习取得了很大进展,但训练神经网络的爆炸性经济和环境成本正变得不可持续。为了解决这个问题,人们对 * 算法高效的深度学习 * 进行了大量的研究,它试图降低训练成本,而不是在硬件或实现层面,而是通过改变训练程序的语义。在本文中,我们提出了一个结构化的和全面的概述在这一领域的研究。首先,我们将算法加速问题形式化,然后我们使用算法有效训练的基本构建块来开发分类法。我们的分类突出了看似不同的方法的共性,并揭示了目前的研究差距。接下来,我们将介绍评估最佳实践,以便对加速技术进行全面、公平和可靠的比较。为了进一步帮助研究和应用,我们讨论了训练管道中的常见瓶颈(通过实验说明),并为它们提供分类缓解策略。最后,我们强调了一些未解决的研究挑战,并提出了有前途的未来方向。
2023-03-21 cs.LG
Deep Learning for HDR Imaging: State-of-the-Art and Future Trends
Korea Advanced Institute of Science and Technology(韩国科学技术院)
高动态范围(HDR)成像是允许广泛的动态范围曝光的技术,这在图像处理、计算机图形和计算机视觉中是重要的。近年来,使用深度学习(DL)的HDR成像取得了重大进展。这项研究对深度HDR成像方法的最新发展进行了全面而有见地的调查和分析。我们基于(1)输入曝光的数量/域,(2)学习任务的数量,(3)新的传感器数据,(4)新的学习策略,和(5)应用,将现有的深度HDR成像方法分层和结构地分为五类。重要的是,我们就每个类别的潜力和挑战进行了建设性的讨论。此外,我们还回顾了深度HDR成像的一些关键方面,如数据集和评估指标。最后,我们强调了一些开放的问题,并指出未来的研究方向。
2021-11-07 cs.CV cs.LG eess.IV
Current Trends in Deep Learning for Earth Observation: An Open-source Benchmark Arena for Image Classification
Bias Variance Labs, d.o.o.(Bias Variance Labs有限责任公司);Faculty of Computer Science and Engineering, University Ss Cyril and Methodius(圣西里尔与美多德大学计算机科学与工程学院);Jožef Stefan Institute(约泽夫·斯蒂芬研究所);University of Cambridge(剑桥大学)
我们介绍AiTLAS:Benchmark Arena -一个开源基准套件,用于评估地球观测(EO)中图像分类的最先进深度学习方法。为此,我们对来自10种不同的最先进架构的500多个模型进行了全面的比较分析,并将它们与来自22个不同大小和属性的数据集的各种多类和多标签分类任务进行了比较。除了完全在这些数据集上训练的模型之外,我们还对在迁移学习的背景下训练的模型进行了基准测试,利用了预先训练的模型变量,因为它通常在实践中执行。所有提出的方法是通用的,可以很容易地扩展到许多其他遥感图像分类任务没有考虑在这项研究中。为了确保可重复性并促进更好的可用性和进一步的开发,所有实验资源,包括训练模型,模型配置和数据集的处理细节(以及用于训练和评估模型的相应分割)都可以在存储库上公开获得:https://github.com/biasvariancelabs/aitlas-arena
2023-01-14 cs.AI cs.CV cs.LG
A Stochastic Time Series Model for Predicting Financial Trends using NLP
University of California, Irvine(加州大学欧文分校);California State University, Los Angeles(加州州立大学洛杉矶分校)
股票价格预测是一个非常复杂和非常重要的研究领域。深度神经网络技术的最新进展使研究人员能够开发高度准确的模型来预测金融趋势。我们提出了一种新的深度学习模型,称为ST-GAN或随机时间序列生成对抗网络,它分析金融新闻文本和金融数值数据来预测股票趋势。我们利用生成对抗网络(GAN)等尖端技术来学习文本和数字数据之间的相关性。我们开发了一种新的方法来训练一个时间序列GAN直接使用学习表示的朴素贝叶斯的情绪分析的金融文本数据以及技术指标从数值数据。我们的实验结果表明,与现有的各种模型和之前对股票价格预测的深度神经网络的研究相比,有了显着的改进。
2021-02-02 cs.LG q-fin.CP
Efficient Deep Learning for Biometrics: Overview, Challenges and Trends in Ear of Frugal AI
LIASD Laboratory University of Paris 8 Saint-Denis, France(LIASD实验室 巴黎第八大学圣丹尼斯分校);LIASD Laboratory National School of Artificial Intelligence Algiers, Algeria(LIASD实验室 国家人工智能学校阿尔吉尔);LSI/USTHB National School of Artificial Intelligence Algiers, Algeria(LSI/USTHB 国家人工智能学校阿尔吉尔);LIASD research Lab., University of Paris 8, France(1LIASD研究实验室 巴黎第八大学法国);National High School of Artificial Intelligence (ENSIA), Algiers, Algeria(2国家人工智能高级中学(ENSIA) 阿尔吉尔)
本文综述了高效深度学习在生物特征应用中的挑战与趋势,探讨了效率评估指标及未来研究方向。
2026-02-09 cs.LG
An Evaluation of Deep Learning Models for Stock Market Trend Prediction
School of Computing Dublin City University Dublin, Ireland;Insight Centre for Data Analytics Dublin City University Dublin, Ireland
本研究评估了TCN、N-BEATS、TFT等深度学习模型在股市短期趋势预测中的表现,并提出了优化的xLSTM-TS模型。结合小波去噪技术,xLSTM-TS在S&P 500和EWZ数据集上表现最佳,显著提升了预测准确率。
2024-08-22 cs.LG
Using NLP on news headlines to predict index trends
Lusis
本文试图提供一个国家的艺术趋势预测使用新闻标题。我们提出了使用自然语言处理预测DJIA趋势的研究。我们将解释我们使用的不同算法以及尝试的各种嵌入技术。我们依靠统计和深度学习模型来从语料库中提取信息。
2018-06-22 cs.CL cs.LG stat.ML
Deep Learning in Multiple Multistep Time Series Prediction
该项目旨在研究在多步时间序列预测中结合深度学习,特别是长短记忆(LSTM)和基本统计。LSTM可以深入到所有页面,并在大范围内学习变化的一般趋势,而每个页面的精心选择的中位数可以保持不同页面的特殊季节性,以便未来趋势不会与现实波动太大。最近的Kaggle竞赛145K Web流量时间序列预测[1]被用来彻底说明和测试这个想法。
2017-10-12 cs.LG stat.ML
Trends and Advancements in Deep Neural Network Communication
Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫研究所海因里希赫兹研究所);Technische Universität Berlin(柏林工业大学)
神经网络由于其良好的性能和可扩展性,已成为许多应用的普遍存在的构建块。随着移动和物联网的兴起,这些模型现在也越来越多地应用于分布式环境中,在分布式环境中,数据的所有者被有限的通信渠道和隐私限制分开。为了解决这些分布式环境的挑战,已经开发了各种各样的训练和评估方案,这需要神经网络参数化的通信。这些新方法将“智能化数据”与传统的云解决方案相比具有许多优势,例如隐私保护,提高安全性和设备自主性,通信效率和高训练速度。本文综述了机器学习和通信交叉的这一新的研究领域的最新进展和挑战。
2020-03-06 cs.DC cs.LG cs.MM
Neuroevolution in Deep Neural Networks: Current Trends and Future Challenges
Maynooth University(梅努斯大学)
各种方法已经应用于人工深度神经网络(DNN)的架构配置和学习或训练。对于大多数问题和应用,这些方法在DNN的成功或失败中起着至关重要的作用。进化算法(EA)作为DNN自动优化和训练的计算可行方法正在获得动力。神经进化是一个术语,它描述了使用EA自动配置和训练DNN的过程。虽然文献中存在许多作品,但目前还没有全面的调查专门关注在DNN中使用神经进化方法的优势和局限性。长期缺乏这样的调查可能会导致一个脱节和碎片化的领域,阻止DNN研究人员在自己的研究中采用神经进化方法,从而失去在现实世界的深度学习问题中提高性能和更广泛应用的机会。本文提出了一个全面的调查,讨论和评估的国家的最先进的作品使用EA的架构配置和培训的DNN。基于这项调查,本文强调了神经进化中最相关的当前问题和挑战,并确定了多个有前途的未来研究方向。
2020-06-09 cs.CV cs.LG cs.NE
Deep Learning Model Reuse in the HuggingFace Community: Challenges, Benefit and Trends
Polytechnique Montréal(蒙特利尔理工学院)
该研究针对HuggingFace社区开展混合方法实证研究,梳理了预训练模型复用的挑战与收益分类,追踪模型类型及文档演变趋势,并为相关利益方提出建议。
2024-01-24 cs.CY cs.LG cs.SE
A Survey of Large-Scale Deep Learning Serving System Optimization: Challenges and Opportunities
George Mason University(乔治梅森大学);Microsoft(微软);University of Pittsburgh(匹兹堡大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩郡分校)
深度学习(Deep Learning,DL)模型在视觉、语言、医疗、商业广告、娱乐等多个应用领域都取得了卓越的性能,随着深度学习应用的快速发展,其底层服务硬件都呈现出强劲的规模化趋势,即:模型缩放和计算缩放,例如,最近的预训练模型具有数千亿个参数,占用~TB级内存,以及最新的GPU加速器提供数百TFLOPS。随着这两种扩展趋势的出现,DL推理服务系统中出现了新的问题和挑战,其逐渐趋向于大规模深度学习服务系统(LDS)。本调查旨在总结和分类大规模深度学习服务系统的新挑战和优化机会。通过提供一种新的分类方法,总结计算范式,并阐述最新的技术进展,我们希望这项调查可以揭示新的优化观点,并激励大规模深度学习系统优化的新工作。
2022-02-18 cs.DC cs.LG
PPDL: A Real-world Industrial User Retention Ratio Forecasting Framework Integrating Physical Priors with Deep Learning
Zhejiang Normal University(浙江师范大学);Douyin Group(抖音集团);Shanghai Jiao Tong University(上海交通大学)
针对多渠道用户获取中留存率预测的渠道异质性、衰减饱和趋势和短回看窗口挑战,提出融合Weibull物理先验与深度学习的PPDL框架,通过趋势残差分解、渠道嵌入和多尺度趋势惩罚损失,在工业数据上显著优于现有方案。
2026-09-15 cs.LG
From Artificial Neural Networks to Deep Learning for Music Generation -- History, Concepts and Trends
Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);LIP6(巴黎第六大学计算机科学实验室);UNIRIO(里约热内卢联邦大学)
当前的深度学习浪潮(人工神经网络的超维生素回归)不仅适用于传统的统计机器学习任务:预测和分类(例如,天气预报和模式识别),但已经征服了其他领域,如翻译。一个不断增长的应用领域是创造性内容的生成,特别是音乐的情况下,本文的主题。其动机是利用现代深度学习技术的能力,从任意音乐语料库中自动学习音乐风格,然后从估计的分布中生成音乐样本,并对生成过程进行一定程度的控制。本文提供了一个基于深度学习技术的音乐生成教程。在对最近的一个例子所说明的主题进行了简短的介绍之后,本文分析了20世纪80年代末使用人工神经网络进行音乐生成的一些早期作品,以及他们的开创性贡献如何预示了当前的技术。然后,我们引入一些概念框架来分析所涉及的各种概念和维度。最近的系统的各种例子进行了介绍和分析,以说明各种关注和技术。
2020-10-05 cs.LG cs.MM cs.SD