Quantum Machine Learning in Climate Change and Sustainability: a Review
Karlstad University(卡尔斯塔德大学);Deggendorf Institute of Technology(代根多夫应用技术大学)
本文综述量子机器学习在气候变化与可持续发展领域的应用,涵盖脱碳、气候预测与监测等方法,并讨论挑战与未来机遇。
2023-10-13 cs.AI cs.LG
Data-driven Machinery Fault Diagnosis: A Comprehensive Review
本综述全面评述了数据驱动的机械故障诊断方法,涵盖机器学习技术、数据集及挑战,旨在为研究人员提供系统性参考。
2025-02-24 cs.AI cs.LG
Predicting Agricultural Commodities Prices with Machine Learning: A Review of Current Research
RMIT University Vietnam(越南皇家墨尔本理工大学);School of Science, Engineering, and Technology(科学、工程与技术学院)
本文综述了机器学习在农产品价格预测中的应用,分析了农业价格预测的挑战、现有方法的优缺点,并指出机器学习有望提升预测准确性,但仍需进一步研究解决其局限性。
2023-10-28 cs.AI cs.LG
Can Machine Learning Tools Support the Identification of Sustainable Design Leads From Product Reviews? Opportunities and Challenges
越来越多的产品评论发布在网上,这对设计师来说是一座金矿,他们可以通过捕捉客户的声音来更好地了解他们开发的产品,并相应地改进这些产品。与此同时,产品设计和开发在创造更可持续的未来方面发挥着至关重要的作用。随着人工智能技术在自然语言处理领域的最新进展,本研究旨在开发一种集成的机器学习解决方案,以自动从在线产品评论中获得可持续的设计见解。在本文中,现有框架提供的机遇和挑战-包括Python库,包,以及最先进的算法,如BERT -讨论,说明,并定位沿特设机器学习过程。本文讨论了建立机器学习管道的机会和挑战,以便从产品审查中获得见解,以设计更可持续的产品,包括以下五个阶段,从可持续性相关审查的识别到可持续设计线索的解释:数据汇集,数据格式化,模型训练,模型评估和模型部署。给出了可持续设计见解的例子,这些见解可以从产品审查、挖掘和处理中产生。最后,提供了该领域未来研究的前景,包括案例研究,将标准产品与其可持续替代品平行,比较客户所看重的功能,并生成精细相关的可持续设计线索。
2021-12-17 cs.AI cs.LG
Comprehensive Review On Twin Support Vector Machines
Indian Institute of Technology Indore(印度理工学院印多尔分校);South Asian University(南亚大学);Hainan University(海南大学)
双支持向量机(TWSVM)和双支持向量回归(TSVR)是近年来出现的两种有效的机器学习技术,分别为分类和回归问题提供了很有前途的解决方案。TWSVM基于识别两个非平行超平面的思想,将数据点分类到它们各自的类。支持向量机(支持向量机)要求求解两个小规模的二次规划问题,而支持向量机(TSVR)是在TWSVM的基础上发展起来的,需要求解两个SVM类问题。虽然这些技术已经取得了很好的研究进展,但关于TSVR不同变体的比较的文献有限。因此,本文对TWSVM和TSVR的最新研究进行了严格的分析,同时提到了它们的局限性和优势。首先介绍了支持向量机的基本理论,TWSVM,然后重点介绍了TWSVM的各种改进和应用,然后介绍了TSVR及其各种改进。最后,我们提出了未来的研究和发展前景。
2022-03-18 cs.AI cs.LG
Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis: A review
Georgia Institute of Technology(佐治亚理工学院);Mayo Clinic Arizona(妙佑医疗国际亚利桑那州院区);Arizona State University(亚利桑那州立大学);Columbia University Medical Center(哥伦比亚大学医学中心)
本文综述了知识驱动的机器学习在癌症诊断与预后中的研究进展,重点分析临床、影像、分子和治疗四类数据的建模问题,并总结了知识表示与知识整合策略,展望了未来发展方向。
2024-01-12 cs.AI cs.LG
A Literature Review on Length of Stay Prediction for Stroke Patients using Machine Learning and Statistical Approaches
Lakehead University(湖首大学)
住院时间(LOS)是反映医院服务质量并有助于改善医院调度和管理的最重要的医疗保健指标之一。LOS预测有助于成本管理,因为留在医院的患者通常在资源严重有限的医院单位中这样做。在这项研究中,我们回顾了使用机器学习和统计方法进行LOS预测的论文。我们的文献综述考虑了集中于卒中患者LOS预测的研究。一些调查研究显示,作者得出了相互矛盾的结论。例如,在一些研究中,患者的年龄被认为是卒中患者LOS的重要预测因素,而其他研究得出的结论是,年龄不是一个重要因素。因此,需要在这一领域进行更多的研究,以进一步了解卒中患者LOS的预测因素。
2021-12-30 cs.AI cs.LG
Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations
Data Science and Analytics Institute, University of Oklahoma(俄克拉荷马大学数据科学与分析学院);School of Industrial and Systems Engineering, University of Oklahoma(俄克拉荷马大学工业与系统工程学院);Isfahan University of Technology(伊斯法罕理工大学)
本文基于PRISMA指南系统综述了联邦学习框架下的多种机器学习算法及其应用,从机器学习视角为研究者提供全面概述并探讨未来方向。
2023-11-17 cs.AI cs.LG
Combat AI With AI: Counteract Machine-Generated Fake Restaurant Reviews on Social Media
Nova School of Business and Economics(诺瓦商业与经济学院)
针对GPT生成的虚假餐厅评论,本文利用Yelp精英评论构造数据并微调GPT输出检测器,显著提升检测效果,并分析非精英评论中的多维造假模式。
2023-04-21 cs.AI cs.CL cs.IR
Applications of machine learning and IoT for Outdoor Air Pollution Monitoring and Prediction: A Systematic Literature Review
International University of Rabat(拉巴特国际大学);KU Leuven(鲁汶大学);Mohammed V University in Rabat(穆罕默德五世大学)
本文系统性回顾了机器学习与物联网在室外空气污染预测中的应用,从1086篇文献中筛选出37篇进行分析,总结了三种预测方法,指出了现有研究在覆盖范围和数据多样性上的局限,并提出了未来研究方向。
2024-01-03 cs.AI cs.LG
A comprehensive review of Quantum Machine Learning: from NISQ to Fault Tolerance
Kadanoff Center for Theoretical Physics, The University of Chicago(芝加哥大学卡达诺夫理论物理中心)
本文全面综述了量子机器学习领域,涵盖从NISQ技术到容错量子计算硬件的基础概念、算法和统计学习理论。
2024-03-31 cs.AI cs.LG quant-ph
A Review of Machine Learning Applications in Fuzzing
Sandia National Laboratories(桑迪亚国家实验室)
在过去的几十年里,模糊测试在改进软件开发和测试方面发挥了重要作用。最近的模糊化研究集中在机器学习(ML)的应用上,为克服模糊化过程中的挑战提供了有用的工具。本文综述了ML在模糊识别中的应用研究现状。具体来说,这篇评论讨论了ML的成功应用模糊,简要探讨了遇到的挑战,并激励未来的研究,以解决模糊瓶颈。
2019-10-09 cs.AI cs.CR cs.LG
Insights on Adversarial Attacks for Tabular Machine Learning via a Systematic Literature Review
University of Luxembourg(卢森堡大学);Luxembourg Institute of Health(卢森堡健康研究所)
本文通过首个系统文献综述,分类表格机器学习对抗攻击策略,分析实际应用考量,并指出挑战与开放问题,以指导未来研究。
2025-06-18 cs.LG
A review of possible effects of cognitive biases on the interpretation of rule-based machine learning models
Prague University of Economics and Business(布拉格经济与商业大学);The Prague College of Psychosocial Studies(布拉格心理社会研究学院);Johannes Kepler University(约翰·开普勒大学)
虽然机器学习模型的可解释性通常等同于它们的语法可理解性,但我们认为可解释性不仅限于此,人类的可解释性也应该从认知科学的角度进行研究。本文的目标是讨论认知偏差在多大程度上可能影响人类对可解释的机器学习模型的理解,特别是从数据中发现的逻辑规则。涵盖了20种认知偏见,以及机器学习算法和软件的设计者可以采用的可能的去偏见技术。我们的综述将认知心理学中获得的结果转移到机器学习领域,旨在弥合这两个领域之间的差距。接下来需要进行专门针对机器学习领域的实证研究。
2021-09-13 cs.AI cs.LG stat.ML
Comparing GenAI to Machine Learning and Manual Review for eDiscovery
University of Waterloo(滑铁卢大学);Elevate
该研究通过案例分析对比了生成式AI工具aiR、机器学习工具RAL及人工审查在电子开示中的表现,指出需考虑方法差异,且采用连续主动学习的机器学习模型仅用2000份样本训练便具优异效果。
2026-10-28 cs.AI cs.IR cs.LG
A Review on Oracle Issues in Machine Learning
INESC TEC(INESC TEC(葡萄牙工程与系统技术研究所))
机器学习与传统的软件开发不同,因为预言是数据,而数据并不总是机器学习试图建模的问题的正确表示。我们对机器学习中发现的Oracle问题进行了调查,并提出了处理这些问题的最先进的解决方案。其中包括差分测试、变形测试和测试覆盖率的研究路线。我们还回顾了最近在建模过程中对鲁棒性的一些改进,这些改进减少了Oracle问题的影响,以及用于帮助测试和发现特定于数据集的问题的工具和框架。
2021-05-04 cs.LG
Machine learning for fraud detection in digital banking: a systematic literature review REVIEW
Daffodil International University(达福迪尔国际大学)
该综述基于118项研究,系统梳理了机器学习在数字银行欺诈检测中的应用,发现监督学习仍为主流,深度学习和混合模型在应对新欺诈模式上展现出更高适应性与准确性。
2025-10-04 cs.LG
A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning
Institute of Computer Science, Foundation for Research and Technology, Hellas(希腊研究与技术基金会计算机科学研究所);Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
物体感知是计算机视觉的一个基本子领域,涵盖了许多单独的领域,并贡献了高影响力的结果。虽然机器学习传统上已被应用于解决相关问题,最近的作品也寻求方法来整合知识工程,以扩大智能水平的视觉解释的对象,其属性和它们与环境的关系。在本文中,我们试图系统地调查如何基于知识的方法有助于不同的对象感知任务。我们回顾了最新的成就,并确定了突出的研究方向。
2020-03-17 cs.AI cs.CV cs.LG
A review on Neural Turing Machine
Faculty of Computer Engineering, Najafabad Branch, Islamic Azad University(伊斯兰阿扎德大学纳贾法巴德分校计算机工程学院);Big Data Research Center, Najafabad Branch, Islamic Azad University(伊斯兰阿扎德大学纳贾法巴德分校大数据研究中心)
人工智能的主要目标之一是设计在诸如人脑的通用计算机器上执行的学习算法。神经图灵机(NTM)是实现这种计算机器的一个步骤。本文试图对神经图灵机进行系统的综述。首先,介绍了机器学习、神经网络和图灵机的思维导图和分类。接下来,NTM检查的概念,结构,版本的品种,实现的任务,比较等,最后,本文讨论的问题,并结束了几个未来的工作。
2020-11-15 cs.LG cs.NE
Machine Learning for E-mail Spam Filtering: Review,Techniques and Trends
Tezpur University(提斯普尔大学)
我们提出了一个全面的审查最有效的基于内容的电子邮件垃圾邮件过滤技术。我们主要关注基于机器学习的垃圾邮件过滤器及其变体,并报告了广泛的审查,包括调查相关的想法,努力,有效性和当前的进展。背景知识的初步阐述研究了垃圾邮件过滤的基础知识、垃圾邮件的演变性质、垃圾邮件发送者与电子邮件服务提供商(ESP)玩猫捉老鼠的游戏,以及对抗垃圾邮件的机器学习前沿。最后,我们通过测量基于机器学习的过滤器的影响,并探索最新发展的有前途的分支。
2016-06-03 cs.CR cs.LG
Analyzing the Machine Learning Conference Review Process
University of California, Berkeley(加州大学伯克利分校);Princeton University(普林斯顿大学);Centennial High School(百年高中);Harvard University(哈佛大学);University of Maryland, College Park(马里兰大学帕克分校)
近年来,主流机器学习会议的参与者数量急剧增加,观点也越来越广泛。机器学习社区的成员可能会无意中听到从接受决定的随机性到制度偏见的指控。在这项工作中,我们通过对2017年至2020年提交给ICLR的论文进行全面研究,批判性地分析了审查过程。我们量化的再现性/随机性的审查分数和验收决定,并检查分数是否与论文的影响。我们的研究结果表明,在接受/拒绝的决定,即使在控制纸张质量强的机构偏见。此外,我们发现了性别差距的证据,女性作者的得分较低,接受率较低,每篇论文的引用次数少于男性作者。最后,我们对未来的会议组织者提出了建议。
2020-11-26 cs.AI cs.LG stat.ML
Preliminary Systematic Literature Review of Machine Learning System Development Process
Waseda University(早稻田大学);Osaka Institute of Technology(大阪工业大学);National Institute of Informatics(国立信息学研究所)
以前的机器学习(ML)系统开发研究表明,新兴的软件质量属性是一个问题,由于ML系统的概率行为。假设详细的开发过程取决于各个开发人员,并且没有详细讨论。为了帮助开发人员标准化他们的ML系统开发过程,我们对ML系统开发过程进行了初步的系统性文献综述。对2358篇论文的检索查询识别出7篇论文以及在特别综述中确定的另外2篇论文。我们的发现包括ML系统开发中的重点阶段,经常描述的实践和定制的传统软件开发实践。
2019-10-12 cs.LG
Review of Interpretable Machine Learning Models for Disease Prognosis
University of California, Santa Cruz(加州大学圣克鲁兹分校);Boston University(波士顿大学)
本文综述可解释机器学习在 COVID-19 等呼吸系统疾病预后预测中的应用,强调融合临床知识与数据学习的模型价值。
2024-09-08 cs.LG
Machine Learning Model Development from a Software Engineering Perspective: A Systematic Literature Review
University of Waterloo(滑铁卢大学)
数据科学家经常开发机器学习模型来解决行业和学术界的各种问题,但在模型开发方面也面临着一些挑战。关于机器学习开发的问题涉及这样一个事实,即这些专业人员没有意识到他们通常执行临时实践,这些实践可以通过采用软件工程开发手册中提出的活动来改进。当然,由于机器学习系统与传统的软件系统不同,它们各自的开发过程中的一些差异是可以预期的。在这种情况下,本文是从软件工程的角度来研究ML模型开发过程中出现的挑战和实践,重点是了解软件开发人员如何从应用或调整传统的软件工程过程中受益于机器学习工作流。
2021-02-15 cs.AI cs.LG cs.SE
Machine learning applications for COVID-19: A state-of-the-art review
Canadian University Dubai(迪拜加拿大大学);Vellore Institute of Technology(韦洛尔理工学院);American University of Sharjah(沙迦美国大学);Manukau Institute of Technology(马努考理工学院);Auckland University of Technology(奥克兰理工大学)
COVID-19大流行激发了机器学习社区创造新的解决方案,以帮助对抗病毒。与机器学习和人工智能在COVID-19中的应用相关的文献不断增加。本文的目标是介绍应用于COVID-19的机器学习研究的最新进展。我们涵盖四个主要研究领域:预测,医学诊断,药物开发和接触者追踪。我们回顾并分析了最成功的最先进的研究。与其他现有的调查相比,我们的文章对当前的研究进行了高层次的概述,这些研究足够详细,可以提供知情的见解。
2021-01-19 cs.LG
Machine learning based disease diagnosis: A comprehensive review
University of Oklahoma(俄克拉荷马大学)
在全球范围内,有效诊断各种疾病的需求大量未得到满足。患者群体的不同疾病机制和潜在症状的复杂性对开发早期诊断工具和有效治疗提出了巨大挑战。机器学习(ML)是人工智能(AI)的一个领域,它使研究人员、医生和患者能够解决其中的一些问题。基于相关研究,本文介绍了如何使用机器学习(ML)和深度学习(DL)来帮助早期识别许多疾病。首先,使用Scopus和Web of Science(WOS)数据库中的数据对该出版物进行了文献计量学研究。对1216篇出版物进行了文献计量学研究,以确定最多产的作者,国家,组织和引用最多的文章。然后综述了基于机器学习的疾病诊断(MLBDD)的最新趋势和方法,考虑了以下因素:算法,疾病类型,数据类型,应用和评估指标。最后,本文重点介绍了主要成果,并提供了对MLBDD领域未来趋势和机遇的见解。
2021-12-31 cs.LG
Machine Learning for Data-Driven Movement Generation: a Review of the State of the Art
School of Interactive Arts and Technology(交互艺术与技术学院);Simon Fraser University(西蒙菲莎大学);Vancouver, Canada(加拿大温哥华)
视频游戏等非线性和交互式媒体的兴起增加了对自动运动动画生成的需求。在本调查中,我们回顾和分析了使用机器学习技术和运动捕捉数据构建自动运动生成系统的不同方面。我们涵盖的主题包括高级运动表征、训练数据、特征表示、机器学习模型和评估方法。最后,我们提出了一个讨论的综述文献,并概述了研究的差距和未来工作的剩余挑战。
2019-03-20 cs.GR cs.LG stat.ML
An Open Review of OpenReview: A Critical Analysis of the Machine Learning Conference Review Process
University of California, Berkeley(加州大学伯克利分校);Princeton University(普林斯顿大学);Centennial High School(百年高中);Harvard University(哈佛大学);University of Maryland, College Park(马里兰大学帕克分校);University of Maryland College Park(马里兰大学帕克分校)
近年来,主流机器学习会议的参与者数量急剧增加,观点也越来越广泛。机器学习社区的成员可能会无意中听到从接受决定的随机性到制度偏见的指控。在这项工作中,我们通过对2017年至2020年提交给ICLR的论文进行全面研究,批判性地分析了审查过程。我们量化的再现性/随机性的审查分数和验收决定,并检查分数是否与论文的影响。我们的研究结果表明,在接受/拒绝的决定,即使在控制纸张质量强的机构偏见。此外,我们发现了性别差距的证据,女性作者的得分较低,接受率较低,每篇论文的引用次数少于男性作者。最后,我们对未来的会议组织者提出了建议。
2020-10-26 cs.CY cs.LG
Counterfactual Explanations and Algorithmic Recourses for Machine Learning: A Review
University of Washington(华盛顿大学);Arthur AI(亚瑟人工智能公司)
机器学习在许多已部署的决策系统中发挥作用,通常以人类利益相关者难以或不可能理解的方式发挥作用。以人类可理解的方式解释机器学习模型的输入和输出之间的关系对于开发基于可信机器学习的系统至关重要。一个新兴的研究主体试图定义机器学习中可解释性的目标和方法。在本文中,我们试图对反事实解释的研究进行回顾和分类,反事实解释是一种特定的解释,它提供了一种联系,如果模型的输入以特定的方式改变,可能会发生什么。机器学习中的反事实可解释性的现代方法与许多国家的既定法律原则相联系,使它们对金融和医疗保健等高影响领域的现场系统具有吸引力。因此,我们设计了一个具有理想特性的反事实解释算法的量规,并对该量规全面评估了目前提出的所有算法。我们的标题提供了不同方法的优点和缺点的简单比较和理解,并作为该领域主要研究主题的介绍。我们还确定了差距,并讨论了有前途的研究方向,在空间的反事实的可解释性。
2022-11-15 cs.AI cs.LG stat.ML
Review of multimodal machine learning approaches in healthcare
Oxford Internet Institute, University of Oxford(牛津大学互联网研究所);Institute for People-Centred AI, University of Surrey(萨里大学以人为本人工智能研究所);Wellcome/EPSRC Centre for Interventional and Surgical Sciences, University College London(伦敦大学学院惠康/英国工程与物理科学研究委员会介入与外科科学中心)
本文综述了医疗保健中的多模态机器学习方法,探讨了临床诊断中使用的多种数据模态(尤其是成像数据),评估了融合技术、多模态数据集和常见训练策略,以克服单一模态的局限性并更好地辅助临床决策。
2024-02-12 cs.AI cs.CV cs.LG
Machine Learning Techniques for Sensor-based Human Activity Recognition with Data Heterogeneity -- A Review
The University of Auckland(奥克兰大学);Kyushu University(九州大学)
本综述探讨了机器学习如何解决基于传感器的人类活动识别(HAR)中的数据异构性问题,通过分类异构性类型、匹配相应机器学习方法、总结数据集并展望未来挑战,旨在提升模型性能并促进个性化自适应模型的开发。
2024-03-12 cs.AI cs.HC cs.LG
Yelp Review Rating Prediction: Machine Learning and Deep Learning Models
Georgia Institute of Technology(佐治亚理工学院)
我们基于Yelp Open Dataset从Yelp评论中预测餐厅评级。给出了数据分布,并建立了一个平衡的训练数据集。两个矢量化的特征工程进行了实验。实现了朴素贝叶斯、逻辑回归、随机森林和线性支持向量机四种机器学习模型。还应用了四种基于变换器的模型,包括BERT、DistilBERT、RoBERTa和XLNet。准确性,加权F1得分和混淆矩阵用于模型评估。XLNet的五星分类准确率为70%,而Logistic回归的准确率为64%。
2020-12-12 cs.CL cs.IR cs.LG
A review of homomorphic encryption and software tools for encrypted statistical machine learning
University of Oxford(牛津大学)
密码学的最新进展有望实现对加密数据的安全统计计算,从而可以在不需要首先解密的情况下执行有限的一组操作。我们审查这些同态加密方案的统计学家和机器学习者访问的方式,专注于相关的固有的局限性,在当前的最先进的状态。这些限制限制的统计和机器学习算法,可以实现,我们回顾那些已成功应用于文献。最后,我们记录了一个高性能的R包实现最近的同态计划的一般框架。
2015-08-26 cs.CR cs.LG stat.ML
Some Ethical Issues in the Review Process of Machine Learning Conferences
KTH Royal Institute of Technology(瑞典皇家理工学院)
机器学习社区最近的成功导致提交给会议的论文数量急剧增加。这一增加使影响这些会议目前所使用的审查程序的一些问题更加突出。审查过程中有几个问题可能会破坏科学研究的性质,即完全客观,非政治性,无偏见和无不当行为(如剽窃,作弊,不当影响和其他不当行为)。在这项工作中,我们研究了审稿人的招聘问题,双盲过程的违规行为,欺诈行为,数字评级的偏见,以及附录现象(即,在论文的附录部分公布研究结果的做法越来越普遍)。对于每一个问题,我们提供了一个简短的描述和可能的解决方案。这项工作的目标是提高机器学习社区对这些问题的认识。
2021-06-01 cs.LG stat.ML
Machine Learning Applications of Quantum Computing: A Review
Institute of Information Technology, Jamk University of Applied Sciences(Jamk应用科学大学信息技术学院)
该综述基于32篇开创性文献,系统梳理量子计算与机器学习的交叉研究,分析量子增强方法在网络安全等领域的应用潜力、挑战及伦理安全问题,为该领域后续研究奠定基础。
2024-09-17 cs.ET cs.LG
Requirements Engineering for Machine Learning: A Review and Reflection
National Engineering Research Center for Big Data Software(国家大数据软件工程技术研究中心);School of Software, Tsinghua University(清华大学软件学院)
如今,许多工业流程正在经历数字化转型,这通常需要在业务流程中集成易于理解的领域模型和最先进的机器学习技术。然而,关于何时、何地以及如何将各种领域模型和端到端机器学习技术适当地嵌入到给定的业务工作流中的需求获取和设计决策需要进一步探索。本文旨在提供一个概述的需求工程过程中的机器学习应用程序的跨域协作。我们首先回顾了有关机器学习需求工程的文献,然后一步一步地完成协作需求分析过程。还讨论了与上述步骤相关的工业数据驱动智能应用的示例情况。
2022-10-03 cs.LG cs.SE
A Review of Machine Learning based Anomaly Detection Techniques
Punjabi University(旁遮普大学)
入侵检测技术是近二十年来兴起的一个研究热点。它主要有两种类型的基础上的入侵,第一个是误用或基于签名的检测和另一个是异常检测。本文讨论了基于机器学习的异常检测技术。
2013-07-27 cs.CR cs.LG
70 years of machine learning in geoscience in review
本文综述了机器学习在地球科学中的发展。对过去70年来机器学习应用的共同发展进行了全面分析,将最近对机器学习的热情与地球科学的发展联系起来。我探讨了克里金法向主流机器学习方法的转变,以及神经网络在地球科学中的历史应用,遵循几十年来机器学习热情的总体趋势。此外,本章探讨了从数学基础知识和软件开发的技能,在模型验证,应用统计学和综合学科专业知识的转变。该综述穿插了代码示例,以补充理论基础,并说明模型验证和机器学习对科学的可解释性。本综述的范围包括各种浅层机器学习方法,例如决策树,随机森林,支持向量机和高斯过程,以及深度神经网络,包括前馈神经网络,卷积神经网络,递归神经网络和生成对抗网络。关于地球科学,审查偏向于地球物理学,但旨在与地球化学、地质统计学和地质学取得平衡,但不包括遥感,因为这将超出范围。总的来说,我的目标是为最近围绕深度学习的研究、硬件和软件开发的热情提供背景,这些研究、硬件和软件开发使浅层和深层机器学习能够在地球科学的所有学科中成功应用。
2020-08-26 cs.CV cs.LG eess.IV
Anomalous Sound Detection with Machine Learning: A Systematic Review
University of Minho(米尼奥大学)
异常声音检测(ASD)是识别物体发出的声音是正常还是异常的任务。在某些情况下,早期检测这种异常可以防止几个问题。本文对使用机器学习(ML)技术进行的异常声音检测相关研究进行了系统综述(SR)。本SR通过选择2010年至2020年期间在期刊和会议上发表的31项(已接受的研究)研究进行。讨论了最新技术水平,收集数据集,提取音频特征的方法,ML模型以及用于ASD的评估方法。结果表明,ToyADMOS、MIMII和Mivia数据集、Mel频率倒谱系数(MFCC)特征提取方法、ML的自动编码器(AE)和卷积神经网络(CNN)模型、AUC和F1-score评价方法被引用最多。
2021-02-15 cs.AI cs.LG cs.SD
Adversarial Robustness in Unsupervised Machine Learning: A Systematic Review
NTNU(挪威科技大学)
本文系统综述86篇无监督学习对抗鲁棒性文献,发现研究多集中于已有防御的隐私攻击,而大量攻击缺少通用防御,并提出攻击属性模型以支持后续研究。
2023-06-01 cs.CR cs.LG
Collaborative Machine Learning-Driven Internet of Medical Things -- A Systematic Literature Review
Universiteit van Amsterdam(阿姆斯特丹大学)
物联网设备在医疗保健领域的日益普及,使研究人员能够使用这些设备产生的所有数据来构建智能。监测和诊断健康状况是这类设备被证明有益的两种最常见的情况。实现高预测精度最初是首要任务,但重点已经慢慢转移到效率和更高的吞吐量,并且以分布式方式处理来自这些设备的数据已被证明有助于实现这两个目标。由于机器学习领域非常广阔,有许多最先进的算法在发挥作用,因此识别在不同场景中表现最佳的算法一直是一个挑战。在这篇文献综述中,我们探讨了所选研究作者测试的分布式机器学习算法,并确定了在每个医疗保健场景中实现最佳预测准确性的算法。虽然没有算法表现一致,但随机森林在一些研究中表现最好。这可以作为未来在IoMT数据上进行协作机器学习研究的一个很好的起点。
2022-07-13 cs.LG
Machine Learning Applications on Neuroimaging for Diagnosis and Prognosis of Epilepsy: A Review
Southern University of Science and Technology(南方科技大学);University of Macau(澳门大学)
机器学习在医学图像分析中发挥着越来越重要的作用,催生了神经影像学临床应用的新进展。关于机器学习与癫痫的研究,以往的研究主要集中在脑电(EEG)和立体脑电(SEEG)等电生理信号上,而忽视了神经影像学在癫痫研究中的潜力。神经影像学检查在确定癫痫灶范围方面具有重要优势,对术前评估和术后评估至关重要。然而,脑电图难以准确定位癫痫病灶在脑内的位置。在这篇综述中,我们强调了神经影像学和机器学习在癫痫诊断和预后方面的相互作用。我们首先概述了癫痫和癫痫临床中使用的典型神经影像学方式,MRI,DWI,fMRI和PET。然后,我们阐述了将机器学习方法应用于神经成像数据的两种方法:i)结合人工特征工程和分类器的传统机器学习方法,ii)深度学习方法,如卷积神经网络和自动编码器。随后,机器学习在癫痫神经成像中的应用,如分割,定位和定侧任务,以及与诊断和预后直接相关的任务进行了详细研究。最后,我们讨论了目前在这一领域的成就,挑战和潜在的未来方向,希望为癫痫的计算机辅助诊断和预后铺平道路。
2021-11-02 cs.LG
Towards Interpretability in Audio and Visual Affective Machine Learning: A Review
Center for Cognitive Interaction Technology (CITEC)(认知交互技术中心);Bielefeld University(比勒菲尔德大学)
该综述针对音视频情感机器学习的可解释性开展结构化文献分析,梳理了29篇相关研究的现状与不足,并为后续研究提出建议。
2023-06-15 cs.LG
Support vector machines/relevance vector machine for remote sensing classification: A review
NIT Kurukshetra(库鲁克谢特拉国家技术学院)
基于核的机器学习算法基于将数据从原始输入特征空间映射到更高维度的核特征空间,以解决该空间中的线性问题。在过去的十年中,基于核的分类和回归方法,如支持向量机已被广泛用于遥感以及在各种土木工程应用。尽管支持向量机在不同的数据集上有更好的性能,但它仍然存在一些缺点,如模型的可视化/解释、核和核特定参数的选择以及正则化参数。相关向量机是另一种基于核的方法,在过去几年中被探索用于分类和回归。相关向量机优于支持向量机的优点是概率预测的可用性,使用任意核函数并且不需要设置正则化参数。本文介绍了支持向量机和RVM在遥感中的最新进展,并提供了它们在其他土木工程应用中的一些细节。
2011-01-15 cs.CV cs.LG
A Review on Machine Unlearning
Kyushu University(九州大学);KDDI Research Inc.(KDDI研究所)
本文综述了机器学习模型中的安全与隐私问题,重点介绍了由GDPR等法规引出的机器遗忘概念,分析并讨论了当前的机器遗忘方法及代表性研究成果,以及未来的研究挑战。
2024-11-18 cs.LG
Trends in Machine Learning and Electroencephalogram (EEG): A Review for Undergraduate Researchers
Swarthmore College(斯沃斯莫尔学院);Haverford College(哈弗福德学院)
本文综述了截至2023年机器学习背景下基于EEG的脑机接口研究趋势,系统梳理任务、算法与数据集,为本科生提供入门理解并指出未来研究方向。
2023-07-06 cs.HC cs.LG
Automated Machine Learning -- a brief review at the end of the early years
Computer Science Department Instituto Nacional de Astrof\'isica, \'Optica y Electr\'onica, Tonanzintla, Puebla, 72840, Mexico
自动化机器学习(AutoML)是机器学习的子领域,其目的是在一定程度上自动化机器学习系统设计的所有阶段。在监督学习的背景下,AutoML涉及特征提取、预处理、模型设计和后处理。AutoML的主要贡献和成就在最近十年中已经发生。因此,我们现在正是回顾和认识我们所学到的东西的最佳时机。本章旨在总结AutoML早期的主要发现。更具体地说,在这一章中,AutoML的监督学习的介绍,并在这一领域的进展的历史回顾。同样,AutoML的主要范式进行了描述,并概述了研究机会。
2020-08-24 cs.LG stat.ML
Machine learning applications in archaeological practices: a review
University of Tübingen(图宾根大学);Department of Geosciences, Working Group Soil Science and Geomorphology(地质科学系,土壤科学与地貌工作组);Department of Geosciences, Working Group Early Prehistory and Quaternary Ecology(地质科学系,早期史前与第四纪生态工作组);High Performance and Cloud Computing Group(高性能与云计算小组);Technological Primates Research Group(技术类人研究小组);Max Planck Institute for Evolutionary Anthropology(马克斯·普朗克进化人类学研究所);Faculty of Agriculture and Natural Resources(农业与自然资源学院)
本文综述了机器学习在考古学中的应用现状,指出其在结构检测、文物分类等任务中的广泛应用,同时强调了方法论定义和协作实践的重要性。
2025-12-17 cs.LG
Deep Transfer Learning for Industrial Automation: A Review and Discussion of New Techniques for Data-Driven Machine Learning
University of Stuttgart(斯图加特大学)
本文介绍了迁移和持续学习的概念。随后的审查揭示了工业深度迁移学习的有前途的方法,利用这两类算法的方法。在计算机视觉领域,它已经是最先进的技术。在其他领域,例如故障预测,它才刚刚起步。然而,在各个领域,持续学习和迁移学习之间的抽象区分不利于它们的实际应用。相比之下,两者应该结合在一起,以创建满足工业自动化部门要求的强大学习算法。为了更好地描述这些需求,介绍了工业迁移学习的基本用例。
2020-12-06 cs.LG
A Novel Review of Stability Techniques for Improved Privacy-Preserving Machine Learning
本文综述了多种增强模型稳定性的技术,旨在减少隐私保护所需的随机噪声量,从而最小化隐私化对机器学习模型性能的负面影响。
2024-05-31 cs.CR cs.LG
Machine learning for plant microRNA prediction: A systematic review
University of Peradeniya(佩拉德尼亚大学)
microRNA(miRNAs)是一类内源性小分子非编码RNA,在转录后基因调控中发挥重要作用。然而,实验测定miRNA序列和结构既昂贵又耗时。因此,已经采用基于计算和机器学习的方法来预测新的microRNA。随着生物学中数据科学和机器学习的介入,人们进行了多项研究,以寻找具有不同计算方法和不同miRNA特征的microRNA。考虑到使用的学习算法、考虑的特征、使用的数据集和评估中使用的标准,详细讨论了多种方法。本文综述了近年来用于植物miRNA鉴定的机器学习方法。这将有助于研究人员获得对过去研究的详细了解,并确定解决过去研究中出现的缺陷的新路径。我们的研究结果强调了需要植物特异性的计算方法来识别miRNA。
2021-06-29 cs.LG q-bio.GN
Adversarial Examples in Modern Machine Learning: A Review
Element AI(元素人工智能)
最近的研究发现,许多机器学习模型家族都容易受到对抗性示例的影响:输入是专门设计来导致目标模型产生错误输出的。在本调查中,我们专注于视觉领域的机器学习模型,其中用于生成和检测此类示例的方法已得到最广泛的研究。我们探索了各种对抗性攻击方法,适用于图像空间内容,现实世界的对抗攻击,对抗性防御,以及对抗性示例的可转移性。我们还讨论了各种对抗攻击和防御方法的优点和缺点。我们的目标是提供一个广泛的领域覆盖面,提供读者与对抗攻击和防御机制的机制的直观理解,并扩大研究这一基本问题的研究人员的社区。
2019-11-15 cs.AI cs.CR cs.LG
Applications of Machine Learning in Healthcare and Internet of Things (IOT): A Comprehensive Review
近年来,智能医疗物联网设备已经变得无处不在,但由于其策略,它们在隔离的网络中工作。将这些设备连接到网络中使我们能够执行医疗分布式数据分析。然而,在技术、结构和网络策略方面存在不同的物联网设备,这使得在将传统的集中式学习算法应用于从物联网设备收集的分散式数据时成为一个具有挑战性的问题。在这项研究中,我们对最先进的机器学习应用进行了广泛的回顾,特别是在医疗保健领域,物联网中的挑战性问题以及相应的有前途的解决方案。最后,我们强调了医疗保健中物联网的一些开放式问题,为科学家留下了进一步的研究和调查。
2022-02-06 cs.CY cs.LG
Restricted Boltzmann Machines: Introduction and Review
University of California, Los Angeles(加州大学洛杉矶分校)
受限玻尔兹曼机是一个随机单元网络,在成对的可见和隐藏单元之间具有无向相互作用。该模型作为深度学习架构的构建块得到推广,并在应用和理论机器学习中继续发挥重要作用。受限玻尔兹曼机具有丰富的结构,与几何、应用代数、概率、统计、机器学习和其他领域有联系。对这些模型的分析本身就很有吸引力,也是一个平台,可以将数学工具与隐变量图形模型相结合并加以推广。本文介绍了限制玻尔兹曼机的数学分析,回顾了最近的结果的几何集合的概率分布所代表的这些模型,并提出了一些进一步研究的方向。
2018-06-19 cs.IT cs.LG math.IT