Smart Timing for Mining: A Deep Learning Framework for Bitcoin Hardware ROI Prediction
Singapore University of Technology and Design（新加坡科技设计大学）
提出MineROI-Net，一种基于Transformer的深度学习框架，将比特币ASIC硬件采购建模为时间序列分类任务，预测一年内的投资回报率类别，在2015-2024年20种ASIC矿机数据上达到83.2%准确率和83.5%宏F1分数。
2026-05-25 cs.AI cs.CE cs.LG
A Deep Learning Method for Predicting Mergers and Acquisitions: Temporal Dynamic Industry Networks
University of Delaware（特拉华大学）
本文提出时序动态行业网络模型，利用时序点过程和深度学习捕捉并购事件间的复杂依赖关系，无需特征工程或数据再平衡，即可实现交易级预测并为竞购方和目标公司提供具体建议。
2024-10-17 cs.LG cs.SI q-fin.GN
Driver Action Prediction Using Deep (Bidirectional) Recurrent Neural Network
Toyota InfoTechnology Center USA（美国丰田信息技术中心）
通过有效的驾驶员动作预测（DAP），可以显著改善高级驾驶员辅助系统（ADAS）。早期准确地预测驾驶员的行为可以帮助减轻潜在的不安全驾驶行为的影响，避免可能发生的事故。在本文中，我们制定了驾驶员行为预测作为一个时间序列异常预测问题。虽然异常（感兴趣的驾驶员动作）检测在这种情况下可能是微不足道的，但是找到始终先于异常的模式需要跨多模态感觉输入搜索或提取特征。我们提出了这样的驾驶员动作预测系统，包括用于预测未来或即将发生的驾驶员动作的实时数据采集、处理和学习框架。除了传统的车辆动力学，该系统还结合了基于摄像头的驾驶环境和驾驶员自身的知识。然后，它使用深度双向循环神经网络（DBRNN）来学习感官输入与即将发生的驾驶员行为之间的相关性，从而实现准确和高水平的动作预测。所提出的系统在驾驶员动作预测任务上比其他现有系统表现更好，并且可以在驾驶员执行动作之前5秒的持续时间内准确地预测关键驾驶员动作，包括加速、制动、变道和转弯。
2017-06-07 cs.AI cs.CV cs.LG
Learning Source Acquisition Policies by Offline Planning
Southeast University（东南大学）
本文提出O-MPAC方法，通过离线规划学习源获取策略，在预算约束下选择特征组，实验表明其在多个任务上优于现有方法。
2026-09-15 cs.LG
Active Learning for Argument Strength Estimation
LMU Munich（慕尼黑大学）；Germany（德国（注：根据提取范围，仅提取到大学/学院/公司/研究院级别，此处“Germany”为国家，非机构，实际有效机构为“LMU Munich”））
高质量的论证是决策的重要组成部分。自动预测论点的质量是一个复杂的任务，最近得到了很多关注的论点挖掘。然而，这个任务的注释工作量非常高。因此，我们测试基于不确定性的主动学习（AL）方法在两个流行的参数强度数据集，以估计是否可以启用样本有效的学习。我们广泛的经验评估表明，基于不确定性的采集功能不能超过这些数据集上的随机采集所达到的精度。
2021-09-23 cs.AI cs.CL cs.LG
Click-Based Student Performance Prediction: A Clustering Guided Meta-Learning Approach
Purdue University（普渡大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
研究了从点击流行为预测学生在网络课程中知识获取的问题。由于电子学习讲座的普及，我们特别关注学生在讲座视频中的视频活动，其中包括内容和视频测验。我们预测视频测验表现的方法基于我们开发的三个关键思想。首先，我们通过对原始事件数据进行操作的时间序列学习架构来对学生的点击行为进行建模，而不是像现有方法那样定义手工制作的功能，这些功能可能会丢失嵌入在点击序列中的重要信息。其次，我们开发了一个自我监督的点击流预训练，以学习点击流事件的信息表示，从而可以有效地初始化预测模型。第三，我们提出了一个聚类引导的元学习为基础的训练，优化预测模型，利用集群的频繁模式在学生点击流序列。通过对三个真实世界数据集的实验，我们证明了我们的方法在预测学生的视频测验表现方面比两个基线模型有了实质性的改进。此外，我们通过消融研究验证了我们框架的预训练和元学习组件的重要性。最后，我们展示了我们的方法如何揭示与知识获取相关的视频观看行为的见解，以进行有用的学习分析。
2021-11-16 cs.LG
A data acquisition setup for data driven acoustic design
ETH Zurich（苏黎世联邦理工学院）；Swiss Data Science Center（瑞士数据科学中心）；Empa（瑞士联邦材料科学与技术研究所）
在本文中，我们提出了一种新的跨学科的方法来研究扩散表面结构和它们的声学性能之间的关系。使用计算设计，表面结构以1：10的模型比例迭代生成和3D打印。它们源自不同的制造类型，并且被设计成具有声学扩散和吸收效果。一个自动化的机器人过程通过在多个位置放置麦克风和扬声器来测量这些表面的脉冲响应。收集的数据有两个目的：第一，作为不同的时空声学场景的探索性目录，第二，作为使用机器学习预测数字设计的表面几何形状的声学响应的数据集。在本文中，我们提出了自动数据采集设置，数据处理和计算生成的扩散表面结构。我们描述了第一次测量面板的比较研究结果，并得出结论，未来的研究步骤。
2021-09-24 cs.LG cs.SD eess.AS
Efficient Biological Data Acquisition through Inference Set Design
Valence Labs（瓦伦斯实验室）；University of Toronto（多伦多大学）；University of Manchester（曼彻斯特大学）
针对药物发现中高通量实验成本高的问题，本研究提出推理集设计，通过基于置信度的主动学习选择最小候选集，在保留系统性能的同时显著降低实验成本。
2025-04-11 cs.LG
Icebreaker: Element-wise Active Information Acquisition with Bayesian Deep Latent Gaussian Model
University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）
在本文中，我们介绍了冰启动问题，即，当最初只有很少或没有训练数据可用时部署机器学习模型的挑战，以及获取数据的每个特征元素与成本相关联。此设置代表真实世界的机器学习应用程序。例如，在医疗保健领域，当训练人工智能系统从实验室测试中预测患者指标时，获得每一个测量值都需要很高的成本。只有标签与成本相关联的主动学习不适用于这种问题，因为执行所有可能的实验室测试以获取新的训练数据将是昂贵的，并且由于冗余而不必要。我们提出了破冰者，一个原则性的框架来处理冰启动问题。Icebreaker使用了一个完整的贝叶斯深层潜在高斯模型（BELGAM）和一种新的推理方法。我们提出的方法结合了摊销推理和随机梯度MCMC的最新进展，使快速和准确的后验推理。通过利用BELGAM的能力，充分量化模型的不确定性，我们还提出了两个信息采集功能的插补和主动预测问题。我们证明，BELGAM表现明显优于以前的VAE（变分自编码器）为基础的模型，当数据集的大小是小的，使用机器学习基准和现实世界的推荐系统和医疗保健应用程序。此外，基于BELGAM，Icebreaker进一步提高了性能，并展示了使用最小量的训练数据来获得最高测试时间性能的能力。
2019-08-14 cs.AI cs.LG stat.ML
Interpretable Machine Learning for Predicting Startup Funding, Patenting, and Exits
LeBow College of Business, Drexel University（德雷塞尔大学莱博商学院）；University of Tehran（塔里班大学）
提出可解释机器学习框架，基于Crunchbase和USPTO数据预测初创企业融资、专利增长和退出，使用Logistic回归和树集成模型，AUROC达0.921。
2026-06-23 cs.LG q-fin.GN
CXR-TFT: Multi-Modal Temporal Fusion Transformer for Predicting Chest X-ray Trajectories
Duke University（杜克大学）；Emory University（埃默里大学）
本文提出CXR-TFT多模态时序融合Transformer，整合稀疏胸部X光影像、放射学报告与高频临床数据，可提前12小时预测ICU患者异常CXR发现，为时间敏感性疾病管理提供可操作的“全患者”洞察。
2025-07-19 cs.AI cs.CV cs.LG
Predicting Status of Pre and Post M&A Deals Using Machine Learning and Deep Learning Techniques
Columbia University（哥伦比亚大学）
风险套利或并购套利是一种众所周知的投资策略，它对并购交易的成功进行投机。对交易状态的提前预测对于风险仲裁者具有重要意义。如果一笔交易被错误地归类为已完成的交易，那么由于投资于目标公司的股票，可能会产生巨大的成本。相反，风险仲裁者可能失去获利的机会。在本文中，我们提出了一个ML和DL为基础的收购成功预测问题的方法。我们最初应用各种ML技术进行数据预处理，例如kNN用于数据插补，PCA用于数值变量的低维表示，MCA用于分类变量，LSTM自动编码器用于情感评分。我们尝试使用不同的成本函数，不同的评估指标和过采样技术来解决数据集中的类不平衡问题。然后，我们实现前馈神经网络来预测交易状态的成功。我们的初步结果表明，我们的方法优于基准模型，如logit和加权logit模型。我们还使用不同的模型架构将情感分数集成到我们的方法中，但我们的初步结果表明，与简单的FFNN框架相比，性能变化不大。我们将探索不同的架构，并采用一个彻底的超参数调优情绪分数作为未来的工作。
2021-08-05 cs.LG q-fin.GN
ThermoPore: Predicting Part Porosity Based on Thermal Images Using Deep Learning
Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA, USA（机械工程系，卡内基梅隆大学，匹兹堡，宾夕法尼亚州，美国）；Sandia National Laboratories（桑尼亚国家实验室）
ThermoPore利用深度学习和热成像数据实时预测零件孔隙率，提升增材制造过程的监控与质量控制效率。
2024-04-23 cs.CV cs.LG
Uncertainty Quantification in Deep MRI Reconstruction
Stanford University（斯坦福大学）
可靠的MRI对于治疗和诊断任务中的准确解释至关重要。然而，MRI采集过程中的欠采样以及深度学习（DL）的过度参数化和不透明性质给DL重建的准确性留下了很大的不确定性。考虑到这一点，本研究的目的是量化图像恢复与DL模型的不确定性。为此，我们首先利用变分自编码器（VAE）来开发一种概率重建方案，该方案将具有混叠伪影的（低质量）短扫描映射到诊断质量扫描。VAE将采集的不确定性编码在潜在代码中，并自然地提供图像的后验，从中可以使用蒙特卡罗采样生成像素方差图。准确预测风险还需要了解偏差，为此，我们利用Stein的无偏风险估计（SURE）作为均方误差（MSE）的代理。在不同的训练损失（对抗和像素）和展开的递归网络架构下，对膝关节MRI重建进行了广泛的实证实验。我们的主要观察结果表明：1）对抗性损失引入了更多的不确定性; 2）经常性展开的网络减少了预测的不确定性和风险。
2020-04-25 cs.CV cs.LG
Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction
Faculty of Computer and Informatics, Istanbul Technical University（伊斯坦布尔技术大学计算机与信息学院）；Helmholtz AI, Helmholtz Munich（亥姆霍兹慕尼黑亥姆霍兹人工智能研究所）
本文提出首个图扩散模型Grenol-Net，通过残差噪声学习从源脑图预测目标脑图，克服GAN模式崩溃问题并保持连接矩阵拓扑对称性。
2024-09-30 cs.AI cs.CV cs.LG
A Classifiers Voting Model for Exit Prediction of Privately Held Companies
Politecnico di Torino（都灵理工大学）；IEIIT-CNR（意大利国家研究委员会电子、计算机与电信工程研究所）；Eurostep Digital（Eurostep数字公司）
预测退出（例如破产、收购等）对投资公司来说，私有公司的私有化是一个当前和相关的问题。问题的困难在于缺乏可靠、量化和公开的数据。在本文中，我们通过构建基于定性数据的退出预测模型来做出贡献，该模型融合了三个分类器的结果，即Logistic回归模型，随机森林模型和支持向量机模型。组合模型的输出是基于组件模型的大多数输出类来选择的。这些模型是使用从汤森路透Eikon存储库中提取的数据进行训练的，该存储库包含1996-2011年期间54697家美国和欧洲公司的数据。已经进行了实验，以预测公司最终是否被收购或上市（IPO），对补充事件，它仍然是私人或破产，在考虑的时间窗口。我们的模型达到了63%的预测准确率，这对于私募股权投资者来说是一个非常有价值的数字，他们通常期望从成功的投资中获得非常高的回报。
2019-10-30 cs.LG q-fin.ST stat.ML
Hierarchical Multi-Fidelity Learning for Predicting Three-Dimensional Flame Wrinkling and Turbulent Burning Velocity
Department of Mechanical and Industrial Engineering, Northeastern University, Boston, MA 02115, USA（机械与工业工程系，东北大学，波士顿，马萨诸塞州，02115，美国）；School of Mechanical Engineering, University of Leeds, Leeds, UK（机械工程学院，利兹大学，利兹，英国）
本文提出分层多保真神经网络框架MuFiNNs，通过整合稀疏高保真实验数据与结构化低保真表示，有效预测三维火焰褶皱和湍流燃烧速度，克服了高保真实验数据获取的限制。
2026-05-06 cs.LG physics.comp-ph physics.flu-dyn
