Regime-aware financial volatility forecasting via in-context learning
Department of Electrical and Computer Engineering, University of Toronto(多伦多大学电气与计算机工程系);Department of Electrical Engineering, Stanford University(斯坦福大学电气工程系)
本文提出一种基于情境学习的领域感知金融波动预测方法,通过条件采样策略提升非平稳市场下的预测性能。
2026-03-11 cs.LG
Deep Context-Aware Recommender System Utilizing Sequential Latent Context
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Telekom Innovation Laboratories at BGU(BGU德国电信创新实验室);Stern School of Business, New York University(纽约大学斯特恩商学院)
上下文感知推荐系统(CARS)通过感知和分析用户上下文来提供个性化服务。将上下文添加到推荐模型是具有挑战性的,因为上下文的添加可能增加模型的维度和稀疏性。最近的研究表明,将上下文信息建模为潜在向量可以解决稀疏性和维度挑战。本文提出了一种新的序列上下文潜在建模方法,通过生成上下文信息序列并将其上下文空间压缩为一个压缩的潜在空间,对上下文信息序列进行训练,构造一个长短期记忆(LSTM)编码解码器网络,并从网络的隐藏层提取序列潜在上下文,以压缩表示序列数据。我们提出了新的上下文感知推荐模型,扩展了神经协同过滤方法,并学习用户,项目和上下文的潜在特征之间的非线性相互作用,考虑到顺序的潜在上下文表示作为推荐过程的一部分。我们使用两个具有不同上下文维度的上下文感知数据集部署了我们的方法。我们的研究结果的实证分析验证了我们提出的顺序潜在的上下文感知模型(SLCM),超越了最先进的CARS模型。
2020-08-06 cs.LG stat.ML
Context Aware End-to-End Connectivity Management
Tata Consultancy Services(塔塔咨询服务公司)
在普适计算和普适计算等动态异构环境中,上下文感知自适应是满足不同用户需求的关键。连通性是一个重要的上下文源,可用于优化管理各种网络资源。应用QoS(服务质量)是设计上下文感知系统时应该考虑的另一个重要问题。本文从上下文感知的角度提出了连通性,识别了各种相关的原始连通性上下文,并讨论了如何从原始上下文信息中提取高层上下文信息。此外,在关于用户简档和偏好、应用特性、设备能力和网络QoS条件的各种策略表示中利用丰富的上下文信息。最后,提出了一种上下文感知的端到端评估算法,用于多址无线网络中的自适应连接管理。与现有的算法不同,该算法考虑了用户的QoS参数,因此更具有实用性。
2010-12-12 cs.LG cs.NI
Research Issues in Mining User Behavioral Rules for Context-Aware Intelligent Mobile Applications
Swinburne University of Technology(斯威本科技大学)
智能移动应用中的上下文感知由于其应用的智能性而成为一个日益增长的研究领域。为了构建情境感知的智能应用,利用智能手机用户的通话日志数据挖掘个体智能手机用户的情境行为规则是关键。然而,要挖掘这些规则,一些问题,如智能手机数据的质量,理解上下文的相关性,连续上下文数据的离散化,发现有用的行为规则的个人和他们的排序,基于知识的交互式后挖掘语义理解,并根据他们目前的行为动态更新和管理规则,进行了调查。本文简要讨论了这些问题及其潜在的解决方向,挖掘个人的行为规则,以建立各种上下文感知的智能移动应用程序的目的。我们还总结了一些现实生活中的基于规则的应用程序,智能地协助个人智能手机用户根据他们的行为规则在他们的日常活动。
2018-10-30 cs.LG stat.ML
Uncertainty Quantification for Deep Context-Aware Mobile Activity Recognition and Unknown Context Discovery
Texas A&M University(得克萨斯农工大学);University of Washington(华盛顿大学)
可穿戴计算中的活动识别面临两个关键挑战:i)活动特征可能是上下文相关的,并且在不同的上下文或情况下会发生变化; ii)未知的上下文和活动可能会不时发生,这需要算法的灵活性和适应性。我们开发了一种上下文感知的深度模型混合物,称为α- \b{eta}网络,结合基于最大熵的不确定性量化(UQ),以增强人类活动识别性能。我们通过以数据驱动的方式识别高级上下文来指导模型开发,从而将准确性和F分数提高了10%。为了确保训练的稳定性,我们在公共和内部数据集中使用了基于聚类的预训练,通过未知上下文发现提高了准确性。
2020-03-03 cs.LG stat.ML
Context-aware Diversity Enhancement for Neural Multi-Objective Combinatorial Optimization
East China Normal University(华东师范大学);Southern University of Science and Technology(南方科技大学)
多目标组合优化(MOCO)问题在实际应用中非常普遍。大多数现有的神经MOCO方法依赖于问题分解,将MOCO问题转换为一系列单目标组合优化(SOCO)问题,并基于单步和确定性贪婪推出的训练注意力模型。然而,不适当的分解和不可取的短视行为,以前的方法往往会导致多样性下降。为了解决上述限制,我们设计了一个上下文感知的多样性增强算法CDE,它通过自回归(节点级上下文感知)将神经MOCO问题转换为条件序列建模,并基于超容量期望最大化(解决方案级上下文感知)在偏好映射和奖励多样性指标之间建立直接关系。基于解级上下文感知,我们进一步提出了一种超卷残差更新策略,使Pareto注意力模型能够捕获Pareto集合/前沿的局部和非局部信息.提出的CDE可以有效地和高效地掌握上下文信息,从而提高多样性。三个经典的MOCO问题的实验结果表明,我们的CDE优于几个国家的最先进的基线。
2025-01-26 cs.AI cs.LG
BehavDT: A Behavioral Decision Tree Learning to Build User-Centric Context-Aware Predictive Model
Swinburne University of Technology(斯威本科技大学);Chittagong University of Engineering and Technology(吉大港工程技术大学);King Abdulaziz University(阿卜杜勒阿齐兹国王大学);Khalifa University(哈利法大学)
本文阐述了建立一个上下文感知的预测模型的基础上,用户与智能手机的不同行为活动的问题。在机器学习和数据科学领域,像决策树这样的树型模型被认为是最流行的分类技术之一,它可以用来构建数据驱动的预测模型。传统的决策树模型通常创建多个叶节点作为决策节点,这些叶节点代表特定于上下文的刚性决策,因此在行为建模中可能会产生过拟合问题。然而,在上下文感知环境中的许多实际场景中,广义结果可以在有效捕获用户行为方面发挥重要作用。在本文中,我们提出了一个行为决策树,“BehavDT”上下文感知模型,考虑到用户行为导向的泛化根据个人的偏好水平。BehavDT模型不仅输出广义决策,而且在相关的例外情况下输出特定于上下文的决策。我们的BehavDT模型的有效性进行了研究,通过对个人用户的真实智能手机数据集进行实验。实验结果表明,与传统的机器学习方法相比,本文提出的BehavDT上下文感知模型能够更有效地预测多维上下文环境下的用户行为.
2019-12-17 cs.LG stat.ML
Ctx2TrajGen: Traffic Context-Aware Microscale Vehicle Trajectories using Generative Adversarial Imitation Learning
本文提出 Ctx2TrajGen 框架,融合 GAIL、PPO 与 WGAN-GP,并依据周围车辆和道路几何生成交互感知轨迹,在 DRIFT 数据集上显著提升真实性、多样性与情境保真度。
2025-07-23 cs.AI cs.LG
A baseline revisited: Pushing the limits of multi-segment models for context-aware translation
NCSU(北卡罗来纳州立大学);Amazon(亚马逊)
本文讨论了使用多段模型的上下文翻译的任务。具体来说,我们表明,增加模型容量进一步推动了这种方法的限制,更深的模型更适合捕捉上下文依赖关系。此外,可以使用知识蒸馏将在较大模型中观察到的改进转移到较小模型中。我们的实验表明,这种方法在几种语言和基准测试中实现了具有竞争力的性能,而无需额外的特定于语言的调优和特定于任务的架构。
2022-10-21 cs.CL cs.LG
A Survey on Context-Aware Multi-Agent Systems: Techniques, Challenges and Future Directions
Deakin University(迪肯大学)
本综述全面概述了上下文感知多智能体系统,探讨了促进系统整合的特性,提出了涵盖自动驾驶和灾害救援等多领域的通用流程,并指出了现有挑战与未来方向。
2025-01-29 cs.AI cs.LG cs.MA
Efficient IoT Inference via Context-Awareness
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出 CACTUS 情境感知分类范式,利用微分类器与动态切换机制适应部署情境,在多种数据集和 IoT 平台上提升准确率、延迟与计算效率。
2023-12-03 cs.AI cs.CV cs.LG
Context-Aware Graph Attention Networks
Anhui University(安徽大学)
图神经网络(GNNs)已经被广泛研究用于图数据表示和学习。然而,现有的GNN通常只对节点特征表示进行上下文感知学习,这通常忽略了边(权重)表示的学习。在本文中,我们提出了一种新的统一GNN模型,命名为上下文感知自适应图注意力网络(CaGAT)。CaGAT旨在通过进一步利用不同边之间的上下文关系来学习每个图边的上下文感知注意力表示。特别是,CaGAT以统一的方式同时协作地对节点特征表示和边(权重)表示进行上下文感知学习,这可以提高它们各自在网络训练中的性能。我们将CaGAT应用于半监督学习任务。在几个基准数据集上的实验结果证明了CaGAT的有效性和优势。
2019-09-04 cs.LG cs.SI eess.IV
Visual Context-aware Convolution Filters for Transformation-invariant Neural Network
Samsung R&D Institute, Bangalore(三星班加罗尔研发中心)
我们提出了一种新的视觉上下文感知过滤器生成模块,它将图像中的上下文信息纳入卷积神经网络(CNN)。与传统的CNN相比,我们不会对所有输入图像实例使用相同的学习卷积滤波器集。我们提出的输入条件卷积滤波器与多实例学习和最大池技术相结合,产生了一个变换不变的神经网络。我们研究了我们提出的框架在三种MNIST变体上的性能,其中包括旋转和缩放方差,并在MNIST-rot-12 k上实现了1.13%的误差,在半旋转MNIST上实现了1.12%的误差,在缩放MNIST上实现了0.68%的误差,这明显优于最先进的结果。我们利用可视化来进一步证明我们的视觉上下文感知卷积过滤器的有效性。我们提出的可视化上下文感知卷积滤波器生成框架也可以作为任何基于CNN的架构的插件,并增强其建模能力。
2019-06-15 cs.CV cs.LG stat.ML
Face: Fast, Accurate and Context-Aware Audio Annotation and Classification
Sharif University of Technology(谢里夫理工大学)
本文提出了一个上下文感知的框架,特征选择和分类程序,实现了快速,准确的音频事件注释和分类。上下文感知设计从探索特征提取技术开始,以找到一个适当的组合来选择一个集合,从而以最小的计算工作量获得显着的分类精度。特征选择的探索还包括音频节奏表示的调查,一个有利的特征提取方法错过了以前的作品在环境音频分类研究范围。提出的标注方法考虑了离群点、内点和难以预测的数据样本,实现了上下文感知的主动学习,当只有15%的数据具有初始标注时,平均准确率达到90%。我们提出的声音分类算法在UrbanSound8K数据集上获得了98.05%的平均预测准确率。包含我们的源代码和实现结果的笔记本可以在https://github.com/gitmehrdad/FACE上获得。
2023-03-07 cs.LG cs.SD eess.AS
AppsPred: Predicting Context-Aware Smartphone Apps using Random Forest Learning
Swinburne University of Technology(斯威本科技大学);Chittagong University of Engineering and Technology(吉大港工程技术大学);Khalifa University(哈利法大学)
由于物联网(IoT)中上下文感知的流行以及最流行的IoT设备中的最新高级特征,即,智能手机,建模和预测个性化的使用行为的基础上,相关的上下文可以非常有用的帮助他们进行日常工作和活动。不同类别的智能手机应用程序(如社交网络、通信、娱乐或日常生活服务相关应用程序)的使用模式通常在个体之间存在很大差异。人们在不同的环境中使用这些应用程序的方式不同,例如时间环境,空间环境,个人情绪和偏好,工作状态,互联网连接,如Wifi?因此,我们将个人的应用程序使用视为用于个性化建模和预测的多类上下文感知问题。随机森林学习是构建多类预测模型的最流行的机器学习技术之一。因此,在本文中,我们提出了一个有效的上下文感知的智能手机应用程序的预测模型,并命名为“AppsPred”使用随机森林机器学习技术,考虑到最佳数量的树木的基础上,这样的多维上下文,以建立结果的森林。通过对从个人用户收集的智能手机应用程序使用数据集进行实验,检查该模型的有效性。实验结果表明,我们的AppsPred显着优于其他流行的机器学习分类方法,如ZeroR,朴素贝叶斯,决策树,支持向量机,逻辑回归,同时预测智能手机应用程序在各种上下文感知测试用例。
2019-08-26 cs.CY cs.LG stat.ML
Do Context-Aware Translation Models Pay the Right Attention?
Carnegie Mellon University(卡内基梅隆大学);Instituto Superior Técnico(高等技术学院);Instituto de Telecomunicações(电信研究所);Unbabel
上下文感知的机器翻译模型被设计为利用上下文信息,但通常无法做到这一点。因此,他们不准确地消除歧义代词和多义词,需要上下文的决议。在本文中,我们提出了几个问题:人类译者使用什么语境来解决歧义词?模型是否对相同的上下文投入了大量的注意力?如果我们明确地训练他们这样做呢?为了回答这些问题,我们介绍了SCAT(支持上下文的歧义翻译),一个新的英语-法语数据集,包括支持上下文单词的14 K翻译,专业翻译发现有用的代词消歧。使用SCAT,我们进行了深入的分析,用于消除歧义,检查位置和词汇特征的支持词的上下文。此外,我们测量模型的注意力分数和SCAT的支持上下文之间的对齐程度,并应用引导注意力策略来鼓励两者之间的一致性。
2021-08-07 cs.AI cs.CL cs.LG
LightCAKE: A Lightweight Framework for Context-Aware Knowledge Graph Embedding
Computer Network Information Center, Chinese Academy of Sciences(中国科学院计算机网络信息中心);University of Chinese Academy of Sciences(中国科学院大学)
知识图谱嵌入(KGE)模型学习基于观察到的三元组将符号实体和关系投影到连续向量空间中。然而,现有的KGE模型不能在图上下文和模型复杂度之间做出适当的权衡,这使得它们仍然远远不能令人满意。在本文中,我们提出了一个轻量级的框架名为LightCAKE上下文感知KGE。LightCAKE显式地对图上下文进行建模,而不引入冗余的可训练参数,并使用迭代聚合策略将上下文信息集成到实体/关系嵌入中。作为一个通用的框架,它可以用于许多简单的KGE模型,以实现出色的结果。最后,在公共基准上的大量实验证明了我们的框架的效率和有效性。
2021-03-04 cs.AI cs.CL cs.LG
AWARE, Beyond Sentence Boundaries: A Contextual Transformer Framework for Identifying Cultural Capital in STEM Narratives
本文提出AWARE框架,通过引入领域意识、上下文意识和类别重叠意识提升Transformer模型识别学生叙事中文化资本主题的能力,在Macro-F1上超越基线2.1个百分点。
2025-11-03 cs.AI cs.CL cs.CY
Context-Aware Zero-Shot Learning for Object Recognition
Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);Criteo AI Lab(Criteo人工智能实验室)
零样本学习(Zero-Shot Learning,缩写为ZRL)的目标是通过利用辅助知识(如语义表示)对未标记的对象进行分类。先前方法的限制在于,仅考虑对象的固有属性,例如它们的视觉外观,而忽略它们的上下文,例如图像中的周围对象。遵循直观的原则,对象往往被发现在某些情况下,而不是其他人,我们提出了一个新的和具有挑战性的方法,上下文感知的语义表示,利用语义表示在一个新的方式来建模的条件可能性的对象出现在一个给定的上下文中。最后,通过对Visual Genome进行的大量实验,我们表明,上下文信息可以大大提高标准的CNOL方法,并且对不平衡类具有鲁棒性。
2019-04-30 cs.CL cs.CV cs.LG