機器學習

Accedi

本文提出了一種基於切片最優傳輸度量的貝葉斯非參數混合模型後驗推論總結新方法，該方法以混合測度密度估計為目標，並針對高斯混合模型引入了兩種新的切片最優傳輸度量變體。

本研究探討了決策依賴型分佈的隨機優化問題，並提出了一種基於閉環分佈的單調包含動態系統方法來解決此類問題。

本文利用機器學習和拓撲數據分析等大數據技術，分析圖的色多項式結構，並探討其與圖不規則性度量及其他圖論特性的關係。

與傳統分析方法相比，機器學習演算法（XGBoost 和深度神經網路）在分析大型強子對撞機數據以尋找與暗物質相關的希格斯玻色子對產生方面，展現出顯著的性能提升，特別是在考慮系統不確定性的情況下。

電位可以顯著影響單層 1T′-MoS2 上 Cu 原子的遷移和聚集，促進在負電位下形成立體單簇 Cu (SC-Cu)。

Aurora 是一個基於機器學習的地球系統基礎模型，經過大量數據訓練，在空氣品質、海洋波浪、熱帶氣旋路徑和高解析度天氣預報方面，能以更低的計算成本超越現有的預測系統。

本論文提出了一種名為隨機傅立葉簽章特徵（RFSF）的新方法，透過結合隨機傅立葉特徵和簽章核方法，有效地提取時間序列數據中的關鍵信息，並透過降維技術提高其可擴展性，使其適用於大規模時間序列數據集的分析。

本文提出了一種基於 Huber-energy 測度的量化方法 (HEMQ)，用於以有限個 Dirac 質量逼近目標機率分佈（或更廣泛的有界變分測度）。

本文提出了一種基於深度學習的計算方法，用於在高維度、不完全市場中進行二次避險，涵蓋了均值變異數避險和局部風險最小化。

本研究提出了一種名為聯合網絡優化（JNO）的新框架，利用靜息態功能性核磁共振成像（rs-fMRI）數據預測自閉症譜系障礙（ASD）患者的臨床嚴重程度。

Chi Siamo

Prodotti

Risorse