标签
建模
相关的文章：这是一个关于建模的文章列表页，包含深度物种分布建模、动作生成建模、随机过程优化等内容。
Associate Professor Julian Shun develops high-performance algorithms and frameworks for large-scale graph processing.
德国哲学家尼采提到“无形的线是最强的纽带”。计算机科学家朱利安·顺研究这些无形连接，利用图算法分析社交网络和金融交易。他开发高性能并行算法，加速数据处理，并创建易用的编程框架。在麻省理工学院，他专注于图处理和聚类算法，提升算法效率，并计划在更大数据集上应用动态并行算法，迎接新硬件的挑战。
本研究针对电子健康记录建模中的结构化数据与基于文本推理之间的缺口，提出了名为ColaCare的框架。该框架通过多智能体协作，结合领域专家模型与大型语言模型，显著提高了死亡预测任务的性能，展现了其在临床决策支持系统和个性化精准医学方面的革命性潜力。
本研究探讨了大型语言模型在电子健康记录中的应用，特别是其零样本预测能力。通过上下文学习策略，模型能处理EHR数据的纵向和稀疏特性。在MIMIC-IV和TJH数据集上的实验显示，经过设计的提示框架使模型在关键任务预测上性能提高约35%，在少样本情况下优于传统模型。这表明LLMs在无标签数据的紧急医疗情境中有助于提升临床决策能力。
本研究提出了一种名为UncertaintyRAG的新方法，通过基于信噪比的跨度不确定性来评估文本片段之间的相似性，解决了长文本检索增强生成中的不一致性问题。该方法不仅提升了模型的校准和稳健性，还在相同数据量下超越了基线，显示出其在长文本任务中的强大泛化能力和灵活性。
本研究提出UncertaintyRAG方法，通过信噪比评估文本片段相似性，解决长文本生成中的不一致性问题。该方法提高了模型的校准和稳健性，在相同数据量下超越基线，展现出强大的泛化能力和灵活性。
本研究解决了对19世纪美国文学正字法变异的理解不足，提出了一个带有方言标签的语料库，以进行计算实验。该论文展示了通过不同的标记化方案，模型对正字法信息的提取方式受到显著影响，揭示了“方言效应”在多种语言渠道中如何表现并影响结果。
我们创建了一个19世纪美国文学作品中的正字异构词语料库，并注释了标准词。通过训练神经编辑距离模型，将这些变体与标准形式配对，并与L2英语学习者的拼写错误模型进行比较。分析了不同负样本生成策略对模型性能的影响，总结了文学正字异构变化对字符串配对的挑战。
本研究解决了现有劳动力迁移研究依赖有限调查数据的问题，提出了一种基于深度学习的时空劳动力迁移分析框架DHG-SIL。通过利用大规模职位查询数据，该框架能够实时捕捉城市间和序列劳动力迁移的依赖关系，并已应用于智能人力资源系统中，支持城市人才吸引报告的生成。
本研究提出了一种基于深度学习的时空劳动力迁移分析框架DHG-SIL，利用大规模职位查询数据实时分析城市间劳动力迁移，已应用于智能人力资源系统，支持生成城市人才吸引报告。
本研究针对自动驾驶中的轨迹预测不确定性建模问题，提出了一种综合的方法来量化和分解不确定性，并探讨模型组成的影响。通过信息论的框架，我们将不确定性分解为随机不确定性和认知不确定性，并在nuScenes数据集上进行广泛实验，验证了不同模型架构对不确定性量化和模型鲁棒性的影响。
本研究提出了一种量化和分解自动驾驶轨迹预测不确定性的方法。通过信息论框架，将不确定性分为随机和认知不确定性，并在nuScenes数据集上验证了不同模型架构对不确定性量化和模型鲁棒性的影响。
本文针对现有零-shot语音转换方法在说话人相似性和语音自然性方面的不足，提出了一种新颖的零-shot语音转换框架Takin-VC。该框架采用联合混合内容与记忆增强的上下文感知音色建模，能够有效提取源语音的内容并重建高质量的音色特征，其实验结果显示，Takin-VC在语音自然性和说话人相似性方面均优于当前最先进的系统。
本文介绍了一种名为Takin-VC的零样本语音转换框架，旨在提升说话人相似性和语音自然性。通过结合混合内容和记忆增强的音色建模，Takin-VC能有效提取源语音内容并重建高质量音色。实验显示，该框架在语音自然性和说话人相似性上优于现有方法。
本研究针对生成模型在安全关键应用中缺乏严格统计保证的问题，提出了一种名为顺序符合性预测生成模型(SCOPE-Gen)的新方法。该方法通过初始样本的逐步处理，实现了显著降低合规评估的次数，从而提高了在高风险领域的应用效率。
本研究提出了一种新方法SCOPE-Gen，解决生成模型在安全关键应用中缺乏统计保证的问题。该方法通过逐步处理初始样本，显著减少合规评估次数，提高高风险领域的应用效率。
本研究解决了分布式网格建模中的一致性和可扩展性问题，提出了一种利用一致神经消息传递层的分布式图神经网络（GNN）方法。通过与高性能计算工具NekRS的结合，证明该方法在数十亿节点上保持了高效的可扩展性，推动了数据驱动建模工作流的发展。
研究提出了一种基于领域分解的分布式训练方法，用于消息传递神经网络 (MPNN)，解决无线边缘网络的扩展问题。结合 Nyström 近似采样技术，开发了可扩展的图神经网络 DS-MPNN，支持 O(10^5) 节点。通过 Darcy 流数据集和二维翼型稳态 RANS 模拟验证，DS-MPNN 在准确性上与单 GPU 实现相当，并支持更多节点，优于基于节点的 GCN。
本研究针对如何在没有标注数据的情况下，从大规模人类代理的GPS数据中建模其移动行为以有效检测异常（如恶意行为）的问题进行探索。通过将GPS数据建模为一系列停留点事件，并结合现代序列模型（如变压器）进行自监督训练，本研究的发现表明，结合Aleatoric和Epistemic不确定性可以增强模型在异常评分中的鲁棒性和决策能力。
本研究在无标注数据的情况下，通过将大规模GPS数据建模为停留点事件，并结合变压器等现代序列模型进行自监督训练，探讨如何检测移动行为异常。结合Aleatoric和Epistemic不确定性可提高模型的异常检测能力。
正在访问的资源需要验证您是否真人。
或在微信中搜索公众号“小红花技术领袖”并关注
第二步：在公众号对话中发送验证码：