跳到主要内容
检索

Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau

2 篇关联报道

订阅更新
  1. CleanSurvival 用强化学习为生存分析自动挑选预处理流程,在真实数据基准上相对简单基线提升预测表现

    该工作提出 CleanSurvival,一个基于强化学习(Q-learning)的自动化数据预处理框架,专门面向删失数据的时间到事件(生存分析)模型:它从数据插补、异常值检测与特征提取技术的组合中,为 Cox、随机森林、神经网络或用户自定的时间到事件模型挑选最优预处理流程;在真实数据集基准上,这种基于 Q-learning 的预处理相对简单基线提升了预测表现,运行时间行为依条件而定,并在覆盖最充分的基准单元中最清晰可解释;模拟研究进一步显示其在不同类型与程度的缺失和噪声下均有效。

  2. arXiv

    Just Leaf It:用层级类别剪枝加速扩散分类器

    该工作提出层级扩散分类器(HDC),利用数据集标签的父子层级结构,在剪枝阶段逐层用较少的蒙特卡洛采样估计ε-预测误差并只保留误差最低的若干节点,再对保留下来的叶节点执行经典扩散分类,从而在ImageNet-1K上以Stable Diffusion 2.0实现约60%的推理加速(1600秒降至650秒)或在几乎不增加时间的情况下把逐类准确率从64.90%提升到65.16%。

已读完全部报道