跳到主要内容
检索

# 长短期记忆网络

3 篇关联报道

订阅更新
  1. arXiv

    持续更新的模型会泄露“何时用过”:TMIA 从置信度轨迹推断样本进出时间,时间戳级 F1 超 83%

    持续更新的模型会保留一串历史快照,攻击者可以查询这些快照,从而不仅判断某条样本是否被用于训练,还能推断它何时被加入、何时被移除。TMIA 把同一条样本在各快照上的置信度变化当作时间序列,用带滑动窗口的双向 LSTM 标出进入点和退出点,再按时间顺序配对成合法的成员区间。在三个语言模型和三个图像分类模型上,TMIA 的时间戳级 F1 在语言模型各设置中均高于 83%,区间级 F1 相对两个基线至少提升 21.82%。

  2. researchsquare.com

    浮标波高数据不再只靠固定阈值:单侧时序模型把质量控制分成三级,跨站迁移平均二值F1达0.856

    巴西沿海浮标网络的有效波高观测现在可以由一个在线时序模型逐小时给出GOOD、SUSPECT、BAD三级质量标记,而不再只依赖按物理限值和变化率设定的固定阈值。该模型只用当前值及其之前168小时的历史做单侧判断,在六座浮标合并的受控故障测试集上二值F1为0.853,留一浮标迁移到未见站点的平均二值F1为0.856。在逐小时流式模拟中,突变、乘性异常和哨兵码在发生当小时即被检出,漂移与传感器卡死则要等证据累积后才被识别。

  3. BiLSTM 模型用 LMS 每周互动日志在第 6 周预测远程教育学生学业失败风险,准确率 91.4%、召回率 92.6%

    该研究基于双向长短期记忆网络(BiLSTM)构建深度学习模型,利用 1,250 名远程教育学生一学期学习管理系统(LMS)互动日志中提取的材料访问频率、论坛参与和作业提交时间等特征,预测学生学业表现与失败风险,报告在课程第 6 周即达到 91.4% 准确率、89.2% 精确率和 92.6% 召回率,从而为教育者提供早期教学干预依据以降低数字与远程学习环境中的辍学率。

已读完全部报道