Scaling Diffusion Language Models via Adaptation from Autoregressive Models
扩散语言模型（DLM）已成为文本生成建模的有希望的新范式，有可能解决自回归（AR）模型的局限性。但是，与AR同行相比，当前的DLM的规模较小，并且缺乏对语言建模基准测试的公平比较。此外，从头开始的训练扩散模型仍然具有挑战性。鉴于开源AR语言模型的流行率，我们建议适应这些模型来构建文本扩散模型。我们演示了AR和扩散建模目标之间的联系以及…
How to Build a Multi-Target Regression Model for Macroeconomic Prediction
预测多项经济指标的分步指南。继续阅读 Towards Data Science »
化石protemnodon个体从Laurikainen Gaete的Mt Etna的洞穴沉积物中恢复过来，Dosseto，Dosseto，Arnold，Demuro，Demuro，Lewis et Hocknull，2025。Doi：doi.org/10.1371/journal.pone.pone.0319712摘要的范围，用于影响地理位置。重建其生态学和灭绝动态。对于现有的食草动物，已经证明大体重为更大的地理范围提供了潜力。在胎盘哺乳动物中观察到异量缩放关系，但尚未建立有袋动物，特别是灭绝的有袋动物的大枪口。在这里，我们使用现存的大巨大模型采用系统发育的最小二乘回归模型，以估计来自灭绝属的
When Predictors Collide: Mastering VIF in Multicollinear Regression
探索方差通货膨胀因子如何有助于检测和管理回归模型中的多重共线性。预测器发生冲突时的帖子：在多共线回归中掌握VIF首先出现在数据科学上。
HART kan generera högkvalitativa bilder upp till nio gånger snabbare
马萨诸塞州理工学院（MIT）和NVIDIA共同开发了AI工具Hart（Hybrid自动回旋变压器），该工具彻底改变了图像生成区域。使用独特的混合方法结合了自回归模型和扩散模型，Hard设定了基于AI的图像生产中质量，速度和资源效率的新标准。什么是哈特，为什么这么特别？ Hart基于[…] Post Hart可以生成高质量的图像，最高九次，首次出现在AI新闻中。
Nya diffusionsmodeller lånar teknik från AI-bildsyntes för 10x hastighetsökning
扩散模型是一种生成的AI技术，它不是依次生成文本，制作自动回归模型，而是从创建文本的粗略草图并在几轮中进行了完善。这种方法的使用包括两个主要步骤：首先将模型高斯噪声添加到输入中，然后学会通过[…]新的扩散模型从AI Image Synthesis中借用10倍速度增加的新扩散模型首先出现在AI新闻上。
欢迎阅读我们的每月文摘，在这里您可以了解您可能错过的任何 AIhub 故事，阅读最新消息，回顾最近发生的事件等等。本月，我们听取了 AfriClimate AI 联合创始人 Amal Nammouchi 的讲话，了解肾脏交换问题，并了解如何提高逻辑回归模型的可解释性。[…]
Transformer? Diffusion? Transfusion!
最新多模态转输模型的简单介绍最近，Meta 和 Waymo 发布了他们的最新论文 —Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model，该论文将流行的 Transformer 模型与扩散模型相结合，用于多模态训练和预测目的。与 Meta 之前的工作一样，Transfusion 模型基于带有早期融合的 Llama 架构，它同时采用文本 token 序列和图像 token 序列，并使用单个 Transformer 模型来生成预测。但与以前的技术不同，Transfusion 模型对图像 t
XPER: Unveiling the Driving Forces of Predictive Performance
一种分解您最喜欢的性能指标的新方法照片由 Sira Anamwong 在 123RF 上拍摄与 S. Hué、C. Hurlin 和 C. Pérignon 合著。I - 从解释模型预测到解释模型性能敏感 AI 系统的可信度和可接受性在很大程度上取决于用户理解相关模型或至少是其预测的能力。为了揭开不透明 AI 应用的面纱，可解释 AI (XAI) 方法（例如事后可解释性工具（例如 SHAP、LIME））如今被广泛使用，并且从其输出中产生的见解现在已被广泛理解。除了单个预测之外，我们在本文中展示了如何使用可解释性能 (XPER) 方法识别任何分类或回归模型的性能指标（例如 AUC、R2）的驱动因
Is Multi-Collinearity Destroying Your Causal Inferences In Marketing Mix Modelling?
因果 AI，探索因果推理与机器学习的整合照片由 NOAA 在 Unsplash 上拍摄本系列是关于什么的？欢迎来到我的因果 AI 系列，我们将探索因果推理与机器学习模型的整合。期望探索不同业务环境中的许多实际应用。在上一篇文章中，我们介绍了使用 CUPED 和双重机器学习为实验提供动力。今天，我们将重点转移到了解多重共线性如何损害您做出的因果推断，特别是在营销组合建模中。如果您错过了上一篇关于使用 CUPED 和双重机器学习为实验提供动力的文章，请在此处查看：使用 CUPED 和双重机器学习为实验提供动力简介在本文中，我们将探讨多重共线性的破坏性，并评估我们可以用来解决它的一些方法。将涵盖以下
Complexity of Linear Regression related to Neural Networks
Udacity 深度学习课程的作业 #1 让你了解到，逻辑多项式（线性）回归模型可能无法提供非 MNIST 数据集分类问题所需的最佳准确度。让我们将逻辑多项式模型视为一种算法，并尝试计算它的复杂度。这里要考虑的两个参数是 W - 权重矩阵和 b - 具有 1 层的偏差矩阵。想象一下，输入图像是 28x28 图像，输出是 10 类向量。输入图像将被拉伸为输入到每个单元的单个像素。这使得输入层尺寸为 28x28。参数 W 的尺寸变为 (28x28)x10，它被添加到 10x1 偏差矩阵中。参数总数为：28x28x10+10 = (N+1)*K，其中 N 是输入数，K 是输出数。另一种理解方式是 -
Loss Function with Cross Entropy made simple
我在 Google 的 Udacity 深度学习课程上找到了这个。 我将详细说明这些笔记，以帮助您更好地理解这个概念。 符号：D（S，L）是交叉熵L是用于训练的标签S（Y）是多项逻辑分类的每个类的概率的 softmax 输出。 为什么叫多项逻辑分类？ 让我们看下面的图，有一个输入向量 X，我们用它来训练线性模型，也称为逻辑回归模型 - Wx + b。 这会产生 logit，也就是分数 Y，它进一步输入到 softmax 激活中以获得概率输出。 线性二元分类称为二项式逻辑分类。多项式表示有超过 2 个类（与二项式或二元分类相比）。-------------让我们帮助您理解交叉熵的数学。 它基本上
以下是本月推荐阅读的精选：Athey, S. & G. W. Imbens，2019 年。经济学家应该了解的机器学习方法。Mimeo。Bhagwat, P. & E. Marchand，2019 年。关于适当的贝叶斯但不可接受的估计量。美国统计学家，在线。Canals, C. & A. Canals，2019 年。什么时候 n 足够大？寻找合适的样本量来估计比例。《统计计算与模拟杂志》，89，1887-1898。Cavaliere, G. & A. Rahbek，2019 年。时间序列模型中假设的引导检验入门：应用于双自回归模型。讨论文件 19-03，哥本哈根大学经济学系。Chudik, A.
这是我最新的也是最终的建议阅读书单：Bellego, C. 和 L-D. Pape，2019 年。处理回归模型中的零对数。CREST 工作文件 No. 2019-13。Castle, J. L.、J. A. Doornik 和 D. F. Hendry，2018 年。选择预测模型。牛津大学经济学系，讨论文件 861。Gorajek, A.，2019 年。善意的经济学家。澳大利亚储备银行，研究讨论文件 RDP 2019-08。Güriş, B.，2019 年。一种新的具有傅立叶函数的非线性单位根检验。统计通信 - 模拟和计算，48，3056-3062。Maudlin, T.，2019 年。世界的
Everything's Significant When You Have Lots of Data
嗯......其实不然！表面上看起来是这样，但那是因为你可能使用了完全不恰当的衡量标准来衡量什么是（统计上）显著的，什么不是。我在之前的一篇文章中谈到了这个问题，我说：“Granger（1998 年、2003 年）提醒我们，如果样本量足够大，那么几乎不可能不拒绝任何假设。因此，如果样本非常大，并且回归模型中估计系数相关的 p 值约为 0.10 甚至 0.05，那么这真是个坏消息。当样本量达到数千甚至更大时，我们需要更小的 p 值，然后我们才会对“统计上显著”的结果感到兴奋。”这个一般性观点，即我们选择的显著性水平应该随着样本量的增加而降低，大多数统计学家和计量经济学家都非常理解。 （例如，参见
Reporting an R-Squared Measure for Count Data Models
这篇文章的灵感来自于我前段时间收到的一封电子邮件，该邮件来自一位博客读者。我认为，更“广泛”的回应可能会引起其他读者的兴趣......尽管存在许多局限性，但在报告最小二乘回归结果时，包括判定系数 (R2) 或其“调整后”的值是标准做法。就我个人而言，我认为 R2 是我们结果中包含的最不重要的统计数据之一，但我们都这样做。（请参阅上一篇文章。）如果所讨论的回归模型是线性的（在参数中）并且包含截距，并且如果参数由普通最小二乘法 (OLS) 估计，则 R2 具有许多众所周知的属性。这些包括：0 ≤ R2 ≤ 1。如果我们向模型中添加回归量，R2 的值不会减小。无论我们将这个度量定义为“解释平方和”与
