XiaoMi-AI文件搜索系统
World File Search Systemlstms
对金融市场中深厚学习的调查
摘要。本文调查了加固学习（RL）在股票价格预测中的应用，突出了其潜力和局限性。我们探讨了如何使用RL来优化交易策略，管理投资风险，找到套利机会并预测趋势。评论根据数据频率（高/非高高）和目标（预测/交易策略）对研究对象和方法进行了分类。我们分析了各种资产类别（股票，外汇等）和模型（RL，神经网络，LSTMS）在以前的工作中使用。关键发现表明，通过适应复杂的市场动态，RL比传统模型具有优势，并且结合情感分析可以进一步提高其有效性。我们确定了未来研究的有希望的途径，包括混合模型，更深层的情感整合以及改善风险管理。总体而言，该论文得出结论，RL对转变财务预测有很大的希望，从而提供了更准确和适应能力的决策工具。
天气预报的深度学习：用于预测历史温度数据的CNN-LSTM混合模型
摘要。随着全球气候变化的加剧，准确的天气预报变得越来越重要，影响农业，能源管理，环境保护和日常生活。这项研究介绍了结合卷积神经网络（CNN）和长期记忆（LSTM）网络的混合模型，以预测历史温度数据。CNN用于空间特征提取，而LSTMS处理时间依赖性，从而显着提高了预测准确性和稳定性。通过使用平均绝对误差（MAE）作为损失函数，该模型在处理复杂的气象数据方面表现出卓越的性能，解决了缺少数据和高维度等挑战。结果表明，预测曲线和测试数据之间存在很强的一致性，从而验证了模型在气候预测中的潜力。本研究为农业，能源管理和城市规划等领域提供了宝贵的见解，并为在全球气候变化的背景下为未来的天气预报应用奠定了基础。
使用深度学习的自动图像字幕
摘要：本研究采用复杂的深度学习技术来开发健壮的自动图像字幕模型，整合卷积神经网络（CNN），用于复杂的特征提取和长期短期记忆网络（LSTMS），以生成细微的序列。旨在解决在线视觉内容的激增，该技术促进了有效的图像解释，并通过涵盖可访问性增强的应用程序来提高可访问性，改进的搜索功能的内容索引索引，并通过上下文相关的图像标题来增强社交媒体参与度。该研究为计算机视觉提供了宝贵的见解，应对产生连贯的图像描述的挑战。精心调整的模型同时进行定量和定性评估，展示了在内容检索和人类计算机相互作用中创新应用的有希望的结果。最终，这项研究愿意提高自动图像理解，从而促进对视觉信息的增强性和推动人工智能的进步。
2024/25 夏季研究项目摘要
项目摘要：在这个项目中，我们旨在通过先进的深度学习技术从可穿戴脑电图 (EEG) 数据中解码人脑信号。我们的方法包括清理和预处理原始 EEG 数据以确保其质量，然后尝试各种深度学习模型，包括卷积/循环神经网络 (CNN/RNN) 和 LSTM，以准确分类人脑信号。我们使用准确度、精确度、召回率和 F1 分数等综合指标评估这些模型，并采用交叉验证以确保稳健的性能。为了增强我们模型的可解释性，我们专注于 SHapley Additive exPlanations (SHAP)、Local Interpretable Model-agnostic Explanations (LIME) 和 Grad-CAM 等方法，为决策过程提供见解。我们将提供 EEG 数据集，该数据集已获得适当的伦理批准，是我们之前使用消费者可穿戴设备进行的研究收集的。加入我们，共同打造未来的酷炫科技！
使用长短期记忆人工神经网络 (LSTM) 进行经济即时预测
近年来，人工神经网络 (ANN) 已成为各个领域和学科取得众多进步的催化剂。然而，它们对经济的影响却相对微弱。一种类型的 ANN，即长短期记忆网络 (LSTM)，特别适合处理经济时间序列。在这里，该架构的性能和特性与动态因子模型 (DFM) 进行了比较评估，动态因子模型目前是经济即时预测领域的热门选择。在三个独立变量的即时预测中，LSTM 的结果优于 DFM；全球商品出口价值和数量以及全球服务出口。其他优势包括它们能够处理各种时间频率中的大量输入特征。缺点是无法将输入特征的贡献归因于模型输出，这是所有 ANN 的共同点。为了促进该方法的持续应用研究，避免需要任何深度学习库知识，使用 PyTorch 开发了一个配套的 Python 库：https://pypi.org/project/nowcast-lstm/。
CS224n：项目提案说明
更广泛的研究背景。每篇研究论文都是一项重点贡献，针对一个非常具体的问题设置。然而，每篇论文也都融入了更广泛的 NLP 研究故事中——设计处理人类语言的系统。在本课程中，我们将介绍一些基本概念：如何表示语言，语言具有什么结构，为什么语言难以被计算机建模，在将深度学习方法应用于语言时往往会出现哪些问题。将论文与这些广泛的主题联系起来。这篇论文是否有助于我们建立更好的语言表示？如果它帮助我们解决特定任务（如自动翻译或问答），那么这些方法是否有希望更广泛地应用于其他任务（例如，语言建模中应用的 LSTM 中的一种新型正则化可能适用于其他 NLP 任务！）粗略阅读您正在审阅的论文中引用的一篇或多篇论文并引用它们可能会很有用。
基于AI/ML的基于AI/ML的检测和IPv6网络中秘密通信的分类
IPv6扩展标头的灵活性和复杂性允许攻击者创建秘密通道或绕过安全机制，从而导致潜在的数据泄露或系统妥协。机器学习的成熟开发已成为用于减轻秘密通信威胁的主要检测技术选项。但是，检测秘密通信，不断发展的注入技术和数据稀缺的复杂性使建筑物学习模型具有挑战性。在以前的相关搜索中，机器学习在检测秘密通信方面已经表现出良好的性能，但是过度简化的攻击方案假设不能代表现代秘密技术的复杂性，并使机器学习模型更容易检测秘密通信。为了弥合这一差距，在这项研究中，我们分析了IPv6的数据包结构和网络流量行为，使用了加密算法，并执行了秘密连接注入，而没有改变网络数据包行为以更接近实际攻击方案。除了分析和注射秘密通信的方法外，本研究还使用全面的机器学习技术来训练本研究中提出的模型来检测威胁，包括传统的决策树，包括随机森林和梯度增强，以及诸如复杂的神经网络体系结构，例如CNNS和LSTMS等复杂的神经网络体系结构，以达到90％以上的检测精度。本研究详细介绍了方法
利用超网和可学习的内核来预测各种消费者类型的消费能量
摘要 - 消费者能源预测对于管理能源消耗和计划，直接影响运营效率，降低成本，个性化的能源管理和可持续性工作至关重要。近年来，深入学习技术，尤其是LSTM和变形金刚在能源消耗的预测领域取得了巨大成功。尽管如此，这些技术在捕获综合和突然的变化方面存在困难，而且，通常仅在特定类型的消费者（例如，只有办公室，只有学校）上对它们进行检查。因此，本文提出了超能量，这是一种消费者能源预测的策略，利用超网络可用来改善适用于多样化消费者的复杂模式的建模。超网络负责预测主要预测网络的参数。由多项式和径向基函数内核组成的可学习的可自适应核纳入了增强性能。对拟议的超能量进行了评估，包括各种消费者，包括学生住宅，独立的房屋，带电动汽车充电的房屋和联排别墅。在所有消费者类型中，超能量始终超过10种其他技术，包括最先进的模型，例如LSTM，PoastionLSTM和Transformer。
关于手语姿态高级计算技术的调查
摘要： - 手语动作的解释对于改善聋人和听力障碍者的交流可访问性至关重要。本研究提出了一个全面的计算框架，用于特征提取和长期记忆（LSTM）网络，以捕获跨手势序列的时间动态。CNN体系结构用于评估视觉输入，成功地识别和分类了对正确手势解释至关重要的手动形状，面部表情和身体姿势。通过添加LSTM，我们的方法有效地复制了手语的顺序性质，从而识别了先前运动影响的连续手势。我们使用众多创新策略来处理手语检测问题，例如签名样式，周围噪声以及实时处理的需求。多模式数据融合包含视觉，上下文和语言信息，以提高模型鲁棒性。旋转，缩放和时间变化被用作数据增强程序，以增加训练数据集并提高各种签名设置的模型适用性。混合CNN-LSTM体系结构通过超级参数调整，辍学正则化和批准化来增强，以减少过度拟合，同时保持出色。
使用自适应智能预测时间序列的图形强化学习
摘要 - 强化学习以其能够对顺序任务进行建模和学习潜在数据模式的能力而闻名。深度学习模型已在回归和分类任务中广泛探索和采用。但是，深度学习具有其局限性，例如假设均等和有序数据，以及缺乏在时间序列预测方面合并图形结构的能力。图形性化neu-ral网络（GNN）具有克服这些挑战并捕获时间序列数据中的时间依赖性的能力。在这项研究中，我们提出了一种新的方法，用于使用GNN和增强学习（RL）监测时间序列数据。gnns能够将数据的图形结构明确地纳入模型，从而使它们能够以更自然的方式捕获时间依赖性。这种方法允许在复杂的时间结构中进行更准确的预测，例如医疗保健，交通和天气预报中的预测。我们还使用贝叶斯优化技术来微调我们的GraphRl模型，以进一步提高性能。所提出的框架在时间序列预测和监视中优于基线模型。本研究的贡献包括引入时间序列预测的新型GraphRl框架，以及与传统深度学习模型（例如RNN和LSTMS）相比，GNNS的有效性的证明。总体而言，这项研究证明了GraphRL在动态RL环境中提供准确有效的预测的潜力。