Компьютерные науки > Машинное обучение [представлено 26 ноября 2023 (v1), последний раз пересмотрен 16 сентября 2026 года (эта версия, v2)) Заголовок: Topology-englished Machinal Transparation for Language Should View PDF HTML (экспериментальное) Резюме: В обработке сигнала с помощью искусственной разведки существующие модели глубокого обучения часто демонстрируют структуру черного ящика. В данном случае, концептуально не ограничиваясь спектральным анализом, мы показываем, что топологические методы не только позволяют эффективно запечатлеть внутреннюю и сложную структурную информацию, но также могут укрепить нейронные сети. Мы предоставляем транспарентную методологию, Top Cap, для того чтобы зафиксировать топологические особенности, присущие временным рядам для базового машинного обучения. По сравнению с предыдущими подходами мы получаем дескрипторы, которые пробуют более точную информацию, например вибрацию временных рядов. В частности, в классификации созвучных и бесзвучных значений TopCap обеспечивает точность по сравнению с нейронными сетевыми моделями. Кроме того, интегрируя функции TopCap в эти нейронные сети, наш подход совершенствуется на основе современных методов с точки зрения надежности против шума, а также точности, стабильности, конвергенции функций потерь и интерпретируемости. История представления: Pingyao Feng [видение электронной почты] [v1] Sun, 26 ноября 2023 06:53:56 UTC (15 923 KB) [ v2] Wed, 16 сентября 2026 17:35:05 UTS (21 305 KB). Текущий контекст…
Топологические усовершенствования машинного обучения для обработки речевых сигналов
arXiv:2311.15210v2 Annuales Type: заменить резюме: в процессе обработки сигнала с помощью искусственной разведки существующие модели глубокого обучения часто демонстрируют структуру черного ящика. В данном случае, концептуально не ограничиваясь спектральным анализом, мы показываем, что топологические методы не только позволяют эффективно запечатлеть внутреннюю и сложную структурную информацию, но также могут укрепить нейронные сети. Мы предоставляем транспарентную методологию, Top Cap, для того чтобы зафиксировать топологические особенности, присущие временным рядам для базового машинного обучения. По сравнению с предыдущими подходами мы получаем дескрипторы, которые пробуют более точную информацию, например вибрацию временных рядов. В частности, в классификации созвучных и бесзвучных значений TopCap обеспечивает точность по сравнению с нейронными сетевыми моделями. Кроме того, интегрируя элементы Top Cap в эти нейронные сети, наш подход совершенствуется на основе современных методов с точки зрения устойчивости к шуму, а также точности, стабильности, конвергенции функции потери и интерпр