Компьютерные науки > Машинное обучение [представлено 16 октября 2026 года] Название: Boundary Displacement for HTML View PDF THML (экспериментальное) Резюме: Мы ввели два новых метода обнаружения границ при использовании высокомерных данных облаков, предназначенных для работы в ситуациях с неоднообразной плотностью, высоким уровнем окружающей среды и значительным шумом. Наш первый метод подходит для отделения гиперплана на местных кварталах после сокращения местного измерения - этот метод работает лучше всего, когда можно надежно оценить неотъемлемый аспект данных. Наш второй метод измеряет единообразие направлений в местных районах и имеет наилучшие общие показатели по синтетическим данным. Помимо точечных цифр границ, наши алгоритмы дают оценочный обычный вектор в каждой точке границы. Мы проверяем нашу методологию в отношении синтетических данных, а также два реальных примера: мы анализируем пространственные транскриптомные данные, где мы показываем, что можем обнаружить границы опухоли, и изучаем геометрию активации LLM. Дополнительные параметры контекст текущего просмотра: cs.LG ссылки и цитаты загрузка... Библиографические и цитационно-инструментальные средства Библиографии (что такое Исследователь?) Подключенные документы (Что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Какой умный клиент?), код, данные и СМИ связаны с этой статьей альфаXiv (Альфоксив?) Катализированные коды для документов (Кто является каталитическим устройством?) DagsHub…
Обнаружение границы для высокомерных облаков
arXiv: 261 020.23590v 1 Annuales Type: кросс-бюллетень: Мы введем два новых метода обнаружения границ в высокомерных облачных данных, предназначенных для работы в ситуациях с неединой плотностью, высоким уровнем окружающей среды и значительным шумом. Наш первый метод подходит для отделения гиперплана на местных кварталах после сокращения местного измерения - этот метод работает лучше всего, когда можно надежно оценить неотъемлемый аспект данных. Наш второй метод измеряет единообразие направлений в местных районах и имеет наилучшие общие показатели по синтетическим данным. Помимо точечных цифр границ, наши алгоритмы дают оценочный обычный вектор в каждой точке границы. Мы проверяем нашу методологию в отношении синтетических данных, а также два реальных примера: мы анализируем пространственные транскриптомные данные, где мы показываем, что можем обнаружить границы опухоли, и изучаем геометрию активации LLM.