A biblioteca ibu-boost implementa uma nova abordagem para seleção de splits em árvores GBDT, substituindo a comparação relativa por uma rejeição baseada em limiar absoluto. Isso visa eliminar a necessidade de parâmetros arbitrários como min_gain_to_split, inspirando-se na ideia de "screening transform" de um artigo de pesquisa.
CAWI schlägt ein neues Framework zur Gewichtungsinitialisierung für Randomisierte Neuronale Netze (RdNNs) vor, das die Einschränkung konventioneller zufälliger Initialisierung, welche die Inter-Feature-Abhängigkeit ignoriert, beseitigt. Es verwendet eine datenangepasste Kopula, um sicherzustellen, dass die eingefrorenen Projektionen die empirische Abhängigkeit respektieren und so die Konditionierung sowie die Vorhersageleistung verbessern.
Dieses Papier stellt das Regularisierte Emphatische Temporal-Differenz-Lernen (RETD) vor, um den Kompromiss zwischen Stabilität, Projektionsgeometrie und Varianz beim Off-Policy-Temporal-Differenz-Lernen zu behandeln. Es schlägt eine Methode vor, die die Hilfszentrierungsrekursion regularisiert, um die positive Definitheit der ETD-Schlüsselmatrix zu erhalten, und beweist deren Konvergenz.
Der SEMO-Algorithmus, entwickelt von DeepoMe, befasst sich mit der Frage, messbare biologische Diskrepanzen für personalisierte Interventionen in der Langlebigkeitstechnologie zu identifizieren. Er fungiert als algorithmisches Framework der Netzwerkmedizin, das Omics-Signale und Wirkstoffzielnetzwerke verbindet, wie in einem bioRxiv-Preprint für COVID-19-Anwendungen vorgestellt.