text large_stringlengths 1 1.2k | emotion_vector dict |
|---|---|
يهدف دمج نموذج المهام المتعددة إلى دمج المعرفة من العديد من الخبراء المحددين للمهمة في نموذج موحد مع الحد الأدنى من تدهور الأداء. تقترب الأساليب الحالية بشكل أساسي من هذا من خلال الحد الأدنى من الاختلافات بين الخبراء المحددين للمهمة والنموذج الموحد، إما من مستوى المعلمات أو من منظور فقدان المهام. | {
"fear": 0.0007276535034179688,
"anger": 0.0017023086547851562,
"surprise": 0.0019445419311523438,
"joy": 0.004306793212890625,
"sadness": 0.0014858245849609375,
"disgust": 0.002880096435546875,
"urgency": 0.0005741119384765625,
"confusion": 0.0012989044189453125,
"emotion": 0.07757568359375
} |
توفر الشبكات العصبية العميقة حلول موثوقة للعديد من مهام التصنيف والتكسير. ومع ذلك، فإن تطبيقها في أنظمة لاسلكية في الوقت الحقيقي مع شبكات الاستشعار البسيطة محدودة بسبب استهلاك الطاقة العالي واحتياجات واسعة النطاق الكبيرة. واقترحت هذه الدراسة نظام استستنتاج لاسلكي متعدد الاستشعار مع الحوسبة التناظرية القائمة على الذاكرة... | {
"fear": 0.0006041526794433594,
"anger": 0.0011301040649414062,
"surprise": 0.0009975433349609375,
"joy": 0.0049896240234375,
"sadness": 0.0005555152893066406,
"disgust": 0.0009670257568359375,
"urgency": 0.0013036727905273438,
"confusion": 0.0007233619689941406,
"emotion": 0.0035247802734375
} |
مشكلة فصل الإشارات المفتوحة الأولي هي ما يسمى بمشكلة الحفلات الكوكتيلية، حيث يتحدث n شخص في نفس الوقت و n ميكروفونات مختلفة داخل غرفة. الهدف هو استعادة كل إشارة خطاب من مدخلات الميكروفون. | {
"fear": 0.0003075599670410156,
"anger": 0.00034046173095703125,
"surprise": 0.0004067420959472656,
"joy": 0.0004298686981201172,
"sadness": 0.00043201446533203125,
"disgust": 0.00038123130798339844,
"urgency": 0.0002956390380859375,
"confusion": 0.0008707046508789062,
"emotion": 0.000683307647705078... |
أساليب التفسير ذات قيمة فقط إذا كانت تفسيراتها تصف النموذج الموضح بشكل صادق. في هذا العمل، ندرس شبكات عصبية تتغير توقعاتها تحت مجموعة تجاوب محددة. | {
"fear": 0.0002834796905517578,
"anger": 0.0003261566162109375,
"surprise": 0.000362396240234375,
"joy": 0.0003314018249511719,
"sadness": 0.00027632713317871094,
"disgust": 0.0003902912139892578,
"urgency": 0.00021982192993164062,
"confusion": 0.00044417381286621094,
"emotion": 0.0004115104675292969... |
توفر شبكات المواطنين للتعلم القوي (RL) [توماس و بارتو ، 2011] إطارًا قويًا ومرنًا لاستحداث قواعد التعلم المبدئية للشبكات العصبية الاستوائية. يقدم إطار المواطنين المواطنين بديلًا للتعلم العميق القائم على الانتشار الخلفي (BDL) الذي يتغلب على بعض القيود الرئيسية للنشر الخلفي. | {
"fear": 0.0011587142944335938,
"anger": 0.01629638671875,
"surprise": 0.00646209716796875,
"joy": 0.0518798828125,
"sadness": 0.0085906982421875,
"disgust": 0.004596710205078125,
"urgency": 0.0008182525634765625,
"confusion": 0.0015239715576171875,
"emotion": 0.8916015625
} |
تقوم خوارزميات إدراج العقدات بإنتاج تمثيلات متخفية منخفضة الأبعاد للعقدات في الرسم البياني. غالباً ما تستخدم هذه التدريبات للمهام المتدفقة على التيار، مثل تصنيف العقدات وتنبؤ الروابط. | {
"fear": 0.00031304359436035156,
"anger": 0.0003895759582519531,
"surprise": 0.0005655288696289062,
"joy": 0.0003666877746582031,
"sadness": 0.0002970695495605469,
"disgust": 0.0004811286926269531,
"urgency": 0.00021970272064208984,
"confusion": 0.0004303455352783203,
"emotion": 0.0010766983032226562... |
كفئة بارزة من أساليب التعلم الممثل، حققت التعلم الممثل المضاد (AIL) نجاحًا عمليًا كبيرًا مدعومًا من تقريب الشبكات العصبية. ومع ذلك، فإن الدراسات النظرية الحالية حول AIL تقتصر في المقام الأول على سيناريوهات مبسطة مثل تقريب الوظائف الجدولية والخطية وتشمل تصاميمًا خوارزمية معقدة تعيق التنفيذ العملي، مما يسلط الضوء على الف... | {
"fear": 0.0017824172973632812,
"anger": 0.0004992485046386719,
"surprise": 0.002658843994140625,
"joy": 0.00027251243591308594,
"sadness": 0.000827789306640625,
"disgust": 0.0015697479248046875,
"urgency": 0.0002446174621582031,
"confusion": 0.0007586479187011719,
"emotion": 0.0012111663818359375
} |
توفر نماذج الشبكة العصبية (NN) إمكانية تسريع عملية اكتشاف الأدوية وتقليل معدلات فشلها. يطلب نجاح نماذج NN كميات عدم اليقين (UQ) حيث يستكشف اكتشاف الأدوية الفضاء الكيميائي خارج توزيع بيانات التدريب. | {
"fear": 0.0008225440979003906,
"anger": 0.0014657974243164062,
"surprise": 0.0012664794921875,
"joy": 0.00262451171875,
"sadness": 0.0007343292236328125,
"disgust": 0.001293182373046875,
"urgency": 0.0004570484161376953,
"confusion": 0.0006227493286132812,
"emotion": 0.007381439208984375
} |
هذه الورقة تعرض ظاهرة في الشبكات العصبية التي نشار إليها باسم \textit{مقلية مرونة}. بشكل عام، يُقال أن المصنف هو مرونة محلياً إذا كان تنبؤه عند متجه ميزة $\bx'$ \textit{not} بشكل كبير، بعد تحديث المصنف عن طريق هبوط التهابية الاستوكاستية عند متجه ميزة (مسموم) $\bx$ الذي \textit{مختلف} إلى $\bx'$ في معنى معين. | {
"fear": 0.003406524658203125,
"anger": 0.01078033447265625,
"surprise": 0.006961822509765625,
"joy": 0.0352783203125,
"sadness": 0.01480865478515625,
"disgust": 0.014129638671875,
"urgency": 0.0007090568542480469,
"confusion": 0.0020294189453125,
"emotion": 0.8974609375
} |
وتقدم هذه الملاحظات الدراسية مقدمة إلى التقدم الأخير في طرق النمذجة التوليدية القائمة على نقل الديناميكي للمقاييس، التي يتم من خلالها رسم خريط من عينات من مقياس أساسي بسيط إلى عينات من مقياس اهتمام هدف. يتم التركيز بشكل خاص على تطبيق هذه الطرق على تقنيات أخذ العينات في مونت كارلو (MC) ، مثل أخذ العينات من الأهمية وخططا... | {
"fear": 0.0002357959747314453,
"anger": 0.0002409219741821289,
"surprise": 0.00027942657470703125,
"joy": 0.00026607513427734375,
"sadness": 0.00022852420806884766,
"disgust": 0.00027632713317871094,
"urgency": 0.0001800060272216797,
"confusion": 0.00022590160369873047,
"emotion": 0.0003588199615478... |
في العديد من إعدادات التصميم التجريبي عالية الإنتاجية ، مثل تلك الشائعة في الهندسة الكيميائية الحيوية ، تكون الاستفسارات المفروضة على دفعة أكثر فعالية من التكلفة من الاستفسارات المتسلسلة الواحدة على الواحدة. علاوة على ذلك ، غالباً ما لا يكون من الممكن اختيار عناصر للمسألة مباشرة. | {
"fear": 0.0003948211669921875,
"anger": 0.000713348388671875,
"surprise": 0.0008225440979003906,
"joy": 0.0014514923095703125,
"sadness": 0.0004992485046386719,
"disgust": 0.0008130073547363281,
"urgency": 0.0003018379211425781,
"confusion": 0.0005803108215332031,
"emotion": 0.0007791519165039062
} |
أمراض القلب هي السبب الرئيسي للوفاة في جميع أنحاء العالم. حاليا، يتم تشخيص 33% من الحالات بشكل خاطئ، ويحدث حوالي نصف حالات إصابة بالانفلاتزام القلبي في الأشخاص الذين لا يتوقع أن يكونوا عرضة للخطر. | {
"fear": 0.0012960433959960938,
"anger": 0.001983642578125,
"surprise": 0.0018644332885742188,
"joy": 0.0006489753723144531,
"sadness": 0.0019779205322265625,
"disgust": 0.00400543212890625,
"urgency": 0.00063323974609375,
"confusion": 0.0010957717895507812,
"emotion": 0.034912109375
} |
يمكن لقطعة المعايير غير المهمة أن تسمح لشبكات الأعصاب العميقة (DNNs) بتقليل احتياجاتها الحاسوبية والذاكرة الثقيلة. تقديرات مترية الظهور التي يمكن قطعة المعايير بأمان مع عدم وجود تأثير كبير على أداء تصنيف DNN. | {
"fear": 0.0013589859008789062,
"anger": 0.004924774169921875,
"surprise": 0.0010900497436523438,
"joy": 0.01261138916015625,
"sadness": 0.0014524459838867188,
"disgust": 0.0035953521728515625,
"urgency": 0.000705718994140625,
"confusion": 0.0007939338684082031,
"emotion": 0.051910400390625
} |
نحن ندرس مشكلة اللصوص المتعددين الأسلحة مع الخصوصية التفاضلية العالمية (DP). أولاً، نحن نثبت الحد الأدنى للصوص المتدنيين والخطويين الذين يحددون صلابة اللصوص مع الخصوصية العالمية. | {
"fear": 0.0010738372802734375,
"anger": 0.00274658203125,
"surprise": 0.0024013519287109375,
"joy": 0.0111846923828125,
"sadness": 0.0009975433349609375,
"disgust": 0.00318145751953125,
"urgency": 0.0003542900085449219,
"confusion": 0.001476287841796875,
"emotion": 0.01433563232421875
} |
شبكة بايزية هي نموذج رسمي محتمل يتكون من الرسم البياني الأزرارية الموجزة (DAG) ، حيث كل عقدة هي متغير عشوائي ومرفقة لكل عقدة هي توزيع الاحتمالات المشروطة (CPD). يمكن تعلم شبكة بايزية من البيانات باستخدام نهج النتيجة والبحث المعروف ، وخلال هذا النهج يعتبر اعتبارًا رئيسًا كيفية تعلم الهيكل العالمي في وقت واحد في شكل DAG ... | {
"fear": 0.0008783340454101562,
"anger": 0.0024127960205078125,
"surprise": 0.00293731689453125,
"joy": 0.006175994873046875,
"sadness": 0.0011653900146484375,
"disgust": 0.0013446807861328125,
"urgency": 0.0006208419799804688,
"confusion": 0.00042128562927246094,
"emotion": 0.10986328125
} |
وقد حَصَلَتْ على دراسة هيكل الرسومات (GSL) مؤخراً اهتمامًا كبيرًا بسبب قدرتها على تحسين معايير شبكات العصبية الرسومات (GNNs) وهياكل الرسومات الحسابية في نفس الوقت. على الرغم من انتشار طرق GSL التي تم تطويرها في السنوات الأخيرة، لا توجد إعدادات تجربية قياسية أو مقارنة عادلة لتقييم الأداء، مما يخلق عقبة كبيرة لفهم التقدم... | {
"fear": 0.0007157325744628906,
"anger": 0.006229400634765625,
"surprise": 0.0017633438110351562,
"joy": 0.0012903213500976562,
"sadness": 0.0010395050048828125,
"disgust": 0.00311279296875,
"urgency": 0.0014781951904296875,
"confusion": 0.0005764961242675781,
"emotion": 0.09405517578125
} |
مع نموذجات التعلم الآلي الصندوق الأسود تتزايد تعقيداً وتجد تطبيقات في سيناريوهات المخاطر العالية ، من الضروري تقديم تفسيرات للتنبؤات الخاصة بهم. على الرغم من أن التفسيرات المحلية المفسرة للنموذج - غير المتعلمة (LIME) [22] هي طريقة مقبولة على نطاق واسع لفهم سلوكيات النموذج ، إلا أنها غير مستقرة فيما يتعلق بالبذور العشوا... | {
"fear": 0.0008893013000488281,
"anger": 0.0010557174682617188,
"surprise": 0.0016345977783203125,
"joy": 0.00035643577575683594,
"sadness": 0.001026153564453125,
"disgust": 0.0008726119995117188,
"urgency": 0.0004949569702148438,
"confusion": 0.0021114349365234375,
"emotion": 0.006839752197265625
} |
النمو والتنوع في تطبيقات التعلم الآلي يحفز على إعادة التفكير في التعلم مع الأجهزة المحمولة والحافة. كيف يمكننا معالجة أهداف العملاء المتنوعة والتعلم مع بيانات متفرقة نادرة؟ | {
"fear": 0.0005412101745605469,
"anger": 0.0011434555053710938,
"surprise": 0.00115966796875,
"joy": 0.00849151611328125,
"sadness": 0.0006794929504394531,
"disgust": 0.0009617805480957031,
"urgency": 0.00038313865661621094,
"confusion": 0.0011529922485351562,
"emotion": 0.01512908935546875
} |
تطبيق التعلم الآلي لدعم معالجة مجموعات بيانات كبيرة يعد وعددا في العديد من الصناعات، بما في ذلك الخدمات المالية. ومع ذلك، لا تزال القضايا العملية للاعتماد الكامل للتعلم الآلي مع التركيز على فهم وتفسير القرارات والتنبؤات التي تتخذها النماذج المعقدة. | {
"fear": 0.0005207061767578125,
"anger": 0.002124786376953125,
"surprise": 0.0015363693237304688,
"joy": 0.01277923583984375,
"sadness": 0.0007076263427734375,
"disgust": 0.0014734268188476562,
"urgency": 0.00038695335388183594,
"confusion": 0.001468658447265625,
"emotion": 0.115234375
} |
وقد أثار النمو السريع للقوة الحاسوبية ومقاييس الأنظمة الحاسوبية الفائقة الحديثة تحديات كبيرة لإدارة البيانات العلمية على نطاق واسع. للحفاظ على قابلية استخدام البيانات العلمية، تم اقتراح وتطوير ضغط الخسائر المرتبطة بالخطأ كأسلوب أساسي لتقليل حجم البيانات العلمية مع تشويه البيانات المحدود. | {
"fear": 0.000843048095703125,
"anger": 0.00879669189453125,
"surprise": 0.0031986236572265625,
"joy": 0.0010671615600585938,
"sadness": 0.0006361007690429688,
"disgust": 0.00899505615234375,
"urgency": 0.0008821487426757812,
"confusion": 0.0008053779602050781,
"emotion": 0.147705078125
} |
نعتبر مشكلة التحسين الاستوتشستي مع أهداف سلسة ولكن ليس بالضرورة متواصلة في نظام الضوضاء الثقيلة ، حيث يفترض أن ضجيج تراجع الاستوتشستي يحد من $p$th لحظة ($p\in(1,2]$). Zhang et al. (2020) هو الأول الذي يثبت $\Omega(T^{\frac{1-p}{3p-2}})$ الحد الأدنى للتقارب (في التوقعات) ويقدم خوارزمية قصة بسيطة تتماشى مع هذا المعدل الم... | {
"fear": 0.0013980865478515625,
"anger": 0.00592041015625,
"surprise": 0.0033245086669921875,
"joy": 0.00287628173828125,
"sadness": 0.0034923553466796875,
"disgust": 0.00954437255859375,
"urgency": 0.002105712890625,
"confusion": 0.001422882080078125,
"emotion": 0.1468505859375
} |
نحن ندرس القراصنة المختلطة السياقية مع الأذرع التي يتم تشغيلها على نحو محتمل (C$^2$MAB-T) تحت مجموعة متنوعة من ظروف السلاسة التي تستخدم مجموعة واسعة من التطبيقات ، مثل القراصنة المتسلطة السياقية وقراصنة تعظيم التأثير السياقي. تحت شرط احتمال التحكم المحدد (TPM) ، نقوم بتصميم خوارزمية C$^2$-UCB-T ونقترح تحليلًا جديدًا يح... | {
"fear": 0.07293701171875,
"anger": 0.1962890625,
"surprise": 0.082763671875,
"joy": 0.51513671875,
"sadness": 0.043212890625,
"disgust": 0.25390625,
"urgency": 0.043060302734375,
"confusion": 0.00728607177734375,
"emotion": 0.84912109375
} |
نقترح إطارًا مرصدًا ذاتيًا يتعلم تجميع الكيانات البصرية بناءً على معدل تواجدها المشترك في الفضاء والزمان. لنموذج الاعتمادات الإحصائية بين الكيانات، قمنا بتهيئة مشكلة تصنيف ثنائية بسيطة والتي يهدف فيها التنبؤ بمعرفة ما إذا كانت هناك اثنين من الكيانات البصرية الأولى تحدث في نفس السياق الفضائي أو الزمني. | {
"fear": 0.0008177757263183594,
"anger": 0.0013113021850585938,
"surprise": 0.0011873245239257812,
"joy": 0.003002166748046875,
"sadness": 0.0009765625,
"disgust": 0.0012540817260742188,
"urgency": 0.0004336833953857422,
"confusion": 0.0007290840148925781,
"emotion": 0.01806640625
} |
إن منتجنت هي مجموعة من مجموعات بيانات المنتجات عالية الجودة لتحسين فهم المنتجات. مدفوعة من ImageNet، يهدف منتجنت إلى دعم تعلم تمثيل المنتجات عن طريق تدوين مجموعات بيانات المنتجات عالية الجودة مع تصنيف مختار بشكل صحيح. | {
"fear": 0.00316619873046875,
"anger": 0.0086822509765625,
"surprise": 0.0101470947265625,
"joy": 0.018280029296875,
"sadness": 0.00620269775390625,
"disgust": 0.00997161865234375,
"urgency": 0.0019121170043945312,
"confusion": 0.0012121200561523438,
"emotion": 0.049896240234375
} |
في مجالات العمل المستمر ، يعاني خوارزميات التعلم العميق القياسية مثل DDPG من استكشاف غير فعال عند مواجهة مشاكل مكافأة نادرة أو مخادعة. وعلى العكس من ذلك ، فإن الطرق التطورية والتنموية التي تركز على الاستكشاف مثل بحث الجدول أو تنوع الجودة أو عمليات استكشاف الأهداف تستكشف بشكل أكثر قوة ولكنها أقل كفاءة في ضبط السياسات ال... | {
"fear": 0.0050201416015625,
"anger": 0.030853271484375,
"surprise": 0.70556640625,
"joy": 0.3740234375,
"sadness": 0.0823974609375,
"disgust": 0.10699462890625,
"urgency": 0.0011348724365234375,
"confusion": 0.0989990234375,
"emotion": 0.95849609375
} |
تقوم نماذج التوزيع التوليدية بتجميع عينات جديدة عن طريق عكس عملية انتشارية تحويل مجموعة بيانات معينة إلى ضجيج عامة. يتم ذلك عن طريق تدريب شبكة عصبية لتطابق تراجع توزيع احتمالات مجموعة بيانات معينة ، والتي تسمى أيضًا النتيجة. | {
"fear": 0.00428009033203125,
"anger": 0.0267333984375,
"surprise": 0.01325225830078125,
"joy": 0.67529296875,
"sadness": 0.01471710205078125,
"disgust": 0.025848388671875,
"urgency": 0.0015306472778320312,
"confusion": 0.0013561248779296875,
"emotion": 0.94873046875
} |
التعرف على الكلام وتعرف المتحدثين مهمة للتصديق والتحقق لأغراض الأمن ، لكنها صعبة تحقيقها. يمكن تقسيم طرق تحديد المتحدثين إلى مستقلة عن النص والمتعلقة عن النص. | {
"fear": 0.00042629241943359375,
"anger": 0.000362396240234375,
"surprise": 0.0004329681396484375,
"joy": 0.00033974647521972656,
"sadness": 0.0004029273986816406,
"disgust": 0.0004322528839111328,
"urgency": 0.00021636486053466797,
"confusion": 0.0007052421569824219,
"emotion": 0.0026912689208984375... |
تخصيص ديرشلت المتخفف (LDA) هو نموذج نمذجة موضوع محتمل يستخدم على نطاق واسع ، ووجد مؤخرا العديد من التطبيقات في الرؤية الحاسوبية والبيولوجيا الحاسوبية. في هذه الورقة ، نقترح خوارزمية دفعة سريعة ودقيقة ، انتشار الاعتقاد النشط (ABP) ، لتدريب LDA. | {
"fear": 0.0016508102416992188,
"anger": 0.00951385498046875,
"surprise": 0.0029544830322265625,
"joy": 0.02911376953125,
"sadness": 0.004085540771484375,
"disgust": 0.00786590576171875,
"urgency": 0.0010366439819335938,
"confusion": 0.00086212158203125,
"emotion": 0.05462646484375
} |
التحليل السببي الخطوي هو مركز لمتعدد واسع من التطبيقات الهامة التي تشمل المالية والعلوم الفيزيائية والهندسة. معظم الأدب القائم في التحليل السببي الخطوي يعمل في مجال الوقت. | {
"fear": 0.0006918907165527344,
"anger": 0.004291534423828125,
"surprise": 0.0012598037719726562,
"joy": 0.0106964111328125,
"sadness": 0.0006866455078125,
"disgust": 0.0030155181884765625,
"urgency": 0.0010223388671875,
"confusion": 0.0006666183471679688,
"emotion": 0.09625244140625
} |
في هذه الورقة، نقترح ComGAN ((ComparativeGAN) الذي يسمح لمولد GAN بإشارة إلى أساسيات عينات مقارنة ((مثل البيانات الحقيقية) من خلال المقارنة. ComGAN يعمّل GAN النسبية باستخدام بنية تعسفية ويعطي أداءً أفضل من GAN النسبية في بنية مدخل-موافقة بسيطة. | {
"fear": 0.00070953369140625,
"anger": 0.0035457611083984375,
"surprise": 0.0013275146484375,
"joy": 0.004467010498046875,
"sadness": 0.0011606216430664062,
"disgust": 0.0008597373962402344,
"urgency": 0.0009322166442871094,
"confusion": 0.00040721893310546875,
"emotion": 0.004573822021484375
} |
وصلت حديقة الحيوانات الحيوانية العامة التي تحتوي على عائلات نموذجية قوية للغاية تم تدريبها مسبقاً (مثل ResNet / DeiT) إلى نطاق غير مسبوق من أي وقت مضى ، مما يسهم بشكل كبير في نجاح التعلم العميق. نظرًا لأن كل عائلة نموذجية تتكون من نماذج مسبقة ذات مقياس مختلف (مثل DeiT-Ti / S / B) ، فإنه يطرح بطبيعة الحال سؤالًا أساسيًا... | {
"fear": 0.0005726814270019531,
"anger": 0.0026721954345703125,
"surprise": 0.0012874603271484375,
"joy": 0.006805419921875,
"sadness": 0.0009937286376953125,
"disgust": 0.00133514404296875,
"urgency": 0.0015420913696289062,
"confusion": 0.0009636878967285156,
"emotion": 0.084228515625
} |
شبكات العصبية المتزايدة (SNNs) هي أنظمة قابلة للتدريب الموزعة التي يتميز عناصر الحوسبة أو الخلايا العصبية بديناميكية تشبيه داخلية وتواصلات سينابستية رقمية ونادرة. يمكن الاستفادة من ضئيلة المدخلات المتزايدة السينابستية والطبيعة المقابلة للمعالجة العصبية القائمة على الأحداث من خلال تنفيذات الأجهزة الكافية من حيث الطاقة ،... | {
"fear": 0.0010900497436523438,
"anger": 0.006694793701171875,
"surprise": 0.0019626617431640625,
"joy": 0.033050537109375,
"sadness": 0.0020751953125,
"disgust": 0.0025539398193359375,
"urgency": 0.0011606216430664062,
"confusion": 0.0007271766662597656,
"emotion": 0.0152130126953125
} |
كان هناك اهتمام متزايد في Machine Unlearning مؤخراً ، ويرجع ذلك في المقام الأول إلى متطلبات قانونية مثل اللوائح العامة لحماية البيانات (GDPR) وقانون خصوصية المستهلكين في كاليفورنيا. وبالتالي ، تم تقديم نهج متعددة لإزالة تأثير نقاط البيانات المستهدفة المحددة من نموذج مدرب. | {
"fear": 0.0016374588012695312,
"anger": 0.004398345947265625,
"surprise": 0.0092010498046875,
"joy": 0.048004150390625,
"sadness": 0.0017242431640625,
"disgust": 0.0107269287109375,
"urgency": 0.0007061958312988281,
"confusion": 0.0013256072998046875,
"emotion": 0.69677734375
} |
باستخدام نظرية المعلومات ، توفر هذه الدراسة رؤى حول كيفية بناء الفضاء الخفيف للمؤشر الذاتي (AE) باستخدام تدريب الشبكة العصبية العميقة (DNN) يجد مجموعة متنوعة منخفضة الأبعاد السلسة في النظام الديناميكي الصلب. ذكرت دراسةنا الأخيرة [1] أن مؤشر الذاتي (AE) المزدوج مع ODE العصبي (NODE) كنموذج بديل للنظام المنخفض للترتيب من ... | {
"fear": 0.0005984306335449219,
"anger": 0.0012607574462890625,
"surprise": 0.0010786056518554688,
"joy": 0.004947662353515625,
"sadness": 0.0008587837219238281,
"disgust": 0.0007786750793457031,
"urgency": 0.00102996826171875,
"confusion": 0.0006127357482910156,
"emotion": 0.01154327392578125
} |
يُحسن التعلم الهرمي للتعزيز (HRL) كفاءة استكشاف العملاء بشكل فعال في المهام ذات المكافآت النادرة، مع توجيه هيكلات هيراركية عالية الجودة (مثل الأهداف الفرعية أو الخيارات). ومع ذلك، كيفية اكتشاف هيكلات هيراركية عالية الجودة تُعد تحديًا كبيرًا. | {
"fear": 0.00023818016052246094,
"anger": 0.00025391578674316406,
"surprise": 0.0003113746643066406,
"joy": 0.0004634857177734375,
"sadness": 0.00024330615997314453,
"disgust": 0.00026726722717285156,
"urgency": 0.0001983642578125,
"confusion": 0.0005793571472167969,
"emotion": 0.00039124488830566406... |
في مجال الرؤية الحاسوبية، من الواضح أن شبكات الأعصاب العميقة تعمل بشكل أفضل في بيئة مشرفة مع كمية كبيرة من البيانات المسجلة. التمثيلات التي يتم تعلمها مع الإشراف ليست عالية الجودة فحسب، بل تساعد النموذج أيضًا في تعزيز دقةها. | {
"fear": 0.0006499290466308594,
"anger": 0.001186370849609375,
"surprise": 0.0009927749633789062,
"joy": 0.0254669189453125,
"sadness": 0.0006833076477050781,
"disgust": 0.001712799072265625,
"urgency": 0.0005121231079101562,
"confusion": 0.0010814666748046875,
"emotion": 0.00826263427734375
} |
هذه الورقة تعرض نهج جديد لتعزيز أساليب الترتيب الحركي القائمة، التي ترسم مباشرة تمثيلات الحركة إلى أسعار وصفية عالية المستوى (مثل: ``شخص يقوم بالقفز الوقوف"). | {
"fear": 0.0012788772583007812,
"anger": 0.006938934326171875,
"surprise": 0.0045928955078125,
"joy": 0.009796142578125,
"sadness": 0.005382537841796875,
"disgust": 0.0079193115234375,
"urgency": 0.0007462501525878906,
"confusion": 0.0010576248168945312,
"emotion": 0.5107421875
} |
تثبت النموذجات العصبية الضمنية (INRs) أنها نموذج قوي في توحيد نمذجة المهام عبر مجالات البيانات المختلفة ، مما يوفر مزايا رئيسية مثل كفاءة الذاكرة واستقلال القرار. تكون نماذج التعلم العميق التقليدية عادةً تعتمد على الوسائل ، وغالباً ما تتطلب بنايات وأهداف مخصصة لأنواع مختلفة من الإشارات. | {
"fear": 0.00040078163146972656,
"anger": 0.0010900497436523438,
"surprise": 0.0007696151733398438,
"joy": 0.0014715194702148438,
"sadness": 0.0006656646728515625,
"disgust": 0.0009131431579589844,
"urgency": 0.0010128021240234375,
"confusion": 0.0005588531494140625,
"emotion": 0.010162353515625
} |
في هذه الورقة نقدم أول خوارزمية تعليم الآلة للمتعلمين المتعددين للتعزيز العكسي. | {
"fear": 0.0018749237060546875,
"anger": 0.01146697998046875,
"surprise": 0.0162506103515625,
"joy": 0.0240478515625,
"sadness": 0.004669189453125,
"disgust": 0.0131378173828125,
"urgency": 0.00090789794921875,
"confusion": 0.001689910888671875,
"emotion": 0.90966796875
} |
نقدم دراسة نظرية و تجربية لديناميكية التدفقات من شبكات ReLU السطحية المفروضة بالمعايير مع إدخال واحد الأبعاد، وحل التقاطع بين أقل مربعات. نظهر أن ديناميكية التدفقات من هذه الشبكات تحدد من خلال تدفق التدفقات في تخصيص غير ضئيل للعمل الشبكي. | {
"fear": 0.0009016990661621094,
"anger": 0.0008687973022460938,
"surprise": 0.0009598731994628906,
"joy": 0.0014972686767578125,
"sadness": 0.001007080078125,
"disgust": 0.00081634521484375,
"urgency": 0.000492095947265625,
"confusion": 0.0005941390991210938,
"emotion": 0.01020050048828125
} |
عندما يقوم خوارزمية التعلم الآلي بإجراء قرارات متحيزة، يمكن أن يكون من المفيد فهم مصادر التفاوت لشرح سبب وجود التحيز. نحو هذا، ندرس مشكلة تحديد مساهمة كل ميزة فردية للتفاوت الملاحظ. | {
"fear": 0.0005593299865722656,
"anger": 0.0009241104125976562,
"surprise": 0.0009508132934570312,
"joy": 0.0006875991821289062,
"sadness": 0.0005559921264648438,
"disgust": 0.00193023681640625,
"urgency": 0.00028777122497558594,
"confusion": 0.0009870529174804688,
"emotion": 0.0014543533325195312
} |
يُقال أن السياسة قوية إذا ما زادت من المكافأة مع النظر في نموذج سيء أو حتى معادلة. في هذا العمل نضيف معيارين جديدين من القوة إلى عدم اليقين في العمل. | {
"fear": 0.002567291259765625,
"anger": 0.00566864013671875,
"surprise": 0.012176513671875,
"joy": 0.00426483154296875,
"sadness": 0.007595062255859375,
"disgust": 0.0280609130859375,
"urgency": 0.0007548332214355469,
"confusion": 0.01451873779296875,
"emotion": 0.031707763671875
} |
يدرس هذا الورق سؤالين مختلفين ومرتبطين بالمسائل المتعلقة بممارسات الذكاء الاصطناعي الموضح (XAI). يزداد أهمية التعلم الآلي (ML) في الخدمات المالية ، مثل الموافقة المسبقة ، وتأمين الائتمان ، والاستثمارات ، وأنشطة فرونت اند وباك اند مختلفة. | {
"fear": 0.000583648681640625,
"anger": 0.0016012191772460938,
"surprise": 0.003391265869140625,
"joy": 0.006587982177734375,
"sadness": 0.0010156631469726562,
"disgust": 0.0008502006530761719,
"urgency": 0.0004901885986328125,
"confusion": 0.0004405975341796875,
"emotion": 0.50927734375
} |
تعيين الائتمان العادل أمر ضروري في مختلف تطبيقات التعلم الآلي (ML) ، وقد ظهرت قيم شابللي كأداة قيمة لهذا الغرض. ومع ذلك ، في تطبيقات ML الحرجة مثل تقييم البيانات وتخصيص الميزات ، يؤدي الوزن المتساوي لقيم شابللي عبر أساسيات مجموعة فرعية إلى تعيين الائتمان غير بديهي. | {
"fear": 0.00042128562927246094,
"anger": 0.001239776611328125,
"surprise": 0.0014772415161132812,
"joy": 0.001903533935546875,
"sadness": 0.0005078315734863281,
"disgust": 0.0007967948913574219,
"urgency": 0.0005135536193847656,
"confusion": 0.0007290840148925781,
"emotion": 0.0139923095703125
} |
في هذه الورقة، نقترح خوارزمية تعلم مصنف متعدد الأجزاء لتعزيز قياس أداء مصنف متعدد المتغيرات غير الخطية وغير الشهرية المعينة. علاوة على ذلك، لحل مشكلة اختيار وظيفة الأجزاء وتأقيم معايير الأجزاء، اقترحنا بناء أجزاء محسنة من خلال مزيج خطي مزدوج من بعض الأجزاء المرشحة. | {
"fear": 0.0010395050048828125,
"anger": 0.0015506744384765625,
"surprise": 0.002471923828125,
"joy": 0.00231170654296875,
"sadness": 0.0010623931884765625,
"disgust": 0.0013933181762695312,
"urgency": 0.0004298686981201172,
"confusion": 0.0009226799011230469,
"emotion": 0.0098876953125
} |
يشكّل تطبيق التعلم المُعزز على الأنظمة الروبوتية عدداً من المشاكل الصعبة. أحد المتطلبات الرئيسية هو القدرة على التعامل مع مساحات الحالة والعمل المستمرة مع البقاء ضمن ميزانية محدودة من الوقت والموارد. | {
"fear": 0.0003695487976074219,
"anger": 0.0004189014434814453,
"surprise": 0.0004627704620361328,
"joy": 0.000812530517578125,
"sadness": 0.00039505958557128906,
"disgust": 0.0004773139953613281,
"urgency": 0.00044536590576171875,
"confusion": 0.0014257431030273438,
"emotion": 0.0011501312255859375
... |
إن إنترنت الأشياء هو مجال مثال حيث يتم إنتاج البيانات باستمرار في كميات متزايدة باستمرار، مما يعكس انتشار الأجهزة المتصلة وتكوين تدفقات بيانات مستمرة مع مرور الوقت. وبالتالي، يجب أن يتكيف الطلب على حلول التعلم الآلي المخصصة والفعالة من حيث التكلفة مع هذا تدفق البيانات المتطور. | {
"fear": 0.00036525726318359375,
"anger": 0.0007848739624023438,
"surprise": 0.0008039474487304688,
"joy": 0.002521514892578125,
"sadness": 0.0003933906555175781,
"disgust": 0.0008754730224609375,
"urgency": 0.00029659271240234375,
"confusion": 0.0003674030303955078,
"emotion": 0.007198333740234375
} |
التعلم العميق للتعزيز، المطبق على المشاكل القائمة على الرؤية مثل ألعاب أتاري، يرسم البكسلات مباشرة إلى الإجراءات؛ داخليا، تحمل شبكة الأعصاب العميقة مسؤولية استخراج المعلومات المفيدة واتخاذ القرارات القائمة عليها. من خلال فصل معالجة الصور عن صنع القرار، يمكن للمرء فهم تعقيد كل مهمة بشكل أفضل، فضلا عن العثور على نماذج سي... | {
"fear": 0.00040984153747558594,
"anger": 0.0009083747863769531,
"surprise": 0.000774383544921875,
"joy": 0.0099334716796875,
"sadness": 0.0005145072937011719,
"disgust": 0.000843048095703125,
"urgency": 0.0006251335144042969,
"confusion": 0.0086669921875,
"emotion": 0.0234527587890625
} |
مشكلة أساسية في التعلم المعزز واتخاذ القرارات التفاعلية هي فهم ما هي الافتراضات المودلة التي تؤدي إلى ضمانات التعلم الفعالة على العينة ، وما هي مبادئ تصميم الخوارزميات التي تحقق تعقيدًا مثاليًا. مؤخراً ، قدم فوستر وزملاء آخرون (2021) معدل تقدير القرار (DEC) ، وهو مقياس للعقدة الإحصائية الذي يؤدي إلى حدود أعلى وأسفل على... | {
"fear": 0.00045013427734375,
"anger": 0.004016876220703125,
"surprise": 0.00250244140625,
"joy": 0.1009521484375,
"sadness": 0.0008821487426757812,
"disgust": 0.0026092529296875,
"urgency": 0.00046634674072265625,
"confusion": 0.0020046234130859375,
"emotion": 0.06439208984375
} |
نحن نقدم إطارًا متكاملًا للتحسين التنبؤي (PredOpt) لحل مشاكل صنع القرار المتسلسل بكفاءة من خلال التنبؤ بقيمات المتغيرات الثنائية للقرار في حل مثالي. نحن نتناول القضايا الرئيسية للاعتماد المتسلسل والإمكانية غير المطبقة والعمومية في التعلم الآلي (ML) لإجراء التنبؤات لحلول مثالية للمشاكل المزدوجة. | {
"fear": 0.0017185211181640625,
"anger": 0.00939178466796875,
"surprise": 0.004779815673828125,
"joy": 0.038970947265625,
"sadness": 0.0018720626831054688,
"disgust": 0.00618743896484375,
"urgency": 0.001316070556640625,
"confusion": 0.0009870529174804688,
"emotion": 0.73193359375
} |
في هذه الورقة، نستخدم الخصوصية المختلفة كعدد لمعرفة التعلم عبر الإنترنت في إعدادات المعلومات الكاملة والجزئية. إطار الخصوصية المختلفة هو، في الأساس، أقل حول الخصوصية وأكثر حول الاستقرار الخوارزمي، وبالتالي وجد تطبيق في مجالات تتجاوز بكثير تلك التي تكون أمن المعلومات مركزية. | {
"fear": 0.0005388259887695312,
"anger": 0.0007615089416503906,
"surprise": 0.0006475448608398438,
"joy": 0.0025424957275390625,
"sadness": 0.00043463706970214844,
"disgust": 0.0005125999450683594,
"urgency": 0.0004813671112060547,
"confusion": 0.0003948211669921875,
"emotion": 0.0157623291015625
} |
مشكلة توجيه المركبات المقدمة التقليدية (CVRP) تقلل من المسافة الإجمالية للطرق تحت قيود القدرة على السيارات. ولكن في أغلب الأحيان ، ينطوي الهدف على معايير متعددة بما في ذلك ليس فقط المسافة الإجمالية للجولة ولكن أيضًا عوامل أخرى مثل تكاليف السفر والوقت في السفر والوقود. | {
"fear": 0.00040435791015625,
"anger": 0.0030841827392578125,
"surprise": 0.0013475418090820312,
"joy": 0.00726318359375,
"sadness": 0.0009675025939941406,
"disgust": 0.0029888153076171875,
"urgency": 0.0006546974182128906,
"confusion": 0.0006999969482421875,
"emotion": 0.31982421875
} |
تمثيل عقدات الرسوم البيانية الزمنية المستمرة في مساحة غامضة منخفضة الأبعاد له تطبيقات واسعة النطاق ، من التنبؤ إلى التصور. ومع ذلك ، فإن تحليل البيانات العلاقية المستمرة مع التفاعلات المختومة بالوقت يقدم تحديات فريدة بسبب ضئيلة. | {
"fear": 0.0003972053527832031,
"anger": 0.0005106925964355469,
"surprise": 0.00054931640625,
"joy": 0.0010356903076171875,
"sadness": 0.00037670135498046875,
"disgust": 0.0005927085876464844,
"urgency": 0.00047707557678222656,
"confusion": 0.0004699230194091797,
"emotion": 0.00212860107421875
} |
يثير حفظ بيانات التدريب من قبل الشبكات العصبية مخاوف ملحة بشأن الخصوصية والأمن. أظهرت الأبحاث الأخيرة أن أجزاء من مجموعة التدريب يمكن إعادة بناءها مباشرة من ملامح النموذج في ظل ظروف معينة. | {
"fear": 0.0007333755493164062,
"anger": 0.0005946159362792969,
"surprise": 0.0008225440979003906,
"joy": 0.0008611679077148438,
"sadness": 0.000560760498046875,
"disgust": 0.0008702278137207031,
"urgency": 0.00033283233642578125,
"confusion": 0.0006031990051269531,
"emotion": 0.00684356689453125
} |
يلعب التنبؤات المرورية دوراً حاسماً في أنظمة النقل الذكية. تركز النهج الحالية بشكل أساسي على تحسين الدقة العامة، وغالبًا ما تتجاهل قضية حاسمة: ما إذا كانت النماذج التنبؤية تؤدي إلى قرارات متحيزة من قبل سلطات النقل. | {
"fear": 0.0006365776062011719,
"anger": 0.002292633056640625,
"surprise": 0.0011730194091796875,
"joy": 0.00036716461181640625,
"sadness": 0.0008230209350585938,
"disgust": 0.001590728759765625,
"urgency": 0.00030803680419921875,
"confusion": 0.0004911422729492188,
"emotion": 0.0122528076171875
} |
تسريع أندرسون هو طريقة قديمة وبسيطة لتسريع الحسابات من نقطة ثابتة. ومع ذلك، بقدر ما نعرفه، ومن المفاجئ تماما، لم يتم تطبيقها على البرمجة الديناميكية أو التعلم التعزيز. | {
"fear": 0.0009784698486328125,
"anger": 0.0088043212890625,
"surprise": 0.004291534423828125,
"joy": 0.005645751953125,
"sadness": 0.0032501220703125,
"disgust": 0.00490570068359375,
"urgency": 0.0005955696105957031,
"confusion": 0.0016002655029296875,
"emotion": 0.8232421875
} |
ظهرت الحرائق الغابية كواحدة من أكثر الكوارث الطبيعية تدميرًا في جميع أنحاء العالم ، مما تسبب في خسائر كارثية في كل من حياة الإنسان وحياة البرية الغابية. مؤخراً ، خلق استخدام الذكاء الاصطناعي (AI) في الحرائق الغابية ، مدفوعًا بتكامل المركبات الجوية بدون طيار (UAV) ونماذج التعلم العميق ، زخمًا غير مسبوق لتنفيذ وتطوير إدا... | {
"fear": 0.0015048980712890625,
"anger": 0.00920867919921875,
"surprise": 0.00232696533203125,
"joy": 0.0009312629699707031,
"sadness": 0.0017557144165039062,
"disgust": 0.01629638671875,
"urgency": 0.0010004043579101562,
"confusion": 0.0007009506225585938,
"emotion": 0.40380859375
} |
عندما تستخدم شبكة عصبية مغلقة للتقييم على متن الطائرة لتحديث تسلسلات زمنية مستمرة ، يتم تنفيذ العديد من عمليات مغلقة تخفيضية. نقترح طريقة Deep Shifting ، التي تتذكر نتائج محاسبة مسبقة من عمليات مغلقة من أجل تقليل عدد الحسابات. | {
"fear": 0.000667572021484375,
"anger": 0.0007147789001464844,
"surprise": 0.0007610321044921875,
"joy": 0.0009641647338867188,
"sadness": 0.0006198883056640625,
"disgust": 0.0007343292236328125,
"urgency": 0.0009927749633789062,
"confusion": 0.0006275177001953125,
"emotion": 0.0012559890747070312
} |
يشير التطهير المتعرض للخلاف إلى فئة من أساليب الدفاع التي تزيل اضطرابات المعارضة باستخدام نموذج تولدي. هذه الأساليب لا تجعل افتراضات على شكل الهجوم ونموذج التصنيف ، وبالتالي يمكن الدفاع عن المصنفين الموجودين مسبقا ضد التهديدات غير المرئية. | {
"fear": 0.001514434814453125,
"anger": 0.00403594970703125,
"surprise": 0.0033779144287109375,
"joy": 0.001972198486328125,
"sadness": 0.0013113021850585938,
"disgust": 0.005870819091796875,
"urgency": 0.00038552284240722656,
"confusion": 0.000823974609375,
"emotion": 0.0113372802734375
} |
نحن ندرس تبسيط لتدريب GAN: مشكلة نقل الجسيمات من مصدر إلى توزيع هدف. بدءا من ناقد GAN Sobolev ، جزء من عائلة GAN المرجعية ، نظهر علاقة قوية مع Optimal Transport (OT). | {
"fear": 0.0031185150146484375,
"anger": 0.01174163818359375,
"surprise": 0.056732177734375,
"joy": 0.39111328125,
"sadness": 0.01153564453125,
"disgust": 0.0572509765625,
"urgency": 0.0015268325805664062,
"confusion": 0.042022705078125,
"emotion": 0.82861328125
} |
تتكون معظم أساليب أحدث التقنيات المطبقة على سلسلة الزمن من أساليب التعلم العميق التي تعقد جدا للتفسير. هذا النقص في القدرة على تفسير هو عيب كبير، حيث أن العديد من التطبيقات في العالم الحقيقي هي مهام حاسمة، مثل المجال الطبي أو مجال القيادة الذاتية. | {
"fear": 0.0004343986511230469,
"anger": 0.0006465911865234375,
"surprise": 0.000667572021484375,
"joy": 0.0006976127624511719,
"sadness": 0.0005655288696289062,
"disgust": 0.0009374618530273438,
"urgency": 0.0006690025329589844,
"confusion": 0.0024261474609375,
"emotion": 0.00920867919921875
} |
تحتوي سجلات الصحة الإلكترونية (EHR) على معلومات سريرية قيمة للتنبؤ بالنتائج المريضة وتوجيه قرارات الرعاية الصحية. ومع ذلك، فإن نمذجة سجلات الصحة الإلكترونية (EHRs) الفعالة تتطلب معالجة التباين بين البيانات وأنماط زمنية معقدة. | {
"fear": 0.0002340078353881836,
"anger": 0.00026607513427734375,
"surprise": 0.0003292560577392578,
"joy": 0.0003428459167480469,
"sadness": 0.00022017955780029297,
"disgust": 0.00029015541076660156,
"urgency": 0.00019299983978271484,
"confusion": 0.0004673004150390625,
"emotion": 0.00067281723022460... |
إن تنسيق نماذج اللغة الكبيرة (LLM) مع تفضيلات الإنسان أمر حاسم للتنفيذ في العالم الحقيقي ، ومع ذلك تواجه الطرق الحالية مثل RLHF تحديات الحوسبة والاستقرار. في حين أن DPO يضع نموذجًا خارجيًا مع مادة خارقة واحدة $\beta$ ، فإن الطرق اللاحقة مثل SimPO تعيد إدخال التعقيد من خلال ملامح مزدوجة ($\beta$ ، $\gamma$). | {
"fear": 0.000698089599609375,
"anger": 0.0020847320556640625,
"surprise": 0.0024509429931640625,
"joy": 0.00446319580078125,
"sadness": 0.001293182373046875,
"disgust": 0.004486083984375,
"urgency": 0.0006208419799804688,
"confusion": 0.00820159912109375,
"emotion": 0.231689453125
} |
النسيان الكارثي للشبكات العصبية المتصلة يسبب من مشاركة العالمية للمعايير بين جميع أمثلة التدريب. في هذه الدراسة، نقوم بتحليل مشاركة المعايير تحت إطار الحساب المشروط حيث يتم تشريع موازين شبكة عصبية على كل مثال إدخال. | {
"fear": 0.0008606910705566406,
"anger": 0.0009899139404296875,
"surprise": 0.0016622543334960938,
"joy": 0.0007677078247070312,
"sadness": 0.0011358261108398438,
"disgust": 0.0010938644409179688,
"urgency": 0.0006880760192871094,
"confusion": 0.0011224746704101562,
"emotion": 0.004314422607421875
} |
أمراض القلب هي واحدة من أكثر الأمراض شيوعاً تسبب المرض والوفيات. تم استخدام الكهربائية للقلب على نطاق واسع لتشخيص أمراض القلب بسبب سهولةها وعدم اختراقها. | {
"fear": 0.00165557861328125,
"anger": 0.004467010498046875,
"surprise": 0.0013675689697265625,
"joy": 0.00022995471954345703,
"sadness": 0.001373291015625,
"disgust": 0.004001617431640625,
"urgency": 0.00020134449005126953,
"confusion": 0.0016384124755859375,
"emotion": 0.0284271240234375
} |
توفر إنترنت الأشياء (IoT) تطبيقات وخدمات لم تكن ممكنة في غيرها. ومع ذلك، فإن طبيعة الإنترنت المفتوحة تجعلها عرضة لتهديدات الأمن السيبراني. | {
"fear": 0.0012578964233398438,
"anger": 0.00247955322265625,
"surprise": 0.0025501251220703125,
"joy": 0.0012264251708984375,
"sadness": 0.0021762847900390625,
"disgust": 0.002964019775390625,
"urgency": 0.0006422996520996094,
"confusion": 0.00046253204345703125,
"emotion": 0.36328125
} |
توفر هذه الورقة دراسة أولى لاستخدام استحداث الطاقة للتعلم الآلي المستدام في الشبكات الموزعة. ندرس إعداد التعلم الموزع الذي يتم فيه تدريب نموذج التعلم الآلي على عدد كبير من الأجهزة التي يمكن استحداث الطاقة من البيئة المحيطة، وتطوير إطار عملية للتعلم مع ضمانات التقارب النظري. | {
"fear": 0.0007300376892089844,
"anger": 0.0015344619750976562,
"surprise": 0.001689910888671875,
"joy": 0.0026531219482421875,
"sadness": 0.0008687973022460938,
"disgust": 0.0007233619689941406,
"urgency": 0.0008106231689453125,
"confusion": 0.0004220008850097656,
"emotion": 0.08856201171875
} |
حققت التقدمات الأخيرة في الحد من الأبعاد إدخالات أقل الأبعاد أكثر دقة للبيانات العالية الأبعاد. بالإضافة إلى الأغراض التصورية، يمكن استخدام هذه الإدخالات للمعالجة المتدفقة، بما في ذلك تطبيع تأثير المجموعات، والتكسيم، والاكتشاف المجتمعي أو استنتاج المسار. | {
"fear": 0.0003216266632080078,
"anger": 0.0004017353057861328,
"surprise": 0.0004911422729492188,
"joy": 0.0005202293395996094,
"sadness": 0.0003063678741455078,
"disgust": 0.0004105567932128906,
"urgency": 0.00021970272064208984,
"confusion": 0.0003142356872558594,
"emotion": 0.0012035369873046875
... |
يقدم الموردون السحابيون خدمات التعلم الآلي بشكل متزايد كجزء من منصاتهم ومحافظات خدماتهم. هذه الخدمات تسمح بتنفيذ نماذج التعلم الآلي على السحاب التي يتم تقديمها على أساس الدفع لكل استفسار لمطوري التطبيقات والمستخدمين النهائيين. | {
"fear": 0.0003864765167236328,
"anger": 0.0005331039428710938,
"surprise": 0.0007023811340332031,
"joy": 0.0006656646728515625,
"sadness": 0.0004227161407470703,
"disgust": 0.0005321502685546875,
"urgency": 0.00026607513427734375,
"confusion": 0.0003540515899658203,
"emotion": 0.0019550323486328125
... |
وقد أظهرت المعادلات التفاضلية العصبية العادية (NODE) - تعريف المعادلات التفاضلية باستخدام الشبكات العصبية - وعودًا هائلة في تعلم نماذج أنظمة ديناميكية متواصلة مجهولة من البيانات. ومع ذلك ، فإن كل تقييم إلى الأمام لـ NODE يتطلب دمجًا عدديًا للشبكة العصبية المستخدمة لاستيعاب ديناميكية النظام ، مما يجعل تدريبها مكلفًا للغ... | {
"fear": 0.00031304359436035156,
"anger": 0.0005068778991699219,
"surprise": 0.0005083084106445312,
"joy": 0.0003669261932373047,
"sadness": 0.00034236907958984375,
"disgust": 0.00043964385986328125,
"urgency": 0.00027561187744140625,
"confusion": 0.00042700767517089844,
"emotion": 0.0037498474121093... |
غالبًا ما تتطلب خوارزميات التعلم المعزز تدريبًا طويلًا لتصبح مفيدة ، خاصة في بيئات معقدة ذات مكافآت نادرة. في حين توجد تقنيات مثل تشكيل المكافآت وتعلم المناهج الدراسية لتسريع التدريب ، غالبًا ما تكون محددة للغاية وتتطلب مهارة المطور والخبرة المخصصة في مجال المشكلة. | {
"fear": 0.0005240440368652344,
"anger": 0.0017557144165039062,
"surprise": 0.0016241073608398438,
"joy": 0.0029888153076171875,
"sadness": 0.0010004043579101562,
"disgust": 0.0022411346435546875,
"urgency": 0.00016808509826660156,
"confusion": 0.0021076202392578125,
"emotion": 0.1688232421875
} |
إن عملية تحليل المعرفة هي نهج فعال للاستفادة من شبكة تدربت جيدا أو مجموعة منها، تُسمى المعلم، لتوجيه تدريب شبكة الطلاب. يتم استخدام نتائج شبكة المعلمين كملفات ملموسة للإشراف على تدريب شبكة جديدة. | {
"fear": 0.0006113052368164062,
"anger": 0.0012254714965820312,
"surprise": 0.0010013580322265625,
"joy": 0.0019178390502929688,
"sadness": 0.0006952285766601562,
"disgust": 0.0007915496826171875,
"urgency": 0.0009026527404785156,
"confusion": 0.0007853507995605469,
"emotion": 0.011383056640625
} |
كانت الشبكات العصبية العميقة النموذج السائد في تعلم الآلات لحل المهام المعرفية. ومع ذلك، فإن هذه النماذج مقيدة بسبب ارتفاع التكلفة العشوائية، مما يحد من تطبيقها ويعيق عقبة على التقدم في هذا المجال. | {
"fear": 0.0003371238708496094,
"anger": 0.0005054473876953125,
"surprise": 0.0005822181701660156,
"joy": 0.0002875328063964844,
"sadness": 0.0003840923309326172,
"disgust": 0.0005478858947753906,
"urgency": 0.0002765655517578125,
"confusion": 0.0006117820739746094,
"emotion": 0.0019330978393554688
} |
نحن نقدم خوارزمية بسيطة وفعالة لحساب التنبؤ الأوكليدي لموضوع على simplex المغطاة -- simplex مع حد متساوي إضافي على كل إحداثيات -- جنبا إلى جنب مع دليل أساسي. يمكن تنزيل كل من MATLAB و C ++ تنفيذات خوارزمية المقترحة على <a href="https://eng.ucmerced.edu/people/wwang5" rel="external noopener nofollow" class="link-externa... | {
"fear": 0.0008420944213867188,
"anger": 0.001262664794921875,
"surprise": 0.0013608932495117188,
"joy": 0.0016021728515625,
"sadness": 0.000675201416015625,
"disgust": 0.0015897750854492188,
"urgency": 0.0003998279571533203,
"confusion": 0.0012836456298828125,
"emotion": 0.032989501953125
} |
تتوافق التحويلات السريعة مع عمليات التعامل من شكل $\mathbf{Z} = \mathbf{X}^{(1)} \ldots \mathbf{X}^{(J)}$، حيث يكون كل عامل $ \mathbf{X}^{(\ell)}$ نادرًا وربما مهيئًا. يدرس هذا الورقة الفردية الأساسية لهذه التعاملات، أي الفردية حتى غموضيات الحجم التي لا يمكن تجنبها. | {
"fear": 0.0005617141723632812,
"anger": 0.0010194778442382812,
"surprise": 0.0015010833740234375,
"joy": 0.001750946044921875,
"sadness": 0.00109100341796875,
"disgust": 0.0011701583862304688,
"urgency": 0.0005555152893066406,
"confusion": 0.0010833740234375,
"emotion": 0.0299530029296875
} |
في هذه الورقة، نقوم بتحليل قدرة PAC على التعلم من اللبنانات التي تنتجها الاستعانة بالجماعة. في بيئتنا، يتم استيراد الأمثلة غير الملصقة من توزيع وتستعانة اللبنانات من العمال الذين يعملون تحت ضجيج التصنيف، كل منهم مع parameter ضجيج خاص به. | {
"fear": 0.0005059242248535156,
"anger": 0.0008192062377929688,
"surprise": 0.0013713836669921875,
"joy": 0.006748199462890625,
"sadness": 0.0015192031860351562,
"disgust": 0.0010099411010742188,
"urgency": 0.00039458274841308594,
"confusion": 0.0008845329284667969,
"emotion": 0.0261383056640625
} |
ووفقا لنموذج التأثير المتحرك، يمكن أن يتميز الاستجابة العاطفية بمستوى من المتعة (القدر) والكثافة (الإثارة). حيث أنها تعكس نشاط الجهاز العصبي الذاتي (ANS) ، يمكن أن تسجل المصفوفات المرتدية الحديثة غير الغازية وخلال حياتنا اليومية نقاط نهاية حائطية لهذا الاستجابة. | {
"fear": 0.0015401840209960938,
"anger": 0.005115509033203125,
"surprise": 0.0113983154296875,
"joy": 0.032257080078125,
"sadness": 0.0025272369384765625,
"disgust": 0.0264892578125,
"urgency": 0.0005412101745605469,
"confusion": 0.002239227294921875,
"emotion": 0.478515625
} |
تمكن التعلم المشترك للجانب (FEL) ، وهو نموذج متوزع للدراسة الآلية الموزعة (ML) الناشئة ، من تدريب النموذج في بيئة موزعة مع ضمان خصوصية المستخدمين باستخدام الانفصال المادي لكل بيانات المستخدم. ومع ذلك ، مع تطوير سيناريوهات تطبيق معقدة مثل إنترنت الأشياء (IoT) والأرض الذكية ، لم تعد مخططات تخصيص الموارد التقليدية قادرة ع... | {
"fear": 0.0004973411560058594,
"anger": 0.0015869140625,
"surprise": 0.0016717910766601562,
"joy": 0.031951904296875,
"sadness": 0.0009503364562988281,
"disgust": 0.0012197494506835938,
"urgency": 0.00033664703369140625,
"confusion": 0.0006794929504394531,
"emotion": 0.048248291015625
} |
يتيح التعلم المشترك (FL) لمجموعة من العملاء المشاركين التعلم بشكل متعاون لنموذج عالمي عن طريق التنسيق من قبل خادم مركزي ودون الحاجة إلى تبادل البيانات. تعاني نهج FL الموجودة التي تعتمد على خوارزميات معقدة ذات نماذج ضخمة ، مثل الشبكات العصبية العميقة (DNNs) ، من عوار الحوسبة والاتصالات. | {
"fear": 0.00043463706970214844,
"anger": 0.0006666183471679688,
"surprise": 0.0006403923034667969,
"joy": 0.0005245208740234375,
"sadness": 0.0005450248718261719,
"disgust": 0.0005331039428710938,
"urgency": 0.0006070137023925781,
"confusion": 0.0008182525634765625,
"emotion": 0.00817108154296875
} |
تعتبر فرض القيمة المفقودة في التعلم الآلي مهمة تقدير القيم المفقودة في مجموعة البيانات بدقة باستخدام المعلومات المتاحة. في هذه المهمة، تم اقتراح العديد من طرق النمذجة التوليدية العميقة وإثبات فائدتها، على سبيل المثال، شبكات فرض العداوة التوليدية. | {
"fear": 0.00048279762268066406,
"anger": 0.000652313232421875,
"surprise": 0.0010461807250976562,
"joy": 0.001392364501953125,
"sadness": 0.0004608631134033203,
"disgust": 0.0007987022399902344,
"urgency": 0.0006170272827148438,
"confusion": 0.0004591941833496094,
"emotion": 0.0025348663330078125
} |
تقدم هذه الورقة إطارًا لتقدير بايزي للنموذجات وينير ، مع التركيز على تعلم وظائف الخروج غير الخطية تحت ديناميكيات الحالة الخطية المعروفة. نستخرج من مقياس محليًا مطلوبًا في شكل مغلق للمعلمات غير المعروفة ، والتي يتميز بها ما يسمى "إحصاءات القاعدة الديناميكية" (DBS). | {
"fear": 0.004695892333984375,
"anger": 0.01137542724609375,
"surprise": 0.01160430908203125,
"joy": 0.03033447265625,
"sadness": 0.006725311279296875,
"disgust": 0.005138397216796875,
"urgency": 0.0097198486328125,
"confusion": 0.001064300537109375,
"emotion": 0.9462890625
} |
الهدف من هذا التقرير الفني هو مزدوج. أولاً، فإنه يقدم مجموعة من مهام التحكم المستمرة الصعبة (متكاملة مع OpenAI Gym) على أساس أجهزة الروبوتات الحالية. | {
"fear": 0.0007548332214355469,
"anger": 0.0020751953125,
"surprise": 0.0012025833129882812,
"joy": 0.036163330078125,
"sadness": 0.0009784698486328125,
"disgust": 0.0015764236450195312,
"urgency": 0.0003802776336669922,
"confusion": 0.0013751983642578125,
"emotion": 0.0207672119140625
} |
أصبحت خدمات توصيل الطعام على الطلب شائعة جدا في جميع أنحاء العالم. على سبيل المثال ، على منصة "http://Ele.me" rel="external noopener nofollow" class="link-external link-http">هذه عنوان URL</a> ، يقوم المستخدمون بتقديم أكثر من 15 مليون طلب غذائي كل يوم. | {
"fear": 0.0008497238159179688,
"anger": 0.0017833709716796875,
"surprise": 0.0027065277099609375,
"joy": 0.0072021484375,
"sadness": 0.0010766983032226562,
"disgust": 0.00397491455078125,
"urgency": 0.0004029273986816406,
"confusion": 0.0007505416870117188,
"emotion": 0.140380859375
} |
تستخدم نماذج التعلم العميق (DL) على نطاق واسع في تعلم الآلة بسبب أدائها وقدرتها على التعامل مع مجموعات بيانات كبيرة مع إنتاج قياسات عالية الدقة والأداء. حجم هذه مجموعات البيانات وتعقيد نماذج DL يجعل هذه النماذج معقدة ، وتستهلك كمية كبيرة من الموارد والوقت للتدريب. | {
"fear": 0.00034880638122558594,
"anger": 0.0006690025329589844,
"surprise": 0.00034356117248535156,
"joy": 0.0008072853088378906,
"sadness": 0.00029587745666503906,
"disgust": 0.0005273818969726562,
"urgency": 0.0013818740844726562,
"confusion": 0.0003497600555419922,
"emotion": 0.001199722290039062... |
يمكن أيضًا تحويل سلسلة الزمن ، التي يتم تمثيلها عادةً بأسلوب تسلسل عددي ، إلى صور ونصوص ، مما يوفر مشاهدات متعددة الطرق (MMVs) لنفس الإشارة الأساسية. يمكن لهذه MMVs الكشف عن أنماط متكاملة وتمكين استخدام نماذج كبيرة قوية تم تدريبها مسبقاً ، مثل نماذج الرؤية الكبيرة (LVMs) ، للتنبؤ بالسلسلة الزمنية طويلة الأجل (LTSF). | {
"fear": 0.0003941059112548828,
"anger": 0.0004940032958984375,
"surprise": 0.0005984306335449219,
"joy": 0.0006237030029296875,
"sadness": 0.0004286766052246094,
"disgust": 0.0005545616149902344,
"urgency": 0.0003311634063720703,
"confusion": 0.00037980079650878906,
"emotion": 0.000782012939453125
} |
فهم كيفية تمثيل نماذج التعلم العميق للبيانات يصعب حاليًا بسبب عدد محدود من المنهجيات المتاحة. يظهر هذا الورقة أداة مرئية وابتكارية متعددة الأطراف لتحديد تحديد محور تحديد البيانات المدمجة في أي طبقة في أي نموذج للتعلم العميق. | {
"fear": 0.000576019287109375,
"anger": 0.001148223876953125,
"surprise": 0.0010843276977539062,
"joy": 0.0010480880737304688,
"sadness": 0.0008230209350585938,
"disgust": 0.0009264945983886719,
"urgency": 0.0009188652038574219,
"confusion": 0.00128936767578125,
"emotion": 0.0122528076171875
} |
تعلّم تمثيلات غير متغيرة هو مشكلة مهمة في التعلم الآلي وتعرف النمط. في هذه الورقة، نقدم إطارًا جديدًا لتعلم الميزات المتغيرة من خلال دمج التحولات الخطية في خوارزميات تعلم الميزات. | {
"fear": 0.0013647079467773438,
"anger": 0.0005879402160644531,
"surprise": 0.0018253326416015625,
"joy": 0.0013151168823242188,
"sadness": 0.0005588531494140625,
"disgust": 0.0017423629760742188,
"urgency": 0.0006899833679199219,
"confusion": 0.0005812644958496094,
"emotion": 0.0017566680908203125
} |
نحن نقدم BadGD، وهي إطار نظري موحد يُعرض نقاط ضعف خوارزميات هبوط التراجع من خلال هجمات خلفية استراتيجية. | {
"fear": 0.0015001296997070312,
"anger": 0.0116729736328125,
"surprise": 0.005107879638671875,
"joy": 0.23828125,
"sadness": 0.002101898193359375,
"disgust": 0.005054473876953125,
"urgency": 0.0008869171142578125,
"confusion": 0.0005645751953125,
"emotion": 0.76416015625
} |
في النمذجة الإحصائية أكبر تهديد هو التحرك المفهومي الذي يجعل النموذج يظهر تدريجيا تدهور الأداء مع مرور الوقت. هناك أحدث منهجيات للكشف عن تأثير التحرك المفهومي، ومع ذلك، فإن الاستراتيجية العامة التي تعتبر للتغلب على هذه المسألة في الأداء هي إعادة بناء النموذج أو إعادة تصفيحه بشكل دوري لأن الأنماط المتغيرة للنموذج تتغير ... | {
"fear": 0.0008039474487304688,
"anger": 0.0008635520935058594,
"surprise": 0.0011157989501953125,
"joy": 0.0010242462158203125,
"sadness": 0.0005545616149902344,
"disgust": 0.0015573501586914062,
"urgency": 0.001010894775390625,
"confusion": 0.0018815994262695312,
"emotion": 0.004978179931640625
} |
أظهرت شبكات العصبية الرسمية (GNNs) قدرة كبيرة في نمذجة البيانات المهيكلة الرسمية للمناطق المختلفة. ومع ذلك، تعرف GNNs باسم نماذج صندوق أسود التي لا تملك تفسير. | {
"fear": 0.00009459257125854492,
"anger": 0.00008851289749145508,
"surprise": 0.0001049041748046875,
"joy": 0.00009834766387939453,
"sadness": 0.00009590387344360352,
"disgust": 0.00009423494338989258,
"urgency": 0.00008511543273925781,
"confusion": 0.0001239776611328125,
"emotion": 0.000095903873443... |
التعلم الجماعي هو طريقة منتشرة جدا في التعلم الآلي. النجاح النسبي لأساليب الجماعة يعزى إلى قدرتها على معالجة مجموعة واسعة من الحالات والمشاكل المعقدة التي تتطلب نهجات مختلفة منخفضة المستوى. | {
"fear": 0.0004093647003173828,
"anger": 0.0011224746704101562,
"surprise": 0.000579833984375,
"joy": 0.0004963874816894531,
"sadness": 0.0008573532104492188,
"disgust": 0.0005478858947753906,
"urgency": 0.00036787986755371094,
"confusion": 0.003894805908203125,
"emotion": 0.0024566650390625
} |
هذه الورقة تحقق في قدرات التفكير المنطقي لنماذج اللغة الكبيرة (LLM). من أجل صيغة محددة بدقة ومعقولة، نختار المهمة المفاهيمية بسيطة ولكن معقدة تقنيا لبناء الدليلات في منطق بول. | {
"fear": 0.0007605552673339844,
"anger": 0.0028076171875,
"surprise": 0.0011806488037109375,
"joy": 0.006839752197265625,
"sadness": 0.00255584716796875,
"disgust": 0.0017719268798828125,
"urgency": 0.00067138671875,
"confusion": 0.00122833251953125,
"emotion": 0.025054931640625
} |
نحن ندرس الاستكشاف في القراصنة المتعددة الأسلحة الاستوائية عندما يكون لدينا إمكانية الوصول إلى موارد قابلة للتقسيم يمكن تخصيصها بكميات مختلفة لقطاع الذراع. نركز بشكل خاص على تخصيص موارد الحوسبة الموزعة، حيث قد نحصل على نتائج أسرع من خلال تخصيص المزيد من الموارد لكل قطعة، ولكن قد يكون قد تقلل من الانتقال بسبب التوسع غير... | {
"fear": 0.0003039836883544922,
"anger": 0.00035381317138671875,
"surprise": 0.0004982948303222656,
"joy": 0.0006532669067382812,
"sadness": 0.00032401084899902344,
"disgust": 0.00033783912658691406,
"urgency": 0.0006041526794433594,
"confusion": 0.000377655029296875,
"emotion": 0.0006632804870605469... |
أثار التحسينات الأخيرة في نماذج التعلم العميق وتطبيقاتها العملية مخاوف بشأن قوة هذه النماذج ضد الأمثلة المتضاربة. تم إثبات فعالية تدريب المتضاربة (AT) للوصول إلى نموذج قوي ضد الهجوم الذي يتم استخدامه أثناء التدريب. | {
"fear": 0.0017986297607421875,
"anger": 0.00018537044525146484,
"surprise": 0.00022149085998535156,
"joy": 0.00017881393432617188,
"sadness": 0.00018167495727539062,
"disgust": 0.00021505355834960938,
"urgency": 0.00010508298873901367,
"confusion": 0.00020170211791992188,
"emotion": 0.00029921531677... |
نحن نعطي خوارزمية تحديدية جديدة لا تتكيف مع تعلم المخططات الخفية من استفسارات الكشف عن الحافة. جميع خوارزميات غير التكيف السابقة إما تعمل في الوقت المتعرض أو لديها تعقيد استفسار غير مثالي. | {
"fear": 0.0006041526794433594,
"anger": 0.0009446144104003906,
"surprise": 0.0008997917175292969,
"joy": 0.0014257431030273438,
"sadness": 0.0006594657897949219,
"disgust": 0.001667022705078125,
"urgency": 0.0005664825439453125,
"confusion": 0.0007853507995605469,
"emotion": 0.00156402587890625
} |
تم تقديم مفهوم التباين لمجموعة بولي و بناءً على ذلك تم تطوير مبدأ التنشر الخلفي للمنطق بولي. باستخدام هذا المفهوم ، يمكن بناء نماذج عميقة مع الأوزان والتنشيطات التي هي أرقام بولي وتعمل مع المنطق بولي بدلاً من الرياضيات الحقيقية. | {
"fear": 0.00039577484130859375,
"anger": 0.0005469322204589844,
"surprise": 0.0009250640869140625,
"joy": 0.0007319450378417969,
"sadness": 0.0005168914794921875,
"disgust": 0.0006432533264160156,
"urgency": 0.00029754638671875,
"confusion": 0.00039505958557128906,
"emotion": 0.0009379386901855469
} |
البيانات المستمرة في الفضاء والزمان لمؤشر الثلج المتفاوت المعتاد (NDSI) هي مفتاح لفهم آليات حدوث الثلج وتطويره وكذلك أنماط تغيرات توزيع الثلج. ومع ذلك، فإن وجود السحب، والتي تنتشر بشكل خاص في المناطق القطبية مثل ورقة الثلج في جرينلاند (GrIS) ، يقدم عددًا كبيرًا من البكسلات المفقودة في بيانات MODIS NDSI اليومية. | {
"fear": 0.0011320114135742188,
"anger": 0.005199432373046875,
"surprise": 0.0022068023681640625,
"joy": 0.002132415771484375,
"sadness": 0.0016918182373046875,
"disgust": 0.004688262939453125,
"urgency": 0.0006337165832519531,
"confusion": 0.0005960464477539062,
"emotion": 0.127685546875
} |
تمتد أجهزة الكمبيوتر العصبية المختلفة الشبكات العصبية الاصطناعية مع ذاكرة صريحة دون تدخل، مما يسمح للنموذج بإجراء مهام الحساب الكلاسيكية مثل عبور الرسوم البيانية. ومع ذلك، فإن مثل هذه النماذج صعبة التدريب، حيث تتطلب أوقات تدريب طويلة ومجموعات بيانات كبيرة. | {
"fear": 0.0002872943878173828,
"anger": 0.00041866302490234375,
"surprise": 0.0004019737243652344,
"joy": 0.00039839744567871094,
"sadness": 0.00031113624572753906,
"disgust": 0.000362396240234375,
"urgency": 0.00033664703369140625,
"confusion": 0.0005192756652832031,
"emotion": 0.003774642944335937... |
يطلق مطوري الذكاء الاصطناعي نماذج لغة كبيرة (LLM) تحت مجموعة متنوعة من الترخيصات المختلفة. العديد من هذه الترخيصات تقيد الطرق التي يمكن استخدامها أو نتائجها. | {
"fear": 0.0003981590270996094,
"anger": 0.00038814544677734375,
"surprise": 0.00041222572326660156,
"joy": 0.0003032684326171875,
"sadness": 0.0004582405090332031,
"disgust": 0.0005407333374023438,
"urgency": 0.00027251243591308594,
"confusion": 0.00047278404235839844,
"emotion": 0.00059413909912109... |
الأهداف: تطوير إطار للتعلم العميق لتقييم ما إذا وكيفية دمج ميزات الحركة على المستوى الدقيق، جنبا إلى جنب مع الجريمة التاريخية والبيانات السوشيوديموغرافية، تعزز الأداء التنبؤي في توقعات الجريمة في قرارات فضائية وقصرية دقيقة. <br>الطرق: نحن نقدم الأدب حول الأساليب الحاسوبية وتوقعات الجريمة من خلال التركيز على أربعة مدن أ... | {
"fear": 0.0004887580871582031,
"anger": 0.0005030632019042969,
"surprise": 0.00063323974609375,
"joy": 0.0008921623229980469,
"sadness": 0.00039958953857421875,
"disgust": 0.0005779266357421875,
"urgency": 0.0003304481506347656,
"confusion": 0.0004868507385253906,
"emotion": 0.00518035888671875
} |
End of preview. Expand in Data Studio
No dataset card yet
- Downloads last month
- 7