In many high-dimensional prediction or classification tasks, complementary data on the features are available, e.g. prior biological knowledge on (epi)genetic markers. Here we consider tasks with numerical prior information that provide an insight into the importance (weight) and the direction (sign) of the feature effects, e.g. regression coefficients from previous studies. We propose an approach for integrating multiple sources of such prior information into penalised regression. If suitable co-data are available, this improves the predictive performance, as shown by simulation and application. The proposed method is implemented in the R package `transreg' (https://github.com/lcsb-bds/transreg).
translated by 谷歌翻译
近年来，近年来，加强学习与图形神经网络（GNN）架构相结合，可以学会解决硬组合优化问题：给定原始输入数据和评估者指导过程，这个想法是自动学习策略返回可行和高质量的输出。最近的工作表明了有希望的结果，但后者主要在旅行推销员问题（TSP）和类似的抽象变体上进行评估，例如分割输送车辆路由问题（SDVRP）。在本文中，我们分析了如何以及最近的神经架构如何应用于实际重要性的图表问题。因此，我们将这些架构系统上“将这些架构转移到电力和信道分配问题（PCAP），其具有实际相关性，例如无线网络中的无线电资源分配。我们的实验结果表明现有的架构（I）仍然无法捕获图形结构特征，并且（II）不适合图表上的动作更改图形属性的问题。在一个积极的票据上，我们表明，增强了距离编码问题的结构表示是迈向学习多用途自主求解器的仍然雄心勃勃的目标的有希望的一步。
translated by 谷歌翻译
多标签少量拍摄图像分类（ML-FSIC）是基于少量训练示例将描述性标签分配给以前的未经看台图像的任务。多标签设置的关键特征是图像通常具有多个标签，该标签通常是指图像的不同区域。当估计原型的基于度量的设置时，重要的是确定哪些区域与哪个标签相关，但训练数据有限使得这一极具挑战性。作为一个解决方案，在本文中，我们建议使用Word Embeddings作为关于标签含义的先前知识的形式。特别地，使用依赖于标签嵌入的关注机制来聚合支持图像的本地特征映射来获得视觉原型。作为一个重要的优势，我们的模型可以在不需要微调任何模型参数的情况下推断出不必要的标签的原型，这证明了其强大的概括能力。 Coco和Pascal VOC的实验还表明，我们的模型大大提高了当前最先进的。
translated by 谷歌翻译
如今，混合云平台作为打算实施私人和公共云应用组合的组织的有吸引力的解决方案，以满足其盈利能力。但是，这只能通过在加速执行过程时利用可用资源来实现。因此，部署新应用程序需要将其中一些流程致力于私有云解决方案，同时将其他过程分配给公共云。在此上下文中，设置本工作以帮助最小化相关成本，并在最小的执行时间内为最佳服务放置解决方案提供有效的选择。已经应用了几种进化算法来解决服务放置问题，并且在处理复杂的解决方案空间以提供最佳放置并经常产生短的执行时间。除了在处理服务放置问题方面发明细缺乏鲁棒性之外，还发现标准BPSO算法显示出显着的缺点，即容易捕获到本地Optima之外。因此，为了克服与标准BPSO相关的关键缺点，提出了增强的二进制粒子群优化（E-BPSO）算法，由粒子位置更新方程的修改组成，最初从连续PSO激发。我们所提出的E-BPSO算法显示在成本和执行时间方面以实际基准测试优越最先进的方法。
translated by 谷歌翻译