.png){kind=icon}
返回
Error distribution smoothing for low-dimensional imbalanced regression
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115299.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 引入了复杂度-密度比（CDR）以严格量化基于局部函数复杂度（曲率）相对于数据采样密度的回归不平衡。
• 开发了误差分布平滑（EDS），一种自适应数据修剪技术，通过系统性地移除低复杂度、过度表示区域中的冗余样本，构建代表性数据集。
• 在合成数据、混沌（Lorenz系统）及真实机器人任务上验证了EDS，展示了卓越的鲁棒性，将最大预测误差降低了一个数量级，并显著提升了计算效率。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Leveraging interpolation models and error bounds for verifiable scientific machine learning利用插值模型和误差界限实现可验证的科学机器学习
OAAI
OAAI分享收藏A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究.png)
NEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Multi-spectral attention and graph smoothness enhancement for generalized node classification多光谱注意力与图平滑性增强在广义节点分类中的应用Neural Networks
Neural NetworksIF6.3
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Discovering governing equations from data by sparse identification of nonlinear dynamical systems通过非线性动力系统的稀疏识别从数据中发现控制方程OAAI
OAAI分享收藏分享收藏
查看更多内容