Khám phá sức mạnh của sự chú ý trong việc dự đoán chi phí vận chuyển: Tài liệu tham khảo

Bảng liên kết

• Tóm tắt và giới thiệu
• Tác phẩm liên quan
• Phương pháp luận
• Cuộc thí nghiệm
• Kết luận và công việc tương lai
• Người giới thiệu

Người giới thiệu

Alexander Amini, Wilko Schwarting, Ava Soleimany và Daniela Rus. Hồi quy bằng chứng sâu sắc. CoRR, abs/1910.02600, 2019. URL http://arxiv.org/abs/1910.02600.

Sercan O Arik, Engin Gedik, Kenan Guney và Umut Atilla. Tabnet: Học tập theo bảng có thể hiểu được một cách chu đáo. Trong Những tiến bộ trong hệ thống xử lý thông tin thần kinh, trang 10951–10961, 2019.

Giám mục Christopher M. Nhận dạng mẫu và học máy. Trong Springer, chương 2, trang 36–43. 2006.

Leo Breiman. Rừng ngẫu nhiên Học máy, 45(1):5–32, 2001.

Jintai Chen, Kuanlun Liao, Yao Wan, Danny Z Chen và Jian Wu. Danet: Mạng trừu tượng sâu để phân loại và hồi quy dữ liệu dạng bảng. Trong Kỷ yếu của Hội nghị AAAI về Trí tuệ nhân tạo, tập 36, trang 3930–3938, 2022.

Tianqi Chen và Carlos Guestrin. Xgboost: Một hệ thống tăng cường cây có thể mở rộng. Kỷ yếu Hội nghị Quốc tế ACM SIGKDD lần thứ 22 về Khám phá Tri thức và Khai thác Dữ liệu, trang 785–794, 2016.

Jacob Devlin, Ming-Wei Chang, Kenton Lee và Kristina Toutanova. BERT: đào tạo trước các máy biến áp hai chiều sâu để hiểu ngôn ngữ. Trong Jill Burstein, Christy Doran và Thamar Solorio, các biên tập viên, Kỷ yếu Hội nghị năm 2019 của Chi hội Bắc Mỹ của Hiệp hội Ngôn ngữ học tính toán: Công nghệ ngôn ngữ con người, NAACL-HLT 2019, Minneapolis, MN, Hoa Kỳ, ngày 2-7 tháng 6, 2019, Tập 1 (Bài báo dài và ngắn), trang 4171–4186. Hiệp hội Ngôn ngữ học tính toán, 2019. doi: 10.18653/v1/n19-1423. URL https://doi.org/10.18653/v1/n19-1423.

Alexey Dosovitskiy, Lucas Beyer, Alexander Kolesnikov, Dirk Weissenborn, Xiaohua Zhai, Thomas Unterthiner, Mostafa Dehghani, Matthias Minderer, Georg Heigold, Sylvain Gelly, Jakob Uszkoreit và Neil Houlsby. Một hình ảnh có giá trị 16x16 từ: Máy biến áp để nhận dạng hình ảnh ở quy mô lớn. ICLR, 2021.

Nick Erickson, Jonas Mueller, Alexander Shirkov, Hang Zhang, Pedro Larroy, Mu Li và Alexander Smola. Autogluon-tabular: Autogluon mạnh mẽ và chính xác cho dữ liệu có cấu trúc, năm 2020.

William Falcon và nhóm PyTorch Lightning. PyTorch Lightning, ngày 3 năm 2019. URL https: //github.com/Lightning-AI/lightning.

Jerome H Friedman. Xấp xỉ hàm tham lam: một máy tăng cường độ dốc. Biên niên sử thống kê, trang 1189–1232, 2001.

Yuan Gong, Yu-An Chung và James Glass. AST: Bộ biến đổi quang phổ âm thanh. Trong Proc. Interspeech 2021, trang 571–575, 2021. doi: 10.21437/Interspeech.2021-698.

Yury Gorishniy, Ivan Rubachev, Valentin Khrulkov và Artem Babenko. Xem lại các mô hình học sâu cho dữ liệu dạng bảng. Những tiến bộ trong hệ thống xử lý thông tin thần kinh, 34:18932–18943, 2021.

Trevor Hastie, Robert Tibshirani và Jerome Friedman. Các yếu tố của học thống kê: khai thác dữ liệu, suy luận và dự đoán. Khoa học & Truyền thông Kinh doanh Springer, 2009.

Hussein Hazimeh, Natalia Ponomareva, Petros Mol, Zhenyu Tan và Rahul Mazumder. Lớp tập hợp cây: Tính khả vi đáp ứng tính toán có điều kiện. Trong Hội nghị quốc tế về học máy, trang 4138–4148. PMLR, 2020.

Xin Huang, Ashish Khetan, Milan Cvitkovic và Zohar Karnin. Tabtransformer: Lập mô hình dữ liệu dạng bảng bằng cách sử dụng các phần nhúng theo ngữ cảnh. bản in trước arXiv arXiv:2012.06678, 2020.

Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye và Tie-Yan Liu. Lightgbm: Cây quyết định tăng cường độ dốc hiệu quả cao. Những tiến bộ trong hệ thống xử lý thông tin thần kinh, 30:3146–3154, 2017.

Diederik P Kingma và Jimmy Ba. Adam: Một phương pháp tối ưu hóa ngẫu nhiên. bản in trước arXiv arXiv:1412.6980, 2014.

Daniele Micci-Barreca. Sơ đồ tiền xử lý cho các thuộc tính phân loại có số lượng cao trong các vấn đề phân loại và dự đoán. SIGKDD Explorer. Newsl., 3(1):27–32, tháng 7 năm 2001. ISSN 1931-0145. doi: 10.1145/507533.507538. URL https://doi.org/10.1145/507533. 507538.

Sergei Popov, Stanislav Morozov và Artem Babenko. Quyết định quên thần kinh tập hợp cho việc học sâu trên dữ liệu dạng bảng. bản in trước arXiv arXiv:1909.06312, 2019.

Liudmila Prokhorenkova, Gleb Gusev, Alexey Vorobev, Anna Dorogush và Andrey Gulin. Catboost: tăng cường không thiên vị với các tính năng phân loại. Những tiến bộ trong hệ thống xử lý thông tin thần kinh, 31:6638–6648, 2018.

Gowthami Somepalli, Micah Goldblum, Avi Schwarzschild, C Bayan Bruss và Tom Goldstein. Saint: Mạng lưới thần kinh được cải tiến cho dữ liệu dạng bảng thông qua sự chú ý theo hàng và đào tạo trước tương phản. bản in trước arXiv arXiv:2106.01342, 2021.

Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Lukasz Kaiser và Illia Polosukhin. Sự chú ý là tất cả những gì bạn cần. Trong Những tiến bộ trong hệ thống xử lý thông tin thần kinh, trang 5998–6008, 2017.