پژوهش
پژوهشگران MambaPFN را برای انتخاب متغیرهای دارای رابطهٔ غیرخطی پیشنهاد کردند
پیش‌چاپی در arXiv روشی مدل‌ناوابسته برای شناسایی متغیرهایی معرفی می‌کند که به‌طور کلی با پاسخ رابطهٔ غیرخطی دارند.
انتخاب متغیرها می‌تواند به تفسیر سامانه‌های پیچیده در حوزه‌هایی مانند زیست‌شناسی، کسب‌وکار و جامعه‌شناسی کمک کند. نویسندگان پیش‌چاپی در arXiv روشی به نام MambaPFN پیشنهاد کرده‌اند؛ نامی کوتاه‌شده از Model-Agnostic Markov BlAnket selection with Prior-data Fitted Networks.
این روش برای انتخاب متغیرها بدون وابستگی به یک مدل مشخص طراحی شده و بر شناسایی متغیرهایی تمرکز دارد که رابطه‌ای عمومی و غیرخطی با متغیر پاسخ دارند. بر اساس چکیده، MambaPFN بر Transformer بنا شده است؛ معماری‌ای که در بسیاری از مدل‌های زبانی بزرگ به کار می‌رود. پژوهشگران مسئلهٔ یادگیری انتخاب متغیر را از دید نگاشت تابعی بررسی می‌کنند و Transformer را نگاشتی یادگرفتنی در نظر می‌گیرند.
اطلاعات ارائه‌شده در چکیده، جزئیات بیشتری دربارهٔ ارزیابی روش یا عملکرد آن در مقایسه با روش‌های دیگر بیان نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده