Nauczanie Maszynowe

Wyobraź sobie, że rejestrujesz czas swojego porannego dojazdu, wykonując 50 pomiarów GPS. Uruchamiasz też symulator ruchu drogowego, generując 5 000 scenariuszy. Chcesz oszacować 95-ty percentyl czasu dojazdu — czas, którego nie przekroczysz w 95% dni. Korzystając tylko z 50 pomiarów, masz szeroki przedział ufności. Symulator może natomiast systematycznie zaniżać czas (nie uwzględnia korków czy zamknięć dróg). QuEst sprytnie łączy oba źródła: Oblicza 95-ty percentyl na danych rzeczywistych i na symulacjach. Odejmuje wynik symulatora obliczony na tych samych 50 symulacjach, znosząc przesunięcie. Miesza dwie estymaty wagą $\lambda$, dobraną tak, by zminimalizować wariancję. Daje to nieobciążony, precyzyjny wynik i węższy przedział ufności niż przy użyciu tylko jednego źródła. ...

Czy można przewidzieć, kiedy i gdzie ludzie wypożyczą elektryczną hulajnogę? Okazuje się, że tak – i to z bardzo dużą dokładnością. W nowej publikacji badacze pokazują, jak użycie zaawansowanych algorytmów, takich jak XGBoost, może zrewolucjonizować zarządzanie mikromobilnością w miastach. 🌍 Tło: Mikromobilność i problem popytu W wielu miastach świata bezdokowe hulajnogi elektryczne stały się codziennym środkiem transportu. Jednak dla operatorów pozostaje kluczowe pytanie: Gdzie i kiedy ludzie będą chcieli skorzystać z hulajnogi? ...

Podczas trenowania sieci neuronowych często zdarza się, że model „utknie” – nie w złym miejscu, ale na płaskim obszarze krajobrazu strat. Autorzy artykułu proponują dodanie ghost nodes – fałszywych wyjść klasyfikatora, które nie są prawdziwymi klasami, ale pozwalają modelowi szybciej znaleźć drogę do lepszego minimum. Wyobraź sobie piłkę toczącą się po dolinie – jeśli dolina jest płaska, piłka zwalnia. Ghost nodes to jak dodanie nowego wymiaru terenu – piłka może się poruszać w więcej stron. ...

Modelowanie epidemii to kluczowe narzędzie ochrony zdrowia — ale potrzebuje wrażliwych danych (np. hospitalizacje, finanse, mobilność). Nowa praca „A Framework for Multi‑source Privacy Preserving Epidemic Analysis” (27 czerwca 2025) przedstawia hybrydowy model neuronowo‑mechanistyczny ze Różnicową Prywatnością (DP). Oznacza to: można używać prywatnych danych bez ryzyka naruszenia prywatności. 🌍 Dlaczego to ważne 🚑 Dokładne prognozy pomagają w alokacji zasobów (szczepionki, łóżka szpitalne). 🕵️‍♂️ Użycie danych prywatnych niesie ryzyko prywatności. 🔐 Differential Privacy (DP) wprowadza kontrolowany szum – chroniąc osoby na poziomie matematycznym. 🧠 Co to za framework? Neuron + Model mechanistyczny Model to hybryda: ...