Optimizing deep learning predictive models: A comprehensive review of RNN and its variant architectures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate prediction of an engineering system behaviour is essential for ensuring a stable and secure long-term operation. It enables proactive problem solving, prevents disruption, enhances safety, and facilitates the seamless integration of new technologies such as digital twins. Consequently, several approaches have been employed to enhance system behaviour prediction by utilizing conventional machine learning models. Moreover, the advent of deep neural networks has proven to be more effective in several scenarios as they offer enhanced prediction accuracy and capacity in handling complex and high-dimensional data. Despite their advantages, deep neural networks encounter challenges in determining the optimal configuration for model structures. Therefore, various optimization techniques such as hyperparameter optimization, activation functions, framework search algorithms, algorithm optimizers, and hybrid frameworks have been proposed to mitigate these challenges. Hence, this study emphasizes recurrent neural networks and their variants, as one of the most popularly utilized frameworks for predictive algorithms. Also, several strategies and techniques for improving the performance of these predictive frameworks have been holistically discussed. By analyzing the state-of-the-art optimization approaches, it serves as a valuable resource for researchers, providing a comprehensive understanding of the approaches that can be employed to optimize prediction accuracy for specific applications and tasks. • Prognostics and health management frameworks predict remaining useful life in systems. • LSTM and GRU variants address RNN limitations like vanishing and exploding gradients. • BiLSTM leverages both forward and backward data flows, enhancing time-series prediction. • Transformer models use self-attention to efficiently capture long-term dependencies. • Hyperparameter tuning, activation functions, and optimization techniques are crucial for model accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle