10:03官方账号arXiv cs.LG@Hanna Drimalla, Wieland R. Cremer, Christine Kraus, Oliver T. Wolf本研究从50名参与者的语音数据中,利用说话人分离和机器学习模型,实现了对Trier Social Stress Test情境下压力状态的自动检测,性能显著高于均值基线。同时,部分生理和情感压力反应可从声学韵律特征中预测,特征重要性分析识别出最关键的预测因子。结论表明语音可作为压力反应的多维度无侵入式指标。论文Trier Social Stress Test压力检测语音分析机器学习特征重要性推荐理由:这篇论文用50人的实验数据,结合说话人分离和机器学习,证明了语音能有效检测压力,还找出了关键声学特征,挺有意思的研究。原文
11:12官方账号arXiv cs.LG@Claire M. He, Genevera I. AllenCluster LOCO 是一种模型无关的聚类特征重要性打分方法,基于特征遮挡和聚类泛化性。它通过衡量移除某个特征后聚类标签在留出样本上的预测准确度下降来量化特征重要性。研究提出了基于数据划分的Cluster LOCO-Split和面向大规模数据的Cluster LOCO-MP(minipatch集成版)。在合成数据和单细胞转录组学的细胞类型发现任务中,Cluster LOCO比现有方法更可靠地恢复有信息量的特征。论文Cluster LOCO特征重要性聚类解释可解释性单细胞转录组学推荐理由:能解释聚类结果依赖哪些特征原文