Dance Hit Song Prediction
원문 초록
Record companies invest billions of dollars in new talent around the globe each year. Gaining insight into what actually makes a hit song would provide tremendous benefits for the music industry. In this research we tackle this question by focussing on the dance hit song classification problem. A database of dance hit songs from 1985 until 2013 is built, including basic musical features, as well as more advanced features that capture a temporal aspect. A number of different classifiers are used to build and test dance hit prediction models. The resulting best model has a good performance when predicting whether a song is a "top 10" dance hit versus a lower listed position.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
상대 방전 단계(RDS) 분류: 배터리 방전 진행 상황의 실용적 지표
Relative Discharge Stage (RDS) Classification: A Practical Indicator of Battery Discharge Progress
실제 배터리 응용 환경에서는 미래의 부하 프로파일을 알 수 없고 매우 동적이기 때문에, 정확한 잔여 방전 시간(RDT) 예측은 어려운 과제이다. 연속적인 RDT 회귀의 불확실성을 해결하기 위해, 본 논문은 잔여 방전 상태를 Normal, Good, Moderate, Low, Recharge Required의 다섯 가지 해석 가능한 클래스로 나타내는 배터리 관리 지표인 상대 방전 단계(Relative Discharge Stage, RDS)를 제안한다. 현재의 충전 수준을 반영하는 충전 상태(SOC)와 달리, RDS는 추론 시 미래 전류 정보 없이도 남은 방전 과정을 특성화한다. 이를 위해 SOC 추정과 경량 시간적 학습을 결합한 물리 기반(physics-informed) RDS 분류 프레임워크를 제안한다. SOC 추정 구성요소는 2차 ECM 상태 및 단자 전압 예측, 히스테리시스 및 OCV 온도 보정, 코어 온도 추정, AEKF 상태 보정을 포함하며, OCV 평가, 온라인 STC-ECM 매개변수 적응, 사전학습된 신경망 잔차 전압 보정이 이를 뒷받침한다. 측정된 전류, 단자 전압, 표면 온도, 그리고 추정된 SOC는 슬라이딩 관측 윈도우로 구성되어 경량 시간적 합성곱 신경망(temporal convolutional network)으로 처리된다. 두 개의 공개 리튬이온 배터리 데이터셋에 대한 실험을 통해, 다양한 부하 및 열 조건에서 80%를 초과하는 정확도로 견고한 RDS 분류 성능을 확인하였다.
위치 바이어스는 천장 효과 뒤에 숨겨져 있다: LLM 벤치마크를 위한 순열 진단
Position Bias is Hidden Behind Ceiling Effects: A Permutation Diagnostic for LLM Benchmarks
다지선다형 LLM 평가에서의 위치 바이어스(position bias)는 능력 비교의 교란 요인으로 널리 인용되지만, 기존에 발표된 측정은 단일 답변 순서 셔플에 의존하며, 그 결과는 바이어스 신호를 내용 수준의 노이즈와 샘플링 확률성과 혼동한다. 저는 inspect_ai 평가 프레임워크의 오픈소스 확장인 inspect_permute를 소개한다. 이 도구는 문항별로 모든 답변 순서 순열을 실행하고, 부트스트랩 신뢰구간과 함께 위치 바이어스의 카이제곱(chi-squared)/크래머 V(Cramer V) 특성을 보고한다. 저는 temperature-0 생성 설정 하에 24,000회의 API 호출로, 네 개 벤더(gpt-4o-mini, claude-haiku-4-5, gemini-2.5-flash, grok-3)와 다섯 MMLU 과목에 이 도구를 적용했다. 데이터의 절반을 관측하기 전에 공개 SHA-256 해시를 통해 반증 예측을 사전 등록했다. 위치 바이어스는 대략 60–95% 기본 정확도의 골디락스 존(Goldilocks zone) 내에서만 통계적으로 탐지 가능한 것으로 나타났다. 그보다 낮으면 처리 부하(processing load) 우세가 과목별 신호를 압도하고, 그보다 높으면 천장 효과가 분산을 카이제곱 검정 해상도 이하로 압축한다. 탐지 가능한 셀은 두 가지 메커니즘 유형으로 구분된다: 단조 A→D 감소(processing_load, 저급 모델)와 비단조 D-하락(content_ambiguity, 좁은 능력 대역). 표준 MMLU는 모든 프론티어급 모델을 탐지 대역 위에 배치하므로, 그곳에서 신호가 없는 것은 편향 없음이 아니라 측정 불가로 해석해야 한다. arXiv:2606.26185의 천장 효과 특성화와 함께, 본 연구는 위치 바이어스 측정의 탐지 가능 영역을 규명하고 분야의 핵심 질문을 검증 가능한 형태로 제기할 수 있게 한다. 패키지, 데이터, 사전 등록은 MIT 라이선스 하에 제공된다.
Facial Beauty Analysis Using Distribution Prediction and CNN Ensembles
Open-World Social Event Classification
EasySpider: A No-Code Visual System for Crawling the Web
미관측 교란 변수에 강건한 위험 점수 학습
Learning Risk Scores Robust to Unobserved Confounders
미관측 교란의 영향을 받는 역사적 관찰 데이터로부터, 희소 자원이나 개입 대상 개인의 우선순위를 정하기 위한 위험 점수를 학습하는 문제를 다룬다. 누가 희소 자원을 받을지에 대한 결정은 설문 응답과 같이 기록된 특성에 기반한 위험 점수에 의해 종종 안내된다. 이러한 위험 점수는 개인의 특성, 배분 결정, 결과에 대한 역사적 기록인 관찰 데이터로부터 직접 학습되는 경우가 점점 늘고 있다. 역사적 배분 정책이 도입한 바이어스를 보정하는 역 성향 가중치(inverse propensity weighting, IPW)와 같은 표준 방법은, 역사적 결정 과정이 기록된 특성으로 완전히 설명될 수 있다면 정확한 위험 점수를 학습하는 데 사용될 수 있다. 그러나 실무에서는 역사적 결정이 종종 기록되지 않은 정보에 의존하여, 학습된 위험 점수가 과거 우선순위를 이끌었던 기록되지 않은 상황을 가진 개인들을 정확히 체계적으로 과소 우선순위화하게 만든다. IPW를 기반으로, 이러한 종류의 미관측 교란에 강건한 위험 점수를 학습하는 방법을 제안한다. 미관측 교란 하에서는 성향 가중치를 신뢰할 수 있게 추정할 수 없으므로, 대신 관측 가능한 데이터와 교란 정도에 대한 도메인 정보 기반 추정치로 결정되는 불확실성 집합에 속하는 것으로 취급하며, 인과 추론(causal inference)의 민감도 분석(sensitivity analysis)과 Wasserstein 분포적 강건 최적화(Wasserstein distributionally robust optimization)를 결합한다. 그 결과 강건 위험 점수 학습 문제는 표본 기반 근사를 허용하며, 이를 기성 솔버와 호환되는 지수 원뿔 프로그램(exponential cone program)으로 재공식화한다. UCI Machine Learning Repository의 데이터셋에서 파생된 반합성(semi-synthetic) 데이터에서 접근법의 효과를 입증한다. 제안 방법은 다른 지표를 손상하지 않으면서, 전통적 벤치마크 대비 보정(calibration)을 최대 29.2%까지, 최신(state of the art) 대비 최대 11.1%까지 개선한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.