不确定情况下逗留时间储存分配
本文提出了一种新的深度神经网络模型——Impatient Deep Neural Networks,因应动态时间预算且同时支持随时停顿多阶段推断,此方法可实现自适应计算及能源需求,提高实时应用性能,其重要特征为联合学习动态预算预测器。实验结果表明,与常见基线相比,我们的方法在预测精度等方面有较大提升。
Oct, 2016
利用深度学习方法构建自适应系统,通过大量训练数据、自动特征选择和快速准确的标记,选择最佳的启发式算法以生成高质量的装箱方案,从而克服了传统人工智能机器学习方法的限制。
Feb, 2017
本文综述了Deep Neural Networks的并行处理问题,探讨了并行化分布式架构,并详细介绍了并发类型、异步随机优化、通信方案、神经架构搜索等不同方向的研究方法,最终提出了深度学习并行处理的潜在方向。
Feb, 2018
使用Lidar网格融合和循环神经网络,我们针对自动驾驶中的复杂市区场景进行长期预测,并通过RNN训练将场景数据转化为序列,以预测未来的占用率,其中包括卷积长短时记忆(ConvLSTMs)来区分静态和动态区域,预测未来帧中的动态对象,并提供了一种新的经过递归跳跃连接的方法,可以预测遮挡静态区域或者遮挡的小物品,例如行人。
Sep, 2018
利用单个图像,我们的算法可以自动识别物流运输单元的特征、数量和排列方式,并以大约85%的测试用例正确识别包装结构,特别是最常见的包装类型,其基础是深度学习模型、卷积神经网络和计算机视觉方法。
Aug, 2020
使用注意力编码解码结构和一种新颖的插入启发式算法,我们以构造迭代深度学习算法解决带时间窗口的车辆路径问题,并比最佳已知学习解决方案更好地解决了该问题。
Dec, 2022
本文提出一种新的精确剪枝技术,利用有效的最优传输方案,使得算法自动调整探索-开发行为,从而在3个不同的数据集、5个不同的模型、各种剪枝比例和两种稀疏度预算和剪枝颗粒度等方面均取得了先进的性能。
Jul, 2023
这项研究探索了贝叶斯神经网络的概念,并提出了一种新颖的架构来显著减少网络的存储空间复杂性。此外,我们介绍了一种能够高效处理不确定性的算法,确保强健的收敛值而不会陷入局部极小值的问题,特别是在目标函数缺乏完美凸性的情况下。
Mar, 2024
本研究解决了现代仓库管理中的动态订单拣选问题,传统方法在面对订单流动性时存在不足。通过采用深度强化学习(DRL),我们优化了拣选设备的路径,显著减少了订单处理时间,尤其在高订单到达率情况下。实验结果显示,我们的方法在减少未完成订单和提高效率方面具有显著优势。
Aug, 2024
本研究解决了按需食品配送服务中实时压力信号(RPS)预测不足的问题,以往研究主要关注订单交付时间而忽视了RPS。提出的时空变换器和记忆网络(STTM)结合了时空特征学习和对异常事件的敏感性,显著提高了预测准确性,可以在高峰期和突发恶劣天气情况下有效优化物流系统。
Sep, 2024