本研究使用基于人工神经网络的新方法,对 1.55 微米 InGaAsP MQW-DFB 激光二极管的寿命进行预测,性能优于传统的加速老化测试寿命预测方法。
Mar, 2022
社会关怀应用、用户退出、机器学习算法、联合机器学习方法和数据选择对用户退出预测模型的性能有显著影响。
Sep, 2023
本研究对不同的联邦学习聚合方法进行了性能评估,并将它们与中心化和本地化训练方法进行了比较。研究结果表明,FL 的性能高度依赖于数据及其在客户端的分布。在某些场景下,FL 可以是传统中心化或本地化训练方法的有效替代方案。此外,我们介绍了一个来自实际质量检验环境的新联邦学习数据集。
Apr, 2023
我们展示了一种多保真度(MF)机器学习集成框架,用于逆向设计光子表面,该框架基于一个由我们使用高通量飞秒激光加工制备的 11,759 个样本的数据集进行训练。MF 集成组合了一个初始低保真度模型以生成设计解决方案,并与一个通过局部优化对这些解决方案进行改进的高保真度模型。组合的 MF 集成可以生成多个不同的激光加工参数集,每个参数集都可以以高精度(均方根误差 < 2%)产生相同的目标输入光谱发射率。SHapley Additive exPlanations 分析显示出复杂的激光参数与光谱发射率之间透明的模型可解释性关系。最后,MF 集成通过制备和评估由其生成的用于改进效率的能量收集装置的光子表面设计进行了实验验证。我们的方法为推进在能量收集应用中的光子表面逆向设计提供了强大的工具。
Jun, 2024
本文提出了一种用于学生建模的多层个性化联邦学习 (Multi-Layer Personalized Federated Learning, MLPFL) 方法,旨在优化不同层次学生群组标准的推断准确性。该方法通过分布式训练以元梯度更新推导出团体内个人化模型,并结合多种学生行为模态,实现了个性化建模以提高跨不同学生子群组的预测准确性和稳定性。在三个真实的在线课程数据集上的实验表明,该方法在各种学生子群组中均能取得显著的预测质量改进,并为不同的学生子群组分别提取出特征聚类成果。
Dec, 2022
本文旨在预测沙特阿拉伯 Jodel 匿名定位社交网络内用户的生命周期,并通过机器学习技术中的随机森林模型建立二元分类实现良好的预测效果。
Mar, 2021
本文使用 LiDAR 数据对 mmWave 波束预测任务进行了大规模实际评估,提出了一种使用 LiDAR 数据辅助波束预测和跟踪的机器学习模型,实验结果表明,这个模型在车路基建通信场景中可以在 95% 的情况下预测出最佳波束,并且波束校准开销降低了 90% 以上。这提供了一种有前途的解决 mmWave 和太赫兹通信系统中关键波束对准挑战的方法。
通过联邦学习对模型训练和推理进行联合优化,以最大化客户端的推理性能。
Dec, 2023
本文提出一种优化预测能力以针对不同种族和性别等人群的学生表现的方法,通过联邦学习建立个性化学生模型,结合自我监督预训练和神经网络注意力机制,实现针对不同学生子群体的个性化模型派生,有效改善学生建模结果的预测能力。
Aug, 2022
本文提出了一种 FL-based 健康预测模型和一种特征相似度匹配的参数聚合算法,以从异构数据中区分性地学习,利用循环衰减数据和涡轮鼓风机的非循环数据,为状态健康估计和剩余寿命估计带来高达 44.5%和 39.3%的精度提高。
May, 2023