Dec, 2022

使用收缩深度特征和最大积分熵减少的方法进行高维产量估计

PDF
TL;DR本研究提出了一种名为 ASDK 的技术，它自动识别非线性关联的深度内核中的显著过程变异参数，并作为替代模型来模拟昂贵的 SPICE 模拟，以解决现代大规模电路中不可避免的维度诅咒问题，并进一步提高器件产出率估计效率。该方法的实验结果表明，其精度和效率均优于目前的最先进方法，且速度提高了 10.3 倍。
发现论文，激发创造
  • 动力系统的循环深度核学习

    使用基于数据驱动的随机变分深度核学习以及递归版本，提出了一种构建 ROMs 的方法，能够对物理资产的复杂动态进行精确描述，并具备去噪、重建、学习紧凑表征系统状态、预测以及量化建模不确定性的能力。

    May, 2024

  • 半监督深度核学习：通过最小化预测方差进行未标记数据回归

    本论文提出一种半监督深度内核学习方法（SSDKL），该方法结合了神经网络的分层表示学习和高斯过程的概率建模能力，并利用未标记数据来提高真实世界回归任务的预测准确性。

    May, 2018

  • 关于单前向传递不确定性的特征折叠和深度核学习

    通过引入双 Lipschitz 约束，Deep Kernel Learning (DKL) 相对距离的保留提高了不确定性的估计质量。

    Feb, 2021

  • 探索如暴风雨，利用如雨滴：关于利用坐标下降优化器对内核调度器进行精调的益处

    通过将 AutoTVM 算法 Droplet Search 整合到 Ansor 的探索阶段中，我们展示了在减少搜索时间的同时提高内核质量的潜力。应用该方法于 Ansor 生成的前 300 个内核时，通常比允许 Ansor 分析 10,000 个内核时更快地获得更好的内核。

    Jun, 2024

  • 距离保持机器学习用于不确定性感知加速器电容预测

    以深度神经网络和高斯过程逼近技术为基础的模型，通过奇异值分解和谱归一化密集层的比较，用于解决粒子加速器中高压转换调制器电容值预测问题，并显著提高了距离保持和准确度。

    Jul, 2023

  • 通过分层张量草图进行生成模型

    使用层级张量网络方法通过经验分布来逼近高维概率密度，利用随机奇异值分解技术解决张量网络中张量核的线性方程，该算法的复杂性与高维密度的维数成线性关系，通过多项数值实验分析表明了该方法的有效性。

    Apr, 2023

  • 深度手绘输出内核回归用于结构化预测

    我们提出了一种深度神经网络架构家族，其通过 kernel-induced losses 的数据依赖有限维子空间来预测结构化输出，利用梯度下降算法进行训练，并在合成任务和真实世界的监督图预测问题中展示了方法的相关性。

    Jun, 2024

  • 采用签名内核得分的神经 SDE 非对抗训练

    本文提出基于特征核的路径空间评分规则类别，用于 Neural SDEs 的非对抗性训练，并可以将其应用扩展到生成时空数据。基于该方法的体系结构，可以在条件变量为过去观察轨迹的情况下进行外汇对等条件预测模拟以及无网格生成限价单簿动态，并且在各种任务中均表现出显著优越性。

    May, 2023

  • 深度学习算法的泛化能力理解：基于核化的 Renyi 熵视角

    该论文提出了一种基于信息理论的方法，使用内核化的 Renyi 熵刻画了随机梯度下降算法的学习效率，实现了更紧密的泛化误差界限。

    May, 2023

  • 为高效视频识别最大化深度 3D CNN 的时空熵

    该研究提出了一种新的无需训练，基于最大熵原则的 3D CNN 信息系统熵评价方法，通过在给定计算预算下，使用进化算法最大化评分以实现高效、具有表达力的 3D CNN 体系结构的自动设计，从而在视频识别方面实现了最先进的性能和更高的计算效率。

    Mar, 2023