Apr, 2023

面向顺序转移优化的可伸缩测试问题生成器

PDF
TL;DR本文针对现有的测试问题不能很好地设计 STO 问题，提出了表示 STO 问题的简单概念，介绍了被之前的研究所忽视的重要问题特征，提出了一些设计准则和一种具有超强可扩展性的问题生成器以及 12 个 STOPs 的基准套件，可以用来比较不同的 STO 算法。
sequential transfer optimizationsto problemssimilarity distributionproblem generatorbenchmark suite
发现论文，激发创造
  • 随机超优化

    使用马尔可夫链蒙特卡洛采样器快速探索所有可能的程序空间，将循环无关的二进制超级优化任务表示为随机搜索问题，将变换正确性和性能改进的竞争约束编码为成本函数，虽然我们的方法牺牲了完整性，但我们能够考虑到的程序范围和我们所生产的程序的质量远超过现有的超级优化器，我们的原型实现，STOKE，能够从 llvm -O0 编译的 64 位 X86 二进制代码开始，生成与或胜过启用全面优化的 gcc 生成的代码序列，并且在某些情况下能够胜过专家手写的汇编语言。

    Nov, 2012

  • 使用联合特征选择和任务优化的实验设计范式

    使用 JOint 特征选择和任务优化算法，本文提出了一种子采样任务范式来解决数据驱动的任务特定实验设计和种群范围内的监督特征选择问题，并在定量 MRI 和高光谱成像等临床相关应用中证明了其优越性。

    Oct, 2022

  • 通过松弛最优输运和自相似性进行风格迁移

    提出基于最优输运和自相似性的风格转移算法 STROTSS，扩展了算法以允许用户对风格图像和输出之间的视觉相似性进行点对点或区域对区域的控制，实验结果表明在保留一定的内容情况下，该算法可提供高质量的样式化效果。

    Apr, 2019

  • 基于组合短语语义的无监督句子文本相似度

    本文针对各种领域但仅需要最少的数据和计算资源的无监督 STS 提出了一种轻量级的 Expectation-Correction (EC) 公式来计算 STS，此方法包括通过组合多个递归 EC 公式来捕捉组合短语语义的 Recursive Optimal Transport Similarity (ROTS) 算法，这比之前的方法更有效和可扩展，并通过对 29 个 STS 任务的详细消融研究证明了此方法的有效性。

    Oct, 2022

  • 基于随机自注意力机制的序列推荐

    本文提出了一种基于 Stochastic Self-Attention 的推荐模型，用于解决现有顺序方法无法处理不确定性和协同传递性的问题，并在五个真实世界基准数据集上进行了广泛实验，证明其在冷启动项目上的优越性。

    Jan, 2022

  • 深度学习中生成输入集的可转移性

    该研究介绍了一种名为 GIST 的新方法，用于在深度学习模型之间有效传递测试集，以迁移用户所需的某个属性，如覆盖准则。实验证明 GIST 能够选择有效的测试集，并将其传递到待测试的模型中。结果表明，GIST 可应用于传递其他属性，并可适用于不同的测试集生成程序和模式。

    Nov, 2023

  • ComboStoc: 扩散生成模型的组合随机性

    本文研究了扩散生成模型中一个被忽视但重要的因素，即组合复杂性。我们展示了通过构建充分利用组合结构的随机过程来解决该问题，从而加速了网络训练，并使得测试时间生成具备根据不同维度和属性的变化程度调控的能力。

    May, 2024

  • 服从命令：引入有序转移超参数优化

    本文提出一种有序转移超参数优化 (OTHPO) 的方法，用于超参数优化的转移学习，其中任务遵循顺序顺序。通过在共计十个样本上进行的实验表明，该方法优于现有方法，我们开源数据集以促进有关有序超参数优化的未来研究。

    Jun, 2023

  • 经验短缺场景下流行病控制的策略转移与决策支持方法

    基于相似风险评估的策略转移和决策支持方法 (STDSA) 用于决策支持，结果表明 STDSA 模型生成的建议比纯 K-means 模型的建议更准确、与实际情况更相符，为缺乏经验的地区在预防和控制流行病方面提供了新的见解。

    Apr, 2024

  • 多目标进化算法搜索轨迹网络

    本文研究多目标进化算法（MOEAs）的搜索动态，并将 STN 模型应用于两种常用算法（MOEA/D 和 NSGA-II）的分析，结果表明我们可以通过 STNs 来提高 MOEA 的算法分析。

    Jan, 2022