Sep, 2023

现代自优化系统的基于集成模型的建模抽象

PDF
TL;DR本文在我们的基于集成的组件模型 DEECo 中扩展了使用机器学习和优化启发式算法来建立和重新配置自主组件集合的能力。我们展示了如何在模型层次上捕捉这些概念，并举例说明这样的模型如何有益地应用于工业 4.0 环境中与访问控制相关的问题。我们认为将机器学习和优化启发式算法纳入现代智能系统是一个关键特性，使其能够在学习过程中适应环境的不确定性并优化其行为。
ensemble-based component modelmachine-learningoptimization heuristicsautonomic component ensemblesindustry 4.0
发现论文，激发创造
  • 时间序列预测的集成建模：一种自适应鲁棒优化方法

    该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

    Apr, 2023

  • 增强式生成模型

    本文提出了一种新的无监督 boosting 方法来创建生成模型的集成，进一步允许集成包括区分真实数据和模拟生成数据的判别模型。作者证明了这种方法在一定条件下能将新模型集成进来以提升适合度，并在基准数据集上对密度估计、分类和样本生成的广泛生成模型应用中展示了黑盒 boosting 算法的有效性。

    Feb, 2017

  • 探索用于提升集成强健性的模型学习异质性

    通过形式分析和实证评估，本文展示了异构深度集成模型可以通过高集成多样性有效地利用模型学习的异质性以提高集成的鲁棒性。

    Oct, 2023

  • 约束优化模型集成

    通过多调整技术和组合模型来改进多维输出预测的下游优化问题，提出了两个高效收敛的算法，并在实验中对其性能和行为进行了探索。

    May, 2024

  • 深度自回归密度网络与神经集成在基于模型的离线强化学习中的比较

    离线强化学习中，通过提供的系统转换数据进行策略优化；研究了基于模型的强化学习算法，并挖掘了模型学习的静态度量方法，以及模型错误对代理的最终性能的影响。

    Feb, 2024

  • 重访级联集成以提高推理效率

    本文研究了一种简单的自适应推理方案，通过构建级联模型集成（CoE）并根据集成一致性作为数据依赖路由准则，将资源高效的模型逐渐扩展到更表达能力的模型，从而提高准确性并降低推理成本。

    Jul, 2024

  • 多智体合奏的端到端优化与学习

    本文提出了一种名为 e2e-MEL 的策略，通过将约束优化和学习相结合，将集成学习任务变成可微分的选择程序，学习为特定输入样本选择适当的预测器进行组合，结果表明，e2e-MEL 在各种设置中都可以明显优于传统共识规则。

    Nov, 2022

  • 面向工程设计的数据高效代理建模：基于批量模式的深度主动学习回归，无需集成

    提出了一种简单且可扩展的主动学习方法，以在学生 - 教师方式下训练替代模型，以取代使用贝叶斯框架对基于深度神经网络（DNN）的替代模型进行复杂的训练过程，从而利用深度学习的优秀能力来减少计算复杂度，在实践中验证了该方法具有可行性并可用于多个工程设计领域。

    Nov, 2022

  • 时限内身体控制的模型适应

    MoDeC 是一种时间约束感知的具体任务优化的模块化深度学习模型适应框架，评估结果表明其在机器人操控和自主驾驶应用中表现出色，优于其他模型适应方法并且能够遵守时间约束。

    Jun, 2024

  • DynED：数据流分类中的动态集成多样化

    提出了一种基于最大边际相关性（Maximal Marginal Relevance）的全新集成构建和维护方法（DynED），该方法在构建集成的过程中动态地将组件的多样性和预测准确性进行结合，实验结果表明，与五种最新方法相比，该方法在四个真实和 11 个合成数据集上提供了更高的平均准确度。

    Aug, 2023