Sep, 2023

多尺度原型表示学习用于城市建筑能源建模

PDF
TL;DR建筑原型、能源模拟、城市建筑能源建模、多尺度原型表示学习和几何特征是本研究的关键词。本文提出了一种基于多尺度原型表示学习的方法来提取具体建筑库的几何特征，并通过多个建筑下游任务约束潜在向量，这些定制化的表示在进一步的聚类和建筑能源建模中被证明是有价值的。在洛杉矶县的五个地区的研究中，我们展示了该方法在性能上超过了传统方法和仅使用 VQ-AE 提取的原型，并证明了几何特征嵌入能够显著提高能耗估计的准确性和可靠性。
building archetypesenergy simulationsurban building energy modelingmulti-scale archetype representation learninggeometric features
发现论文，激发创造
  • 城市生态编码：通过自监督学习实现能源模型自动生成的建筑范式

    通过自我监督学习并融入建筑外观特征和文化细粒度，本研究提出一种新型工具，以地域特点为基础生成适用于不同建筑清单的代表性建筑原型，可提高能源模拟的精确性和适用性，从而鼓励探索新兴的本地生态系统。

    Apr, 2024

  • 多智能体强化学习用于微处理器设计空间探索

    本文提出了使用 Multi-Agent RL 来应对硬件体系结构搜索中领域特定定制的挑战，此方法相对于单一智能体，其可扩展性更高且运行更高效。该方法已在设计领域特定 DRAM 内存控制器上得到验证，并表现出在低功耗和延迟等不同目标方面显著优于单一代理强化学习算法，如 Proximal Policy Optimization 和 Soft Actor-Critic。

    Nov, 2022

  • 基于情景无关表征实现多智能体迁移强化学习

    通过将各种状态空间统一为固定大小的输入，以便在 MAS 中的不同场景中使用一种统一的深度学习策略，我们介绍了一种新的框架，使得多智能体强化学习能够进行迁移学习。在 StarCraft Multi-Agent Challenge（SMAC）环境中，通过从其他场景学习到的机动技能，相比于从头学习的智能体，我们的方法在多智能体学习性能方面取得了显著的提升。此外，通过采用课程式迁移学习（CTL），使我们的深度学习策略逐步获取各个预先设计的同质学习场景中的知识和技能，促进智能体之间和智能体内部的知识传递，从而在更复杂的异质场景中实现高水平的多智能体学习性能。

    Feb, 2024

  • 基于双层潜变量模型的高效样本多智能体强化学习

    本研究使用 BiLL (Bi-Level Latent Variable Model-based Learning) 算法来解决多智能体强化学习 (MARL) 算法中高样本复杂性的问题，通过从高维度的输入数据学习一个双层潜变量模型，在全局状态和每个智能体层面上，学习生成潜在的轨迹，在挑战性的 SMAC 和 Flatland 环境中，该算法在样本效率方面优于最先进的无模型和有模型基线.

    Apr, 2023

  • MARVEL: 多维度的可视化评估和学习中的抽象和推理

    多模态大型语言模型在抽象视觉推理方面呈现出近乎随机的性能，无法理解视觉特征和难以进行抽象推理。

    Apr, 2024

  • 高效深度多智能体强化学习的表示学习

    通过辅助学习目标，MAPO-LSO 在多智能体强化学习中通过学习有意义的潜在表示空间来提高样本效率，并展示出在各种多智能体强化学习任务中相比普通的多智能体强化学习模型有显著的学习性能和样本效率的改进。

    Jun, 2024

  • 多任务深度学习用于高分辨率卫星图像中的大规模建筑细节提取

    为了理解城市动态并促进可持续发展，我们引入了适用于从高分辨率卫星图像中同时提取空间和属性建筑细节的多任务建筑细化器（MT-BR），通过我们的采样方法训练的网络在预测准确性方面相对其他采样方法表现出改进，而 MT-BR 则在提取建筑细节方面始终优于其他先进方法，将在上海的应用中展示其实际可行性。

    Oct, 2023

  • 量子多智能体元强化学习

    本文提出 QM2ARL，利用量子神经网络的两个不同维度的参数来重新设计 MARL，实现了元学习和记忆地址功能，并通过模拟验证了其在高回报和快速收敛方面的有效性。

    Aug, 2022

  • 基于模型辅助的联邦强化学习在物联网多无人机轨迹规划中的应用

    本文提出了一种新的基于模型的联邦多智能体强化学习算法，用于协调多个无人机在数据收集任务中，以解决传统多智能体强化学习算法需要大量真实训练数据的问题，并在各个方面取得了良好的表现。

    Jun, 2023

  • 量子多智能体强化学习与自主移动协作

    基于量子供应链，并结合多智能体强化学习和量子优势，提出了一种能够实现多智能体合作、有效利用参数和快速收敛的量子 MARL 算法，并引入了投影值测量技术来进一步提高可伸缩性。

    Aug, 2023