AAAIDec, 2023

E2E-AT: 一个统一的框架用于应对任务感知的端到端学习中的不确定性

PDF
TL;DR将机器学习、约束优化、端到端学习、不确定性和对抗训练作为关键词，该论文提出了一种统一框架来解决不确定性模型，并通过端到端对抗训练进行了实践求解，最后通过实际的电力系统运行问题的评估，包括负荷预测和顺序调度任务。
machine learningconstrained optimizationend-to-end learninguncertaintiesadversarial training
发现论文，激发创造
  • 基于任务的随机优化端到端模型学习

    本文提出了一种端到端的方法来学习概率机器学习模型，以便在随机编程的上下文中直接捕获它们将要使用的最终基于任务的目标，我们在经典库存问题，实际电力调度任务和实际能源存储套利任务中验证了该方法的有效性。

    Mar, 2017

  • 基于贝叶斯视角的随机优化端到端学习

    为了在随机优化中实现端对端学习，我们发展了一种基于贝叶斯解释的算法，并提出了一种训练决策映射的全新算法，用于输出经验风险最小化和分布式鲁棒优化问题的解决方案。通过对合成售货员问题和基于真实数据的经济调度问题进行数值实验，阐明了替代培训方案之间的关键差异以及决策映射的神经网络架构对测试性能的影响。

    Jun, 2023

  • 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

  • 基于误差驱动的不确定性感知训练

    神经网络误差驱动不确定性感知训练（EUAT）技术提供了更高质量的不确定性估计，优于现有的不确定性估计方法，并能在构建可信的二分类器和分布数据转换时产生更可靠的结果。

    May, 2024

  • 端到端的约束优化学习：综述

    本文从最近使用机器学习来解决约束优化问题的尝试入手，重点调查了将组合求解器和优化方法与机器学习架构集成的工作。这些方法有望开发新的混合机器学习和优化方法，以快速预测组合问题的近似解并启用结构逻辑推理。本文概述了这一新兴领域的最新进展。

    Mar, 2021

  • 多任务强化学习的端到端视频字幕生成

    该论文提出了一种多任务强化学习的方法，用于训练端到端视频字幕生成模型，其主要思想是从人工字幕视频中挖掘并构建尽可能多的有效任务，以共同调节端到端神经网络的搜索空间，并得到泛化的视频字幕生成模型。实验结果表明，这种模型在两个基准视频字幕数据集上的表现都大大优于现有方法。

    Mar, 2018

  • 端到端学习的极限

    本文讨论了端到端学习技术在复杂数据处理体系结构中的可扩展性，并指出了它存在的潜在缺陷，特别是在利用神经网络现有的模块化设计方面的不足。作者的简单实验证明了这些效率问题，甚至导致学习完全崩溃。

    Apr, 2017

  • 一种有效的端到端建模方法用于发音错误检测

    本研究采用 E2E 模型中的混合 CTC-Attention 方法，并针对中文发音检测任务进行了输入扩充，使结果更加适合该任务。实验结果表明，与传统的混合 DNN-HMM 系统相比，该方法能够大大简化处理流程并显著提高性能。

    May, 2020

  • 不确定性下公平多目标优化的端到端学习

    通过训练技术和应用设置，本文将 PtO 方法扩展到具有不可微分的有序加权平均目标的优化问题，展示了如何在不确定性下有效地将 OWA 函数优化与参数预测相结合，以实现公平和稳健的优化。

    Feb, 2024

  • 面向拓扑的端到端电力系统可靠性评估机器学习

    本研究探讨使用端到端机器学习直接预测可靠性指标，提出了基于输入特征的系统阻抗矩阵编码的机器学习流程，通过对输电线路的定期维护对特定拓扑变化的影响进行考虑，使用支持向量机和 Boosting Trees 进行训练和比较，实验证明了该方法在可靠性评估中的适用性。

    May, 2022