- SmartPathfinder:使用强化学习推动无人机车辆路径问题启发式解决方案的极限
研究论文研究了无人机车辆路径问题,提出了一种综合考虑启发式方法和强化学习框架的解决方案,以提高解决方案的质量和计算速度。
- 贝叶斯加性回归网络
应用贝叶斯加法回归树(BART)原理对小型神经网络进行回归任务的训练,通过马尔科夫链蒙特卡洛从具有单隐藏层的神经网络的后验分布中进行采样并应用吉布斯采样来更新每个网络,演示了该技术在多个基准回归问题上的有效性,并与等效的浅层神经网络、BAR - 深度神经网络的 Lipschitz 常数的组合估计
通过将大型矩阵验证问题的确切分解为较小的子问题,我们提供了一种用于估计深度前馈神经网络的 Lipschitz 常数的组合方法。通过数值实验证明,我们的方法在计算时间上大大降低,同时产生的 Lipschitz 界限接近于最先进的方法。
- 基于神经网络的分段生存模型
本文提出了一系列基于神经网络的生存模型,这些模型基于时间分段上的风险函数和密度函数的分段定义,包括常数和线性分段定义,从而形成了四个模型的系列。使用模拟数据集,这些模型在性能上明显优于高度表达能力的最先进的基于能量的模型,同时只需要一小部分 - 原始本能:相信你的分类器并跳过转换
使用 RAW 图像作为计算机视觉算法的直接输入,可以显著减少转换为 RGB 的计算时间,并且可以保持分类性能不变。
- 海绵网络攻击:深度神经网络的海绵权重污染
本研究提出了一种名为 SpongeNet 的新型海绵攻击,该攻击是直接作用于预训练模型参数的首个海绵攻击,实验证明其具备更高的能耗,并且相较于之前的 Sponge Poisoning 攻击更具伪装性。
- 数据库内数据填充
通过在数据库系统中使用 MICE 方法,本研究实现了高效、高质量和可扩展的数据填充,充分利用计算共享和环形抽象技术以加快模型训练并在 PostgreSQL 和 DuckDB 中取得了比其他 MICE 实现和基于模型填充技术快两个数量级的计算 - 在线微调的游戏求解
应用在线微调的方法解决游戏问题,在计算时间上相比基准方法仅使用了 23.54%,表明节约的规模与问题的大小成正比。
- 利用模型结构信息高效计算 SHAP
本文提出了多种方法,可以在多项式时间内准确计算 SHAP 值,适用于不同类型的模型结构信息,包括已知功能分解、已知模型顺序和未知模型顺序,其中的方法在实际应用中计算效率高且准确性较高。
- 进化直接策略搜索中的广义提前停止
提出一种早期停止方法,适用于直接策略搜索问题,通过观察每个时间步骤的目标值来停止评估,无需问题特定的知识,可以节省高达 75% 的计算时间。与问题特定的停止标准相比,性能相当,并且具有更广泛的适用性。
- 可扩展的最优边缘分布机器
本文提出的可扩展 ODM 方法,在拥有非线性内核的情况下,引入了分布感知分区方法以使得局部训练集更容易逐渐逼近全局最优解,并在使用线性内核时,利用了通信高效的 SVRG 算法来进一步加速训练进程。大量实验证明,该提出的方法具有高度的计算效率 - 下肢人体反向运动学技术比较研究
通过对流行的 IK 技术应用于人腿的比较研究,本文确定了达到所需位置的最有效的方法,使其具有现实人类姿势,同时尊重每个关节的运动范围和关节舒适区,以此来解决现有 IK 方法中存在的高计算成本和生成不真实位置的问题。
- 自动端到端语音理解的轻量化实现
这篇论文研究了自我监督模型在大语音语料库中训练的近期进展,并比较了几种学习策略以减少计算时间和能源消耗成本,但保持竞争性能表现。
- 动态估算行为代价的计划
本文提出了一种带有多个估计器的确定性计划泛化模型,以平衡计算时间和有界估计不确定性,这可以增加计划的准确性,从而增加可靠性,并减少不必要的计算负担,进而应用于大规模问题的研究。通过广泛的实验证明,该算法可以较之其他方法在运行时间上实现显著的 - ICMLAlphaD3M: 机器学习流程合成
本文介绍了基于元强化学习使用序列模型自我训练的 AlphaD3M 自动机器学习系统。与 Autosklearn、Autostacker 和 TPOT 等最先进的 AutoML 系统相比,AlphaD3M 具有相当的性能优势并且具有可解释性, - 在线样本子采样与一般函数逼近在强化学习中的应用
本研究设计了一种基于在线子采样技术的强化学习算法,可带有半参考函数近似和低切换成本,并使用上置信区间的探索驱动型奖励函数在无奖励情况下探索环境,其中计算时间为 O (poly (dH)),且保证在一定轮数的探索后能输出满足给定奖励函数的 e - 自适应范数约束的快速最小范敌对攻击
本文提出了一种既能处理不同的扰动模型,对超参数选择具有鲁棒性,又不需要对抗起始点,且仅需几步轻量级的迭代即可收敛的快速最小范数攻击方法(FMN),并通过广泛的实验表明 FMN 在收敛速度和计算时间方面明显优于现有的攻击方法,同时报告了相当或 - 无线供能移动边缘计算网络中的在线计算卸载深度强化学习
本文提出了一种基于深度强化学习的在线边缘计算离线策略,在自适应调整参数的基础上有效减少了计算时间,提高了计算性能。
- 高斯随机场线性代价协方差函数
本文提出了一种具有层次结构的协方差函数的构造,这种协方差函数在各种随机场计算中,包括采样、克里金以及似然估计中都表现出高效的特点,特别适用于极大数量站点的克里金预测。
- 通过子模性和超模性优化神经网络架构
本文研究深度学习模型的架构对于模型测试精度和计算时间的影响,提出了一种基于子集选择问题的架构优化方法,通过实验验证了该方法的有效性并进行了架构演化的分析和设计建议。