- 半自适应协同双向广义逆学习系统
本文提出了一种半自适应协同双向伪逆学习系统,其每个子系统包含前向学习、反向学习和特征级联模块,并使用非梯度下降学习算法进行训练,简化了超参数调整,提高了训练效率。子系统的架构采用数据驱动方法设计,实现了子系统深度的自动确定。与基准的非梯度下 - ICCV用显式的程序化知识引导视频预测
我们提出了一种将领域的程序化知识集成到深度学习模型中的通用方法,并通过基于物体为中心的深度模型对视频预测进行应用,表明这比仅使用数据驱动模型能够获得更好的性能。我们开发了一种使潜在空间解缠结的架构,以利用集成的程序化知识,并建立了一个允许模 - 误差校正码信念传播译码的因子图优化
使用数据驱动方法,通过利用因子图(也称为 Tanner 图)上的学习,在信道噪声模拟下开发满足现代短码长度约束并适应新的信道模型的局部最优稀疏码,以提高信念传播解码的性能。该方法通过使用信念传播算法的新型张量表示,在有限域上利用反向传播和高 - 双仿真学习
我们介绍了一种基于数据驱动的方法来计算具有非常大,可能是无限状态空间的状态转换系统的有限双模拟。我们的新技术计算确定性系统的阻塞不敏感的双模拟,我们将其描述为学习状态分类器与每个类的排名函数的问题。我们的方法从一个有限的样本状态数据集中学习 - 基于数据驱动的航空货运收益管理
本文介绍了一种面向空运货物行业的数据驱动的收入管理方法,通过模拟实验得出了独立生成重量和体积出价并将其相加进行价格优化的策略相较于其他方法能够获得超过 3% 的额外收入。
- 基于数据驱动的误差估计:无技术债务的多重错误上界
通过数据驱动的方法,我们提出了一个完全基于数据的途径来估计最大误差的上界,解决了构建多个同时有效置信区间的问题,并拓展了估计过程的应用领域。
- 基于数据驱动的经典优化器和学习优化器的性能保证
介绍了一种数据驱动的方法,利用统计学习理论的泛化保证来分析连续优化算法的性能。研究经典优化器和学习优化器来解决参数优化问题的族群。建立了经典优化器的泛化保证,利用样本收敛界限,以及学习优化器的泛化保证,利用 Probably Approxi - 模型失败还是数据损坏?探究使用自监督对比学习在建筑能效评级中的不一致性
本研究提出了一种数据驱动的方法 exttt {CLEAR},用于审查建筑能效评估中的一致性问题,并通过自监督对比学习验证了其有效性。实验证据显示了不一致的建筑能效评估,并突出了这个真实数据集中的测量数据损坏问题。
- 路径探索者:基于注意力的动态非直视追踪与移动机器人
非直视成像是一个活跃的研究领域,在动态环境中基于移动相机实现非直视成像一直是一个未解决的问题。本研究提出了一种数据驱动的非直视成像方法,PathFinder,可以通过在小型、功耗受限的移动机器人上安装标准 RGB 相机来使用。我们使用一个基 - 通过交互式虚拟现实游戏在复合空间中探索情绪
通过使用交互式虚拟现实(VR)游戏和采集多模态数据(自我报告、生理和面部信号),我们使用机器学习方法确定了每个组成部分对情绪区分的独特贡献,并发现至少需要五个维度来表示我们的数据集中情绪的变化。这些发现对于在情绪研究中使用 VR 环境以及情 - 面向一般行为代理的基于数据驱动的目标识别设计
目标识别设计旨在在决策环境中作出有限的修改,以使更容易推测在该环境下行动的代理人的目标。我们通过使用数据驱动的方法和基于梯度的优化框架来对目标识别设计进行优化,以解决现有方法中的计算需求和对代理人决策的假设性限制,从而实现对决策环境的改进。
- 基于大型语言模型的房间 - 物体关系知识在增强多模态输入目标导航中的应用
利用大型语言模型提取知识,我们在多通道 Swin-Unet 架构的基础上,使用数据驱动的、基于模块的方法进行多任务学习,从而实现了有效的目标导航,超过了基准模型平均 10.6% 的效率指标(SPL),并在现实世界的演示中展示了该方法在穿越多 - 有限角度层析成像中的数据驱动方法的鲁棒性
基于深度神经网络的数据驱动方法相较于传统方法,能够更稳定地重建有限角度 Radon 变换中的信息。
- 利用 RGBD 感知和时域卷积网络进行柔性连续操作器的滞后补偿
基于循环神经网络的数据驱动方法用于控制弹性连续操纵器,以解决由于绳索效应产生的滑脱、伸长和耦合等不可线性问题,并通过定制的标志物收集物理关节配置数据集来实现最佳控制算法,从而降低位置和方向误差。
- DatUS^2:使用预训练的自监督视觉 Transformer 进行数据驱动的无监督语义分割
本文提出了一种数据驱动的方法,将无监督密集语义分割任务作为下游任务来评估自我监督训练方案中引入的语义信息质量,并使用所提出的方法(DatUS^2)生成密集伪标注分割掩膜,评估最新的自我监督训练方案,发现其在图像语义分割任务上取得了显著的性能 - ICLR增强量子内核的神经自动设计师
我们提出了一种数据驱动的方法,自动设计针对特定问题的量子特征映射,利用特征选择技术处理高维数据,通过深度神经预测器评估不同候选量子核的性能,通过广泛的数值模拟展示了我们方法的优越性,尤其是在消除核浓度问题和确定具有预测优势的特征映射方面。我 - AutoFT:通过 OOD 数据优化超参数进行稳健微调
AutoFT 是一种基于数据驱动的方法,用于指导基础模型的微调,以优化性能和改善泛化能力。实验证明 AutoFT 在多个分布转移任务上表现出色,显著提高了对新的异常数据的泛化能力,并在 WILDS-iWildCam 和 WILDS-FMoW - 感应炉中最佳熔化模式的识别:一种基于时间序列 K 均值聚类和多准则决策的数据驱动方法
通过数据驱动方法识别感应炉的最佳熔化模式,采用时间序列 K-means 聚类对温度曲线进行分类,通过多种多标准决策方法确定最佳实践集群,研究成功地识别到具有最佳性能的集群,实施最佳操作可以降低 8.6%的电费,凸显铸造行业的节能潜力。
- PRS:面部无分辨率表面重网格化的尖锐特征先验
表面重建中保留几何特征是一项具有挑战性的计算机视觉任务,我们提出了一种数据驱动的方法,自动检测和重新排列特征,以实现对高分辨率 3D 形状的可伸缩重建。
- 从时间序列数据预测底层建筑用电需求的可预测性
利用数据驱动方法预测建筑能源需求的可预测性,不需先使用数据驱动的预测模型。