- 结构仿真和桥梁健康监测的神经算符
本文介绍了一种基于傅里叶神经算子的 VINO(Vehicle-bridge Interaction Neural Operator)方法,利用数据驱动的方法实现了车桥交互作用的结构损伤检测和预测,在使用预处理和微调数据集的情况下,VINO - Chronosymbolic Learning: 采用符号推理和归纳学习的高效 CHC 求解
本论文提出了 Chronosymbolic Learning 这一基于数据驱动的框架,结合符号信息和数值数据点解决 Constrained Horn Clauses(CHC)系统,此工具在包含许多非线性整数算术实例的数据集上表现出比现有 C - 基于 GPU 的仿真器中,用于高效模拟非凸物体的本地物体切割碰撞网络
本文旨在提出一种高效的非凸对象大规模 GPU 模拟的接触检测算法,该方法采用数据驱动的方式,并结合神经网络,将其嵌入到开源 GPU 环境中,可以在维持精度的情况下,提高效率,从而更好地模拟非凸物体的接触情况。
- 无需需求预测的收益管理:一种基于数据驱动的出价生成方法
本论文提出了一种基于历史预订数据的数据驱动式收益管理方法,使用神经网络算法来预测投标价格估计值,以应对需求波动性和数据限制等挑战。经过模拟研究发现,相比于动态编程方法,该方法在应对需求规模变动方面表现更优秀,并在广泛的设置下保持近理论最优方 - 在线强化学习算法使用重采样评估个性化是否实现
该论文介绍了一种基于强化学习和在线学习的数据驱动方法,可以实现用户个性化健康治疗序列的优化。通过案例研究,论文使用重新取样方法对算法个性化进行评估,提高了算法的真实性,对于真实应用也具有参考价值。
- 机器学习降低空气污染
本文提出了一种数据驱动的方法,通过将运营决策与天气条件联系起来,缓解工业厂区对附近城市的空气污染的影响,结合预测和规定性机器学习模型预测短期风速和方向,并建议减少或暂停工业生产的运营决策,从而实现可持续性的工业发展。
- AttentionMixer: 一种准确且可解释的过程监控框架
为了确保高效能转换设备的安全运行,本文提出了一种名为 AttentionMixer 的数据驱动方法,通过使用广义消息传递框架,在建立辐射监测框架的同时实现了准确性和可解释性的目标。借助于空间和时间自适应消息传递块、混合运算器,以及稀疏消息传 - 机器学习方法等价优化
通过使用离散时间动力系统的 Koopman 算子理论,我们发现在线镜像和梯度下降的 Koopman 谱高度重叠,并提供了第一个关于机器学习方法优化选择的泛化特征化,包括学习率,批量大小,层宽,数据集和激活函数等多个因素的影响。
- 利用规划里程碑进行混合在线目标识别
本文提出了一种在线目标识别混合方法,结合了符号规划和数据驱动方法, 并在真实世界的烹饪场景中进行了评估,研究结果表明,与现有技术相比该方法在计算时间上更高效,同时也提高了目标识别的性能。另外,论文也证明了该方法适用于真实世界的场景。
- 神经样条搜索用于分位数概率建模
本研究提出了一种非参数化和数据驱动的方法 Neural Spline Search(NSS),用于表示观测数据分布,该方法通过将输入数据用一系列单调样条回归引导的符号操作进行转换,具有灵活和表现力等优点,在合成和真实世界回归和时间序列预测任 - 具有计划抽样的 Markup-to-Image 扩散模型
基于扩散模型的数据驱动方法实现了将 Markup 转换为图像,通过实验验证了扩散过程的有效性以及调度采样算法的调整作用,同时标记到图像的任务提供了一个有用的受控组合环境,进行生成式图像模型的诊断和分析。
- 安全贝叶斯优化的元学习先验
本文提出一种基于元学习的数据驱动方法,以从离线数据中元学习优化安全贝叶斯优化的先验知识,通过经验不确定度度量和前沿搜索算法选择符合安全限制的先验范围,加速了安全 BO 方法的收敛速度并保持了安全。
- BITS: 交通仿真的双层模仿
本研究提出了一种基于数据驱动的方法(称为 BITS)来生成具有现实感、多样性和远期稳定性的交通行为,该方法将交通仿真问题分解为高层意图推断和低层驾驶行为模仿的双层层次结构,并引入了规划模块来获取稳定的长期行为。同时,还开发出一种软件工具,统 - 利用周期稳态信号的时间结构进行基于数据驱动的单通道源分离
本文研究单通道源信号分离问题,着重于周期稳态信号,提出一种基于 U-Net 架构的深度学习方法,该方法可以接近最优性能,且具有较小的计算负担。
- 2020 世界机器人挑战赛伙伴机器人:基于数据驱动的移动机器人整理房间方法
采用数据驱动的方法,利用移动机器人完成家庭环境中的整理任务,并在 2020 年世界机器人挑战赛中获得第二名。核心技术包括移动机器人、视觉识别、物体操作和运动规划。
- 加强学生生产力模型以实现自适应问题解决援助
本研究提出了一种基于数据驱动的方法来预测学生需要帮助的概率,并探讨了在逻辑证明等深度学科中,将学生的暗示使用情况纳入预测模型的有效性,结果表明这种主动适应的策略可以显著提高学生的学习效率和提高授课的质量。
- 增强型成像:一种基于数据的飞行器空气数据传感器故障检测方法
本文提出了一种新的数据驱动方法 Augmented Imagefication 用于飞机空气数据传感器(ADS)的故障检测(FD),并使用深度神经网络(DNN)开发了一种基于边缘设备的在线 FD 方案,采用航空惯性参考单位测量作为等效输入, - 面向上下文感知的神经性能评分同步
研究表明,通过采用基于数据驱动、环境感知式度量学习的方法以及神经网络框架代替传统的基于知识和随机模型的方法,可以更好地实现音乐演奏和乐谱的同步对齐,进而从事音乐教育、音乐演出分析、自动伴奏和音乐编辑等多个领域的研究与应用。
- WavThruVec: 基于中间特征的语音合成中的潜在语音表示
WavThruVec is a two-stage neural text-to-speech architecture that uses high-dimensional Wav2Vec 2.0 embeddings as interm - 应用图神经网络预测全球天气
使用图神经网络的数据驱动方法预测全球天气,通过学习当前 3D 大气状态的六小时步长以及多步连接,可以产生数天后的精准预报,测试表现优于以前的数据驱动方法,并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。