- VENI, VINDy, VICI:具有不确定性量化的变分降阶建模框架
使用数据驱动的框架,结合变分自动编码器和稀疏非线性动力学识别的变分版本,提出了一种解释性和可靠的降阶模型构建方法,并进行了不确定性量化。通过英文缩写 VENI、VINDy 和 VICI 展示了该方法在识别可解释和准确的动力学系统以及对结构力 - 可扩展的段级交通拥堵函数学习
提出并研究了一个数据驱动框架,用于在全球范围和分段细粒度上识别交通堵塞函数(宏观交通变量观测之间的数值关系)。与为每个道路估计单独的参数集的方法相比,我们的方法可以在都市区域的所有道路上学习一个单一的黑盒函数。
- 人群导航的混合策略纳什均衡
用简单的迭代贝叶斯更新方案证明了混合策略纳什均衡模型收敛于混合策略社交导航游戏的纳什均衡,并提出了一个基于数据驱动的框架,该框架通过将代理策略初始化为从人类数据集中学得的高斯过程来构建游戏。基于提出的混合策略纳什均衡模型,我们开发了一个基于 - 通过可解释的机器学习增强动力系统建模:以阴极电泳沉积为例的案例研究
利用数据驱动方法、推理技术和机器学习增强模型的建模,针对阴极电泳沉积(EPD)进行建模,并通过实验数据的推理和可调整的模型增强方法来改进物理模型的系统性。
- 基于人工智能技术的基础设施项目数据驱动风险建模
利用历史数据和人工智能技术,本研究引入了一个数据驱动的框架,以自动识别风险并检查早期风险记录和评估质量。
- 互动智能代理系统中相变鉴别的机器学习方法
通过降阶模型、数据驱动框架、流形学习算法、深度学习框架和分叉图表,本文提出了一种定位基于代理模型 (ABMs) 的平均场极限相变的方法。
- 用于工业网络物理系统中稳健、基于物理的网络攻击识别的变分自编码器框架
基于数据驱动的框架,结合变分自编码器 (VAE)、循环神经网络 (RNN) 和深度神经网络 (DNN),用于检测、诊断和定位网络工业控制系统中的隐蔽攻击。通过在网络化的电力传输系统上进行仿真研究,我们评估了该方法的性能,并与传统基于模型的方 - 非线性系统的计算高效数据驱动发现与线性表示
使用 Koopman 算子理论开发了一个基于数据驱动的框架,用于非线性系统的系统识别和线性化控制,采用递归学习的深度学习框架,并使用线性二次控制器对得到的线性系统进行控制。通过在噪声数据上进行仿真,我们展示了我们的方法相比自编码器基准更高效 - 数据驱动的决策聚焦代理建模
我们引入了决策为中心的替代建模的概念,以解决实时环境下的计算困难的非线性优化问题。所提出的数据驱动框架旨在学习一个更简单的,例如凸优化模型,该模型经过训练以最小化决策预测误差,该误差定义为原始优化模型和替代优化模型的最优解之间的差异。我们将 - 基于数据驱动的迁移学习框架的出入站流量估计
通过使用循环检测器收集的数据,提出了一种数据驱动的框架,可以准确估计高速公路主线上缺失的匝道流量,该框架利用了迁移学习模型,可以保证在具有不同交通模式、分布和特征的高速公路上准确估计入口和出口匝道的流量,从而优于传统机器学习模型。
- 基于图形神经解码器的音乐层级预测
本文提出了一种数据驱动的框架,以将音乐序列 解析为依赖树,该系统不依赖于任何特定的符号语法,可以同时考虑多种音乐特征,并利用序列上下文信息,可以轻松集成到现代深度学习管道中。在两个音乐数据集上测试表明,该方法优于先前的方法。
- 成功的简单步骤:基于距离的算法回溯公理
提出了一种基于数据的计算法和隐私保障的新框架,用于算法救济,并通过实证研究和理论分析证明了该框架的优越性,使用户能够在数据流形中找到改变预测结果的方向。
- AAAI学习为采矿复合体同步随机优化制定启发式调度策略
通过学习挖掘复合物在利用模拟退火算法解决问题中的性能以及多种启发式算法的组合,提出了一种自学自适应的超启发式算法,用于解决挖掘复合物的大规模随机组合优化问题。该算法被称为 L2P,并在多个实际挖掘场景中进行了测试,显示出可以减少迭代次数和计 - VRL3: 基于数据驱动的视觉深度强化学习框架
提出了 VRL3 这一数据驱动框架,在视觉深度强化学习中取得了极高的效率,并且在手部操作任务中的样本效率比先前最先进的方法高出了 780%。VRL3 在最困难的任务中样本效率提高了 1220%(使用更宽的编码器达到 2440%)并且只需 1 - 基于隐式人类反馈的任务学习 EMPATHIC 框架
本文提出了一种基于数据驱动的框架 EMPATHIC,该框架可以从人类面部表情等隐式反馈中学习如何优化机器人执行任务的表现,其中包括使用深度神经网络将隐式反馈转化为任务统计数据以及应用该框架在机器人操纵路径评估等多个领域的实例。
- 从视频到动画的无配对运动风格转移
本文提出了一种数据驱动的运动风格转移框架,该框架学习来自带样式标签的不成对运动集合,并能够从视频直接提取运动风格进行转移。该框架还能够绕过 3D 重建并将其应用于 3D 输入运动,其中运动的内容和风格经过编码,分别在解码合成过程中起不同的作 - 从部分观测中学习动态系统
本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程,并表现出显著的改进。
- 基于数据的网络对齐
TARA, a data-driven framework for biological network alignment, utilizes a classifier to predict functional relatedness - 利用神经网络进行二维湍流的子网格建模
本文提出一种数据驱动的湍流封闭框架,利用人工神经网络预测湍流源项,建立了多个输入和输出之间的映射关系,优化分析和概率密度函数验证了子网格预测,证明了该方法可推断子网格量,为实现无启发式湍流封闭算法打下了良好的基础。
- 基于数据驱动的机器学习方法对足球表现和球员排名的评估
本文介绍 PlayeRank,一个基于数据驱动的框架,可提供多维度、角色感知的足球运动员表现评估,通过与其他算法和专业球探的评估比较,表明 PlayeRank 在表现评估方面显著优于竞争对手,同时探讨了该框架的一些应用,展示了其灵活性和效率