- 学习随机扩散过程的微生成器
我们提出了一个基于能量泛函的新框架,用于学习随机扩散过程的微小生成器,该方法在完全和部分知识设置下通过能量风险度量整合物理先验,并通过减少秩估计器在重构核希尔伯特空间中评估统计性能,不受状态空间维度限制的限制,保证了非虚假谱估计,并阐明了随 - 概率电路的人类联合学习的统一框架
基于概率电路,借助领域知识进行参数学习的新型统一框架,能够有效高效地优化数据驱动学习方法,并在多个基准和真实数据集上取得优异性能。
- 神经 Koopman 动态因果发现
通过神经网络的数据驱动学习 Koopman 基础知识的 Koopman 灵感框架 (NKDCD),可可靠地推断 Granger 因果关系以及相关的非线性动力学。
- 端到端学习在相位恢复中存在的问题
对于存在于图像科学中的非线性反问题,前向模型中的对称性很常见。当使用数据驱动的深度学习方法来解决这类问题时,这些内在的对称性可能导致学习困难。本文解释了这些困难是如何产生的,更重要的是,如何通过预处理训练集(即对称性破坏)来克服这些困难。我 - 学习自主车辆漂移的逆运动学动力学
通过数据驱动的学习方法,我们研究自主小型车辆的运动学模型,并观察其对运动规划(特别是自主漂移)的影响。我们基于惯性测量和执行命令来学习运动学规划器,以帮助我们了解世界状态。我们的研究主要关注漂移,并试图学习这些漂移动作的运动学模型,以及尝试 - ICML全可微分的拉格朗日卷积神经网络用于一致性连续物理引导的降水即时预测
该论文提出了一种卷积神经网络模型,用于在降雨预报中将数据驱动学习与物理知识相结合。我们提出了 LUPIN,一种拉格朗日双 U-Net 物理驱动预报模型,它借鉴了现有的基于外推的预报方法,并以完全可区分和 GPU 加速的方式实现了数据的拉格朗 - 基于物理信息的机器学习方法综述及其在状态监测和异常检测中的应用
物理知识融入数据驱动学习的方法(PIML 技术)在条件监控领域有广泛应用,提高精确度和解释性,可用于增强维护策略、系统可靠性和工程系统整体运行效率。
- LASA:基于大规模对齐形态注解数据集的真实扫描实例重建
从 3D 场景中实例形状重建涉及恢复语义实例级别的多个对象的完整几何形状。我们介绍了一个大规模对齐形状注释数据集 LASA,其中包括对齐 920 个现实场景扫描的 10,412 个高质量 CAD 注释。我们提出了一种新的基于扩散的跨模态形状 - ICML虚假相关性及其发现
数据驱动的学习中出现虚假相关性,我们通过合并推导虚假相关性的指标,研究它们对基于 ERM 基线模型的影响,并从因果图生成的合成数据集中观察连接这些假设和模型设计选择的模式。
- 基于 Sinkhorn Losses 的神经 Schrödinger Bridge:应用于胶体自组装的数据驱动最小努力控制
通过神经网络的新进展,我们提出了一个名为 ' 神经 Schrödinger 桥 ' 的数据驱动学习和控制框架,以解决胶体自组装的一类广义 Schrödinger 桥问题,通过学习受控漂移和扩散系数,我们在分布终点约束下训练了第三个网络,并以 - 领域和通用文件中的信息提取:启发式和数据驱动方法的研究结果
本项研究探讨了信息抽取中文档体类别和长度对常用方法的影响,特别是对具有文本挖掘任务价值的命名实体识别和语义角色标注有着重要的启示。
- 通过动态模态分解学习非自治系统
本研究提出了一种基于动态模态分解(DMD)的面向未知非自治动态系统时间依赖输入的数据驱动学习方法,该方法利用本地参数化外部时间依赖输入的修正系统作为原始非自治系统的近似,包括一系列本地参数化系统,可以通过参数空间中的降维和插值框架(DRIP - 椭圆算子同化学习
多尺度偏微分方程中的组分理论及椭圆 PDE 的合成定律的数据驱动学习方法。
- 神经理想大涡模拟:用神经随机微分方程建模湍流
本文提出了一种基于数据打造的学习框架,将理想大涡模拟和神经随机微分方程相结合,应用在一种具有挑战性的混沌动力学系统 —— 雷诺数为 20000 的 Kolmogorov 流上,与其他方法相比,我们的 niLES 方法可以无缝处理非均匀几何结 - 鲁棒深度强化学习调度:通过权重锚定实现
采用权重锚定方法,固定神经网络中的期望行为以实现数据驱动学习的鲁棒性,以及在 QoS 有效资源调度方面的应用,并且可以在最优环境下进行学习,具有可比拟于模拟环境增强的性能,以及显著增强鲁棒性和可操纵性。
- 通过发现多样化的环境轨迹生成器先验知识高效学习运动技能
本文提出了一种使用 Quality-Diversity 算法学习多样化的专业动作先验的方法,称为进化环境轨迹生成器 (EETG),并在一种名为 PMTG 的系统结构中维护单一策略,在测试中成功地通过不同的环境。
- MM神经积分方程
本文提出了一种名为神经积分方程(NIE)和关注神经积分方程(ANIE)的方法,它们可以学习从数据中获得未知的积分算子并替换为自注意力,从而提高可扩展性和模型容量,这些方法在 ODE、PDE 和 IE 系统的几个基准任务中都比其他方法具有更快 - 偏微分方程算子学习的 Transformer
本研究提出了一种基于自注意力机制的模型 Operator Transformer(OFormer)用于数据驱动的偏微分方程算子学习,该模型相对于传统方法不依赖于采样模式,并在标准基准测试中表现优异。
- 学习行动:一种强化学习方法来推荐最佳下一步活动
本文介绍了一种基于强化学习的优化策略方法,利用过去的执行观察来学习最佳决策,并以关键绩效指标优化为目标,从而为用户提供最好的活动推荐。
- 放弃 Bayer 滤镜,看见黑暗
本文提出了一个使用深度神经网络实现的 De-Bayer-Filter 模拟器,以生成单色原始图像,同时使用融合颜色原始数据和合成单色原始数据的完全卷积网络实现了低光图像增强。实验结果表明,通过利用原始传感器数据和数据驱动的学习,可以显著提高