- 功能图模型:结构支持离线数据驱动优化
研究了机器学习模型在数据驱动的优化问题中的应用以及引入的函数图模型对数据驱动优化的理论支持和实践方法。
- 平滑 f - 散度分布鲁棒性优化:指数速率效率和无复杂度校准
数据驱动的优化中,基于最糟情况分析的分布式鲁棒优化可以实现对准确解性能的统计界限,该方法基于通过适当的距离优化的 KL - 发散度,并且相应的校准不需要任何复杂性信息。
- 优化器信息准则:分析和修正数据驱动优化中的偏差
该论文提出了一种基于优化器信息准则 (OIC) 的偏差修正方法,直接近似一阶偏差,不需要解决任何额外的优化问题。该方法可以用于决策选择,适用于各种数据驱动优化方案,并在合成和真实数据集上进行了数值验证,表现卓越。
- 受挫系统上的局部消息传递
基于数据驱动优化的替代消息传递算法,可在环形图上实现更好的表现和性能,适用于各种科学领域,并且还开发了一种新型损失函数以实现无监督训练。
- 进化计算与隐私的交会
本文介绍了 BOOM 算法,研究了进化计算中的隐私保护问题。针对三种典型的优化范式(即集中式、分布式和数据驱动的优化),本文采用 BOOM 算法以平衡优化性能和隐私保证的方式探讨了潜在的隐私保护技术并提出新的隐私保护进化计算方向。
- 基于离线模型的正态化最大似然估计优化
本文提出了在数据驱动的优化问题中利用归一化极大似然估计器解决不确定性和变化范围问题的方法,并通过在各个领域(如化学、生物学和材料工程)的高维设计问题中进行的实验验证了该方法的有效性。
- O-RAN 中的智能与学习,用于数据驱动的 NextG 蜂窝网络
本文探讨了 O-RAN 联盟提出的解聚的网络架构是否为 NextG 网络的关键要素,并在此框架下研究了数据驱动优化方法的潜力、挑战和局限性,以及实现自主和自优化网络愿景的深度强化学习智能体通过实时分析与控制的闭环集成的可行性。
- 基于模型的优化的模型反演网络
本文介绍了使用模型反演网络 (MINs) 解决数据驱动最优化问题的方法,并且使其能够应对高维空间且只有少数有效输入的情况下如何避免越界和无效输入等问题。
- 学习深度卷积网络进行去马赛克
本文提出了利用卷积神经网络(CNN)解决去马赛克问题的全面研究,包括实验表明 CNN 模型在 sRGB 和线性空间中同等有效,可用于任何 CFA 设计的去马赛克,并展示了自动发现的 CFA 模式和自动设计的去马赛克方法结合能够提高去马赛克结