- 动态频域图卷积网络用于交通预测
本文提出了一种新颖的动态频域图卷积网络 (DFDGCN),用于捕捉交通数据中的空间依赖性,通过傅里叶变换来缓解时间偏移的影响,结合静态预定义和自适应图,通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明,我们的模型具有 - 利用高效机器学习推断临界点并模拟复杂系统的非平稳动态
非线性动力系统中模型无关且数据驱动的预测是一个复杂系统科学中具有挑战性且突出的任务,本文提出了一种基于下一代储层计算的全新数据驱动机器学习算法,通过使用静态训练数据样本来外推非线性动力系统的分岔行为,展示了该方法能够外推临界转变点,同时还证 - CityTFT:城市建筑能源建模的时间融合变压器
提出了一种基于数据驱动的城市建筑能源模型(UBEM)框架 CityTFT,利用 TFT 框架和增强的损失函数准确预测城市环境中的能源需求,其 F1 得分达到 99.98% 且负荷的 RMSE 为 13.57 kWh。
- 基于离线强化学习的完全数据驱动实现逼真交通信号控制
通过结合交通流理论和机器学习,我们提出了一种全面的数据驱动和免费模拟器的实现逼真交通信号控制框架 (D2TSC)。我们利用历史交通数据构建了一个奖励推断模型,通过粗粒度的交通数据来推断奖励信号,并进一步使用样本高效的离线 RL 方法,从真实 - 利用 AI 衍生数据进行碳计算:从替代来源进行信息提取
碳核算是全球减排和碳减排的基本构建模块,但在实现可靠和可信的碳核算措施方面存在许多挑战。我们强调碳核算不仅需要更多数据驱动,还需要更加方法论的支持。我们讨论了替代性和多样化数据源的需求,在最新的人工智能和自然语言处理领域的进展中,说明了为什 - 基于数据驱动的项目规划:集成网络学习和约束放松方法以支持调度
对于基础设施建设和信息系统开发等类别的项目,我们提出了一种数据驱动的项目规划方法,该方法通过学习历史记录构建项目网络,从而为规划人员提供灵活性,将对项目计划和时间表进行调整的决策支持。
- DSCom:社交网络中基于数据驱动的自适应社区框架用于最大化影响力
我们通过基于机器学习的框架 DSCom,利用节点属性来估计连接节点之间的亲密度,从而解决影响力重叠问题。与之前的理论工作相比,我们基于真实世界的社交网络设计了参数化扩散模型的经验实验,证明了算法的高效性和有效性。
- 关于大型语言模型的操纵能力与基于数据的人物角色
通过数据驱动的协同过滤方法,将用户嵌入到连续矢量空间中并聚类为具有一致观点的群体,以便实现更细致、更准确地理解不同社会群体,并增强模型的可操控性。最后,我们提出了一种有效的方法来将大型语言模型导向特定的个人,并通过学习软提示模型将用户的连续 - 基于数据驱动的交通仿真:综述
自主驾驶车辆和数据驱动交通仿真的评估指标的综述与分析,探讨了自主驾驶车辆的性能验证挑战以及未来研究的方向。
- 自相似动力的数据驱动建模
通过引入自相似性作为先验知识的多尺度神经网络框架,我们可以模拟自相似动态系统并提取尺度不变的动力学核,在非平衡系统中发现与理论预期一致的关键指数,从而有助于解决关键相变问题。
- DriveSceneGen: 从零开始生成多样且逼真的驾驶场景
大规模多样化的真实交通场景对于自动驾驶系统的开发和验证至关重要。本研究引入了 DriveSceneGen,一种数据驱动的驾驶场景生成方法,从真实世界的驾驶数据集中学习并生成完整的动态驾驶场景。与真实世界的数据集相比,DriveSceneGe - 离线专家演示的实时带宽估计
我们提出了 Merlin,这是一种用于带宽估计的纯离线数据驱动解决方案,通过将启发式方法与深度学习技术相结合,克服了泛化到未见网络动态和从先前经验中提取丰富表示的挑战,在实时系统中集成数据驱动的带宽估计器。通过一系列实验,我们证明了 Mer - 从安全基准筛选敌对提示:关于敌对咬地机挑战的报告
文本条件的图像生成模型在图像质量和对齐性方面取得了惊人的结果,然而它们依赖于从网络随机获取的数量庞大的数据集,因此也会生成不安全的内容。作为对 Adversarial Nibbler 挑战的贡献,我们从现有的安全基准中提取了超过 1,000 - 一种用于电力系统事件识别的半监督方法
利用半监督学习方法,本研究提出了一种结合未标记的事件数据样本的新型半监督框架,通过基于模态分析提取物理可解释特征,改进了现有事件识别方法。在南卡罗来纳合成网络上的数据生成、特征提取和事件识别结果表明,使用基于图的标签传播方法在事件识别性能上 - 随机 LLMs 不理解语言:朝向基于符号、可解释和本体论的 LLMs
对于数据驱动的大型语言模型(LLM)的相对成功,我们认为有一些误解,因为(i)LLM 不能依赖于事实信息,因为对于 LLM 来说,所有输入的文本(事实性或非事实性)在权重上都是一样的;(ii)由于 LLM 的子符号本质,这些模型对语言的所谓 - 基于特征的迁移学习方法预测未来托卡马克反应堆的干扰
通过领域适应算法 CORAL,本研究在未来托卡马克上应用了少量数据进行破裂预测,改进了 CORAL 以提高性能,并通过解释性分析证明了其与基于大数据的模型的相似性。
- 用于芯片设计中高效逻辑综合的电路领域泛化框架
提出了一种新的数据驱动型逻辑综合运算符模型,名为 PruneX,用于减少无效转换并解决逻辑综合中的 OOD 问题。通过集成 PruneX 与现有的 Resub 和 Mfs2 运算符,实验证明 PruneX 在工业和大规模电路上显著提高效率, - 深度神经算子模型在海洋预测中的评估
深度学习模型框架在预测时间序列数据方面具有潜在应用,尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性,并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。
- 数据中的发现:启发式学习因果涌现
通过最大化有效信息来学习宏观动力学模型,进而捕捉和量化数据中的因果性出现模式,并展示了模型在模拟和真实数据上的有效性和优良的泛化能力。
- 探索深度学习方法预测人员和车辆出行情况:基于 NHTS 数据的分析
现代交通规划依赖于准确的人员和车辆出行预测,本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力,利用全国家庭交通调查数据集,开发并训练了一个深度学习模型,取得了 98% 的人员出行预测准确率和 96% 的车辆出行估计准确率,从而显示