- 深度学习预测和分类分段光滑映射的动态行为
本研究探讨了使用各种深度学习模型来预测分段平滑映射的动力学。通过使用深度学习模型,我们展示了预测分段平滑映射动力学的各种新颖方法。我们还使用机器学习模型如决策树分类器、逻辑回归、K 近邻、随机森林以及支持向量机来预测一维正规形式映射和一维帐 - 神经网络物理模拟器中的不稳定性问题
通过分析神经网络在学习线性动力系统时的训练动态,我们发现在数据分布和权重初始化方案等方面可能会导致不稳定性和学习困难,并提出了相关的缓解策略。同时,我们探讨了离散时间和连续时间动力系统学习之间的重要区别以及对非线性系统的拓展。
- 最小二乘法回归的小批量梯度下降离散误差动态
我们研究了无重复抽样的最小批量梯度下降在最小二乘回归中的离散动力学。我们证明最小批量梯度下降的动力学和泛化误差取决于原始特征 X 和一组新特征 X̃之间的样本交叉协方差矩阵 Z,在学习过程中每个特征都被之前出现的最小批次平均修改。利用这个表 - 学习哈密顿神经库普曼运算符,同时保持和发现守恒定律
基于观测数据和噪声扰动,准确地发现和预测动力学仍然是一项重要的挑战。我们提出了汉密尔顿神经库普曼算子(HNKO),它集成了数学物理知识以学习库普曼算子,并使其可以自动维持并发现守恒定律。我们通过使用许多代表性物理系统,甚至具有数百或数千个自 - 非线性相互作用下的圆和球的同步
在这篇文章中,作者研究了在 n 维球面(其中 d ≥ 2)上的 n 个点的动力学,这些点根据它们的内积之间的函数 φ 相互吸引。当 φ 为线性时,这些点在不同的连接情况下会收敛到一个共同的值(即同步),而当 φ 为指数形式时,这些动力学对应 - AddBiomechanics 数据集:以规模捕捉人体运动的物理学
通过 reconstructing human poses in 3D 并使用 AddBiomechanics Dataset,本研究提出了一种估计人体动力学的基准方法。
- 有限游戏的几何分解:无遗憾学习下的收敛与循环
基于 Riemannian 框架和 Shahshahani 度量,在无悔学习中研究了复杂动力学的分解,发现无悔动力学在体积保持和收敛性方面具有特殊特征,并与潜势和谐波分解存在深层关联。
- 动态环境下的惯性感知三维人体建模与姿势序列
在这项研究中,我们引入了 Dyco 这一新方法,利用增量姿势序列表示来有效模拟非刚性变形和时间外貌变化,以解决传统方法中姿势与外貌间的歧义性问题。通过在 I3D-Human 和现有数据集上进行广泛实验,我们的方法体现出卓越的质量和数量性能, - 利用量子计算推断生物和人工神经网络的动态行为
利用 Grover 和 Deutsch-Josza 两个基础量子算法,研究如何通过输出测量来推断在一定时间内,简单的神经网络(适用于生物和人工网络)是否会继续支持动态活动,或者其动态是否会停止。
- 利用动力学中的对称性进行有偏向奖励的基于模型的强化学习
通过 Cartan 的运动参考系方法,我们提出了一种学习动力学模型的技术,该模型具有指定的对称性,并通过数值实验证明所提出的方法可以学习出更准确的动力学模型。
- 复杂网络的人工智能:潜力、方法论和应用
复杂网络科学中的人工智能潜在优势、关键研究问题和方法学及应用的综述。
- 关于正则化 NTK 动态的一点说明及其在 PAC-Bayesian 训练中的应用
建立了神经网络的显式动力学,其中训练目标包含了对参数保持接近初始值的限制,从而使网络保持在惰性训练状态,从而可以在线性化初始状态下的动力学。标准的神经切线核(NTK)控制训练期间的演变,尽管正则化会在描述动力学的微分方程中产生额外的项。该设 - 通过概率模型为基础的元强化学习实现数据高效的任务泛化
PACOH-RL 是一种基于模型的元强化学习算法,用于有效地适应控制策略对变化的动力学。它通过元学习动力学模型的先验知识来实现对新动力学的快速适应,同时利用正则化和认知不确定性量化来引导探索和数据收集,从而在数据有限的情况下实现正向传递,适 - 从个体神经元的群体动态学习时不变表达
神经元的高度变化动力学,提出了一种基于自监督学习的方法,通过对种群记录进行置换和不变总结对个体神经元赋予时间不变性表示,对神经元活动进行动力学建模,可实现对转录组标签的预测,大约提升了 35% 的预测转录组亚类别的准确性,并且相对于最先进的 - 用于光束模拟的因果物理信息神经网络的迁移学习,以提高推广能力
该论文介绍了一种用于模拟弹性基础上横梁动力学的新方法。通过在因果关系尊重的物理信息神经网络(PINN)框架内采用迁移学习方法来模拟 Winkler 基础上的 Euler-Bernoulli 和 Timoshenko 梁模型,有效地捕捉了潜在 - 一手抓握多个物体
该论文介绍了 MultiGrasp,一种用于多指灵巧机械手在桌面上进行多物体抓取的两阶段方法,包括生成抓前提案和执行抓取举起物体。实验结果主要集中在双物体抓取,并报告了 44.13% 的成功率,展示了对未见物体配置和不精确抓取的适应性。该框 - 从数据中发现可解释性动力系统的贝叶斯框架
使用稀疏贝叶斯方法从有限数据中学习可解释的物理系统的 Lagrangian 描述,自动进行 Hamiltonian 的蒸馏,提供观测系统的常微分方程 (ODE) 和偏微分方程 (PDE) 的描述。
- DyST:面向真实世界视频的动态神经场景表示
从单目真实世界视频中捕捉实际场景的三维结构和动态,通过新颖的协同训练方案与动态场景的隐含表示学习,实现视图生成并对场景的摄像机和内容进行独立控制。
- AdaBoost 综述:和解视角以更好地理解其动态
通过整合多个弱学习器以构建强学习器,本论文综合了多个视角对 AdaBoost 算法的动态性进行探究,并将它们以相同的形式统一起来,旨在帮助非专业读者更好地理解 AdaBoost 的动态和各种视角之间的等价性和关联性。
- TensorFlow 混沌预测和爆炸
利用 TensorFlow 库预测混沌系统的短期动力学并发现其长期可预测性存在问题。