- 大型語言模型增強的知識表示學習:一項調查
大语言模型(LLMs)与知识表示学习(KRL)的整合标志着人工智能领域的重要进展,增强了捕捉和利用复杂知识结构的能力,这种协同作用利用了 LLMs 的高级语言和语境理解能力,提高了 KRL 的准确性、适应性和有效性,从而扩大了其应用和潜力。 - 非因果预测模型的因果微调和效果校准
通过使用实验数据改进非因果推断的非因果模型以提高性能,并展示了其在不同因果任务中的有效性和实际应用优势。
- QComp: 药物发现的基于 QSAR 的数据补全框架
基于已有的 QSAR 模型,QComp 利用实验数据中固有的相关性,提高了各种任务的预测准确性,同时通过量化特定终点的统计不确定性的减少,为合理决策提供支持,从而成为引导药物发现过程中最佳实验顺序的有前途工具。
- 利用思维链和 LLMs 学习 DNA 结构生物物理学
聊天 GPT 3.5-turbo 模型通过细调学习 DNA 的结构生物物理学,展示了一个具备集成各种实验数据并产生可验证假设的 AI 科学家工具的潜力。
- 聚类的递归方案
我们的研究论文提出了一种递归方案来对地理(气候学)实验中获取的数据进行聚类,通过与专家评估结果的比较,表明使用这种新方法的聚类结果更可接受。
- 面向实际物理系统编码动力学的基于物理信息的神经网络
本文通过研究物理信息驱动的神经网络(PINNs)来编码控制方程,并评估其在两个不同系统的实验数据上的表现。我们发现,在简单的非线性摆系统中,PINNs 在理想数据情况下胜过了等效的无信息神经网络(NNs),在 10 个线性间隔和 10 个均 - QDA$^2$: 自动标注电荷稳定图的原则性方法
通过使用几何原理来自动解释和标记实验获取的数据,量子点(QD)自动注释器是构建一个大型公共库的第一步,该库包含了实验双量子点电荷稳定性图的状态标签化的 QD 数据。
- 利用机器学习在味道物理学中追求真理与美丽
通过机器学习技术,我们设计了针对现有实验数据的拟合和满足美感、自然性等抽象理论家标准的损失函数。我们以 Yukawa 夸克部门作为一个案例,证明了这些损失函数的优化可以得到真实而美观的模型。
- 利用符号回归和离散外微分发现可解释的物理模型
通过结合符号回归和离散外积计算,提出了一种从实验数据中自动发现物理模型的框架,该框架利用数学表达式构建可解释且易于分析的模型,有助于提高模型的泛化能力和减少符号表达式的搜索空间。并通过从合成实验数据中重新发现三个连续物理模型的方法,证明了方 - 对数变换辅助的高斯采样在少样本学习中的应用
通过使用新型高斯变换将实验数据转化为高斯分布,本文提出了一种在少量数据采样下在少样本图像分类中取得显著性能提升的新方法。
- 从数据中推断相互独立的最精细模式
本文研究关于多变量正态分布的互相独立的模式的提取,并提出了一种称为二元的独立,通过估计二元独立集的有效模式来估计互相独立的最终模式,并针对模拟数据和实验数据进行了测试。
- 用于无损超声测试缺陷分类领域适应性的 GAN 及替代合成噪声生成方法
本文提出了四种唯一的数据生成方法解决了在复合材料组件的无损超声波检测过程中由于训练数据数量不足而导致的挑战,使用卷积神经网络进行训练,并在新的合成数据集上进行训练,取得了较好的实验数据分类效果。
- 捕获人类对人工智能的心理模型:一种项目反应理论方法
本研究提出了一种基于项目反应理论的框架来模拟人们对人工智能队友的感知,并使用实验数据测试研究问题,结果表明人们对人工智能代理的性能期望显著高于其他人,并具有更小的问题类型差异。
- 毫米波雷达目标识别系统性研究
利用商用毫米波雷达测试其在识别目标、实时追踪人员、定位物体等任务中的实用性和性能,并发现并解决测试过程中的潜在问题,为使用不同深度学习算法实现最佳的目标识别性能提供了广泛的实验数据。
- 基因调控网络预测中的因果关系发现
提出一种发现生物系统中潜在图结构的新算法,基于复杂的非线性调节相互作用网络,用图来表示各种核酸、蛋白质和代谢物之间的关系,并使用实验数据对其进行探测。
- 使用非二进制处理和效果的单元选择
本论文扩展了利益函数的一般形式,提出了一种算法来测试非二进制利益函数的可识别性,并使用实验和观测数据计算非二进制利益函数的边界。
- MM通过可微轨迹重加权从实验数据学习神经网络势能
本研究提出了 Differentiable Trajectory Reweighting (DiffTRe) 方法,该方法避免了通过分子动力学模拟进行微分,实现了基于实验数据的神经网络势函数的自上而下学习,并在将其应用于钻石的分子模型和水的 - 将实验数据和观察数据相结合估计治疗对长期结果的影响
本文提出了一种方法,将观测数据和实验数据相结合,通过控制函数方法进行因果效应的估计,以解决可能存在未观测混淆变量的问题。该方法应用于课堂规模和第三年级考试成绩的数据,结论表明,课堂规模对学生学业成就有显著影响。
- 通过实验基础消除隐蔽混杂因素
本研究介绍了一种新方法,使用实验数据来纠正更大的观测数据的因果效应模型中的隐藏混淆,证明了该方法的可行性,并使用一项大型教育实验中的真实数据证明了该方法的有效性。
- Deep D-bar:使用深度神经网络进行实时电阻抗层析成像
本研究证明利用卷积神经网络技术处理非线性逆问题可以使电阻抗断层成像的重建效果更加清晰可靠。该网络通过对模拟数据进行训练,并成功地应用于实验数据的处理,无需额外的转移训练步骤。结果使用 ACT4 和 KIT4 电阻抗断层成像系统的实验数据呈现