- 自动轮椅针对环境因素的道路穿越决策实验评估
自主轮椅在安全过马路时受到多种环境因素的影响,如恶劣天气条件会影响人工视觉的准确性。本研究侧重于追踪性能的微调和对雾、雨、黑暗等室外环境因素的实验评估,以量化它们对准确性的影响,从而检测不可接受的准确性条件,并通过降低不准确传感器的声誉来改 - 使用大型语言模型集合生成点击标题剧透
提出了一种基于经过优化的大规模语言模型集合的点击诱饵剧透生成方法,不局限于短语或段落剧透,还能生成涉及文本中非连续部分的多部分剧透;实验评估结果表明,该集合模型在 BLEU、METEOR 和 BERTScore 指标上优于基准模型。
- 基于图神经网络的参数化量子电路表达能力估计
该研究介绍了一种使用图神经网络(GNNs)对参数化量子电路(PQCs)的可表达性进行估计的新方法,并通过实验证明了其预测能力和性能。
- 随机矩阵理论改进的对称正定矩阵的弗雷歇均值
使用随机矩阵理论的方法估计协方差矩阵中的 Fréchet 均值,在处理低样本支持和大量需要平均的矩阵时表现优于现有方法。
- 时序聚类 —— 应用于护理路径分析
通过对患者数据的时间序列进行聚类算法,发现和理解医院中的典型护理路径,从而改进未来的医疗实践。本研究将时间序列的两种方法应用到聚类算法中,并通过实验评估在合成和真实应用案例上的效果。
- 通过机器人操作和物体测量数据库实现物体属性的交互学习
该研究提出了一种通过机器人操控和物体测量数据库自动提取物理物体属性(如材料组成、质量、体积和刚度)的框架。实验评估表明,与基线相比,该算法选择有效的探索动作,并在没有更多学习空间时正确终止实验。
- 统计模型检验基础的改进
Markov 决策过程和统计模型检测在未知转移概率、浓度不等式等方面的改进以及实验评估的重要性。
- 推理时规则擦除器:提取和移除偏见规则以减轻部署模型中的偏见
在高风险应用(如招聘和司法)中,公平对于人工智能系统至关重要。本文提出了一种更灵活的公平范式,即推断时间规则擦除器(Eraser),它考虑了无法访问模型权重的情况,从有偏见规则的移除角度解决公平问题。通过贝叶斯分析验证了修改模型输出以擦除有 - ICLROpenTab: 推进作为开放域表格推理器的大型语言模型
提出了 OpenTab,一个开放域表格推理框架,利用大型语言模型(LLMs)通过表格检索器获取相关表格,并生成 SQL 程序来高效解析检索到的表格,从而实现了准确的响应,实验证明 OpenTab 在开放和封闭领域的设置中显著优于基线方法,达 - PowerFlowNet:利用消息传递 GNNs 提高功率流近似
PowerFlowNet 是一种使用图神经网络的电流流估计方法,在简单的 IEEE 14 总线系统中比传统的 Newton-Raphson 方法更快 4 倍,在法国高压网络中快 145 倍,且在性能和执行时间方面明显优于其他传统估计方法,其 - 多关系图神经网络的元路径学习
在这项工作中,我们提出了一种新的方法来学习元路径和元路径图神经网络,通过少量信息丰富的元路径来提高准确性,在增量构建元路径的过程中使用评分函数来衡量关系的潜在信息量。实验评估表明,该方法即使在存在大量关系的情况下,也能正确识别相关的元路径, - 具有噪声请求估计的无悔缓存
提出了一种名为 Noisy-Follow-the-Perturbed-Leader(NFPL)算法的在线学习算法来设计具有遗憾保证的缓存策略,在请求估计有噪声的情况下,该算法具有亚线性遗憾,并通过实验验证了该方法的有效性。
- 一套用于表格分类的公平数据集
通过引入一组函数以获取 20 个公平数据集并提供相关的公平元数据,希望能在未来的公平感知机器学习研究中进行更严格的实验评估。
- 公正视角下的实体匹配实验分析与评估
通过大规模实验证明了实体匹配算法的公平性存在潜在的不足,特别在现实社会中出现一些特定条件下的人口群体过多代表性和名字相似度不同的群体之间。
- 因果算法补救中时间的重要性
本文论述了在决策过程中应用算法复原的前景,其中考虑到因果关系和时间维度可以增强推荐的可靠性和可信度。实验评价凸显了时间在这一领域的重要性。
- CVPR量子多模型拟合
本文提出了第一种量子方法来解决多模型拟合问题,并且经过实验验证在各种数据集上的应用效果非常有前途。
- 医疗决策中因果干预的贝叶斯网络模型:文献综述与软件评估
本文归纳了系统文献搜索的结果,确定了 Bayesian 网络模型在支持医疗决策方面的应用。通过筛选多篇研究论文,并对公共数据集进行了分析,使用了 Wang B,Lyle C,Kwiatkowska M(2021)开发的因果干预分析软件工具以 - MM用于检测顺序现实数据集中异常的多实例学习
本文研究了如何通过多实例学习 (MIL) 方法在不完全了解异常标签的情况下,检测来自不同物理过程及不同模式的实际数据集中的异常,经过实验评估,该方法在挑战性数据集上的表现优于单实例学习,并具有一定的扩展性。
- 利用公平性来增强敏感属性的重建
本篇论文提出了一种通用的重构校正方法,可以在满足用户定义的约束条件(如公平性信息)的同时最小化敌手的猜测的更改,并解决了黑盒访问目标模型的情况下反应了培训数据敏感属性的问题。
- NMT 能理解我吗?朝着基于扰动的 NMT 模型代码生成评估的方向
本文研究了神经机器翻译在代码生成中的鲁棒性检验方法和评价指标,提出了一组针对性的扰动和度量方式以验证模型的稳健性。通过初步的实验评估,得出了哪种扰动最影响模型以及对未来研究方向的有用见解。