- 可解释人工智能在地球系统科学中的应用
近年来,人工智能迅速加速其影响力,如果得到恰当利用,将促进地球系统科学的发展。解释性人工智能(XAI)提供了一套强大的工具,可以使模型更加透明。本文旨在为地球系统科学学者提供对 XAI 的基本理解,作为未来研究进展的基础,并鼓励地球系统科学 - 优化非监督学习和监督学习:精确自然语言任务建模的混合方法
本文提出了一种新颖的混合方法,通过协同无监督和有监督学习,来提高自然语言处理任务建模的准确性。通过集成无监督模块和有监督模块,该方法在文本分类和命名实体识别方面取得了最新技术结果,为更高效和强大的自然语言处理系统铺平了道路。
- SRLM:基于大型语言模型和深度强化学习的人机交互社交机器人导航
我们提出了一种新的混合方法,称为社交机器人规划器 (SRLM),它将大型语言模型 (LLM) 和深度强化学习 (DRL) 相结合,以在人满为患的公共场所为人们提供多种社交服务。SRLM 通过实时人类指令推断全局规划,并将社交信息编码到基于 - GTAGCN:广义拓扑适应图卷积网络
基于广义聚合网络和拓扑自适应图卷积网络的混合方法,适用于顺序数据和静态数据的类型,在节点和图分类中都有良好的表现。
- 在深度学习方法中利用约束编程动态解决柔性车间调度问题
我们提出了一种融合了约束编程和深度学习的方法来解决灵活作业车间调度问题,该方法通过使用约束编程生成的最优解来训练深度学习模型,以消除深度强化学习中广泛搜索的需求,并在解决过程中共同应用深度学习和约束编程来提高性能。
- 二阶优化中的模糊超参数更新
这篇研究介绍了一种混合方法,用于加快二阶优化中的收敛速度。介绍了对角黑塞矩阵的在线有限差分近似方法,以及对多个超参数的模糊推理。取得了竞争力的结果。
- ECToNAS:进化交叉拓扑神经架构搜索
ECToNAS 是一种成本效益高的进化交叉拓扑神经架构搜索算法,它不需要任何预训练元控制器。该框架能够为不同的任务和超参数设置选择适当的网络架构,在需要时独立进行交叉拓扑优化。这是一种将训练和拓扑优化融合为一个轻量级、资源友好的过程的混合方 - 传统与新一代蓄水库计算的混合应用在动力系统精确高效预测中
基于混合模型的混沌动力系统时间序列预测方法能够提高计算效率和解决传统模型的局限性。
- 信念规则库混合专家系统的综合调查:决策科学与专业服务的桥梁
使用混合方法的信念规则库(Belief Rule Base,BRB)系统可以处理模糊性、随机性和无知,既能处理数值数据又能处理来自不同来源的语言知识,具有很强的适用性。本研究旨在探索 BRB 的演变和多方面应用,并通过分析其在不同领域的发展 - 自动生成巨大,快速生成:快速自回归解码的 LLM-to-SLM
我们提出了一种混合方法,结合不同规模的语言模型以提高自回归解码的效率,同时保持高性能。该方法利用一个预先训练的冻结语言模型来编码所有提示标记,然后使用生成的表示来引导一个较小的语言模型来更高效地生成响应。与 LLM 相比,我们的方法在翻译和 - 评估和开发面向 LLMs 的规划感知技术
基于最近的研究,我们通过实验表明,大语言模型(LLMs) 缺乏规划所需的必要技能。基于这些观察,我们提倡将 LLMs 与经典规划方法相结合的混合方法的潜力。然后,我们引入了一种新颖的混合方法 SimPlan,并在一个新的具有挑战性的环境中评 - 具信息不确定性的超声图像的扩散重建
借鉴扩散模型的进展,我们提出了一种混合方法以改进超声成像质量,通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法,并在模拟、离体和体内数据上进行全面的实验,证明其较单一面波输入和现有方法相比实现了高质量的图像重建。
- 利用线条进行双视点相对位姿估计手册
我们提出了一种估计已标定图像对之间相对位姿的方法,通过综合利用点、线及它们在混合方式下的重合情况。我们研究了这些数据模态可以共同使用的所有可能配置,并回顾了文献中可用的最小求解器。我们的混合框架结合了所有配置的优点,在具有挑战性的环境中实现 - 使用大语言模型增强基于流水线的会话代理
本研究探讨了大型语言模型(LLM)在改进基于流水线的对话代理中的能力,并通过私人银行业务的实例证明了 LLMs 的潜力和公司采用混合方法的好处。
- IJCAI基于混合可微分渲染方法的高效多视角逆向渲染
从自然二维图像中恢复现实世界物体的形状和外观是一个长期存在且具有挑战性的逆渲染问题。本文介绍了一种新颖的混合可微渲染方法,能够从传统手持相机捕捉的多视图图像中高效重构场景的三维几何和反射率。我们的方法采用分析与合成的方法,分为两个阶段。在初 - 物流中心位置优化:一种基于 K-Means 和 P-Median 模型的混合方法,利用道路网络距离
使用混合方法优化物流中心的位置,节省每个送货的距离并减少碳足迹。
- 基于 ChatGPT 的投资组合选择
本文探讨了生成式 AI 模型(如 ChatGPT)在投资组合选择方面的潜在用途。结合 ChatGPT 和先进的量化优化技术,通过融合 AI 生成的股票选择优势和量化优化模型,观察到更稳健和有利的投资结果,为未来更有效可靠的投资决策提供了混合 - 增强优化性能:高斯融合搜索与 Powell 方法的无导数优化中的新型混合算法
通过将高斯压缩搜索(GCS)与不需求导的优化中的 Powell 方法进行混合,本研究提出了一种增强优化性能的新方法。通过实验发现,将 GCS 与某些传统的不需求导的优化方法相结合,不仅可以显著提升性能,同时保留了每种方法的优势,为优化复杂系 - 关于注意力网络学习动态
关注模型有三种不同的潜在变量边际可能性(LVML):软关注、硬关注和软关注损失。我们观察到使用这些范例学到的模型具有独特的特征,并且提出了一种简单的混合方法,结合了不同损失函数的优点。
- 重新思考物理符号系统假设
通过重新审视计算符号的本质,该论文提出了一种混合方法,旨在应对物理符号系统假设的挑战以及填补符号和神经方法之间的鸿沟,并引入了两个新假设。