- 高精度纠错:一种用于纠正语音识别错误的后期编辑方法
该研究提出了一种新的方法来通过后期编辑来纠正语音识别错误。通过使用一个神经序列标注器来逐字学习如何纠正 ASR(自动语音识别)假设,以及一个应用标注器返回的纠正的纠错模块,该解决方案适用于任何 ASR 系统,提供对正在纠正的错误的高精确度控 - AnomalyDINO:使用 DINOv2 提升基于补丁的少样本异常检测
本文探讨了高质量的可视特征是否足以与现有的最先进的视觉语言模型竞争,并通过将 DINOv2 适应于一次性和少量次数的异常检测来证实这一点,重点放在工业应用上。我们表明这种方法不仅能与现有技术竞争,而且在许多情况下甚至能胜过它们。我们提出的仅 - S2DEVFMAP: 基于双集成投票融合的自监督学习框架用于时间序列中最大化异常预测
通过使用五个异构独立模型与双集成融合投票技术,该工作提出了一种新颖而强大的方法来进行异常检测,以提高工业冷却系统数据的可靠性和性能,实验结果表明该方法具有很高的准确性和可靠性。
- 产业视角下的 LLMs: 挑战与前景解析 - 一项概述调研
本文旨在探讨大型语言模型(LLMs)在工业环境中的障碍和机遇,并基于一组行业从业者的调查和 68 篇行业论文的研究,提出四个研究问题以得出有意义的结论。
- 基于点云的工业系统三维缺陷检测与分类的进展:综述
对基于深度学习处理三维点云的工业应用中的缺陷形状分类和分割的最新进展进行全面综述,旨在为产业系统中剩余寿命的理解和提升做出贡献。
- 如何在小数据情况下进行机器学习?—— 一份来自工业角度的综述
人工智能在科学、工业和日常生活中经历了技术突破,小型数据的机器学习在数据科学和应用中扮演着重要角色,机器学习在小型数据的工业应用面临五个关键挑战:无标签数据、不平衡数据、缺失数据、不足数据和稀有事件。
- 随机配置机: FPGA 实现
通过在可编程门阵列 (FPGA) 上实现二值化输入的 SCM 模型,本文报告了两个基准数据集和两个工业数据集的结果,包括单层和深度架构的 SCM。
- 从时间序列数据和知识图谱中学习语义关联规则
该研究论文介绍了在数字孪生系统中利用语义关联规则学习和知识图谱的方法,并通过工业应用的评估表明该方法能够学习具有语义信息的大量关联规则,为进一步研究工业应用的语义关联规则学习奠定了基础。
- 工业与机器人领域中的神经辐射场:应用、研究机会和使用案例
该研究论文通过详细研究神经辐射场(NeRF)在工业应用领域的潜力,并提供未来研究方向,证明了 NeRF 在工业领域的潜力。此外,论文还展示了 NeRF 在视频压缩和三维运动估计方面的实验结果,证明了它们在这些应用中的有效性。
- DeRisk:基于实际金融数据的信用风险预测的有效深度学习框架
在本文中,我们提出了 DeRisk,这是一种有效的深度学习风险预测框架,用于真实世界的金融数据的信用风险预测,首次超越了我们公司生产系统中部署的统计学习方法。我们还对我们的方法进行了广泛的消融研究,以展示 DeRisk 在实证成功中最关键的 - 可解释预测性维护
本文强调了现有可解释人工智能的方法与行业应用之间的鸿沟,并探讨了特定于预测维护领域的解释方案的需求和不同目的,列举和描述了通常在文献中使用的可解释人工智能技术,最后展示了四个特定的工业用途案例。
- 面向元宇宙的语义感知数字孪生:综述
本文介绍一个数字孪生框架,结合 Metaverse 的技术,实现语义通信,以提高工业应用程序的性能,展示了语义意识如何成为数字孪生在 Metaverse 应用程序中的有效实现方案。
- 针对少样本无监督图像异常检测,什么是好的数据增强方法?
数据增强是工业应用中无监督异常检测的一种有前途的技术,本文通过实验系统研究了如何选择和应用数据增强方法来提高工业图像异常检测算法的性能,并发现不同数据增强方法对不同的算法并没有显著影响。这些发现为选择适当的数据增强方法提供了有用的指导。
- WWW实用的赌博算法:从产业角度的观点
本文介绍了赌博机模型在工业应用中的决策模型框架,以及在多臂问题、上下文环境、反馈、优化等方面的具体实现方式,旨在帮助从业者更好地运用该方法优化商业应用的相关问题。
- 垂直联邦学习
本文提供了关于垂直联邦学习的综述,包括联邦学习的概念、算法及其各个方面的挑战和现有进展;介绍了 VFL 的分类、隐私保护协议、攻击和防御策略,并提出了 VFLow 统一框架;最后还回顾了工业应用的最新进展和存在的开放性问题和未来发展方向。
- 少数正样本的多元时间序列异常检测
本文介绍了两种方法来解决实际应用中时间序列异常检测的需要,并结合自回归 (AR) 模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量,将所提出的方法应用于两个工业异常检测数据集,并与文献中的方法进行了比较。此外,本研究还指出了 - Shifts 2.0:扩展实际分布漂移数据集
本文扩展了 Shifts 数据集,加入了两个来源于高风险工业应用的数据集,用于探索模型的鲁棒性和不确定性估计。新数据集包括 3D 磁共振脑图像中白质多发性硬化病变的分割和船舶功耗的估计,具有普遍分布转移和严格的安全要求。
- 一次前向传播实现高效推理的多任务文本分类
本研究旨在探讨如何使用多任务学习模型来提高实时 web 内容分类的效率。研究提出了一种可扩展的方法,通过仅一次前向传递即可在计算成本接近 O (1) 的情况下获得更强的性能。同时基于新闻题材和风格分类提供了多任务数据集,并通过实验证明所提出 - 大众金融服务公司的人工智能和数据驱动移动
本文介绍了在汽车租赁领域应用机器学习,利用现有专有数据和最新研究加强现有和衍生新的业务过程,并提出了基于推荐系统、物体检测和预测的方法,以数据驱动的方式做出决策。
- 带有可变智能体数量的协作任务的 K 近邻多智能体深度强化学习
本文提出了新的深度加强学习算法来处理可变数量的智能体问题,结合日立开发的车队管理模拟器,应用于生产现场的实际场景。