- 基于扩散模型的离线模型优化导向轨迹生成
通过使用离线数据集,我们引入了一种新颖的条件生成建模方法,生成通向高分区域的轨迹,从而提高复杂和高维黑盒函数的最优化效果。
- 通过保守微调扩散模型,建立基于模型的优化和生成建模的桥梁
通过优化奖励模型的方式,我们采用了一种混合方法来调优顶尖扩散模型,结合了生成模型和基于模型的优化方法的优势,以求解 AI 驱动的设计问题。在离线数据集的常见科学领域中,我们关注的是一个奖励模型未知的离线环境,通过学习静态离线数据集,解决过度 - 训练集之外:一种检测模型优化中分布偏移的直观方法
通过训练二元分类器,我们提出了一种简单的方法来检测分布的变化,从而解决了在模型设计过程中的分布偏移问题,并通过验证其在实际应用中的有效性,证实了此方法可以提高设计的质量。
- 政策导向的设计:离线策略优化的保守测试时间适应
本文提出了 DROP 方法,通过离线学习一个 MBO 分数模型在内部级别上进行优化,在外部级别上进行优化以获得奖励最大化并通过引入行为嵌入和保守规则限制,使得 DROP 具备了测试时间自适应能力。与传统离线 RL 方法相比,DROP 取得了 - 基于属性导向的生成建模技术,用于不平衡数据下的鲁棒模型设计
该研究提出了一种基于属性引导变分自编码器的模型优化技术来设计具有期望性质的蛋白序列,并在实验与半合成蛋白质数据集上进行了全面的基准测试,表明该技术具有鲁棒性,能够有效地应对实验结果不够均衡的问题。
- 主动配电网络基于变频器的电压 - 无功控制的两阶段深度强化学习
使用两阶段深度强化学习方法来优化基于逆变器能源的电压调节,通过一个高效的对抗性强化学习算法,训练出离线代理程序,然后将其安全地转移到在线代理程序中,在线学习和控制具有显著的安全性和效率,从而比现有机器学习方法取得更好性能。
- 基于模型的优化的模型反演网络
本文介绍了使用模型反演网络 (MINs) 解决数据驱动最优化问题的方法,并且使其能够应对高维空间且只有少数有效输入的情况下如何避免越界和无效输入等问题。
- 强健性遇上深度学习:一种端到端的混合流水线用于无监督学习自我运动
本文提出一种方法,将深度学习光流和单目视差的预测与基于模型的优化过程相结合,用于瞬时相机姿态估计,并在 KITTI 数据集上展示了最新的结果
- IJCAI基于深度 CNN 去噪和多层邻域分量嵌入的人脸超分辨率算法
本文提出了一种针对小输入低分辨率人脸图像的综合人脸幻象方法,该方法可将基于深度卷积神经网络的去噪先验注入到超分辨率优化模型中,同时通过多层邻域嵌入方法对面部图像进行分割并进行人脸幻象,以实现良好的超分辨率效果。
- 随机森林的超参数与调整策略
本文研究随机森林算法的超参数设置、影响因素与重要性,提出调优建议,推荐使用基于模型的优化策略,并提供 tuneRanger R 软件包实现自动调优。经过多个数据集的测试比较,与其他调优实现和默认参数的 RF 相比,tuneRanger 在预 - CVPR学习深度 CNN 去噪先验用于图像恢复
本篇论文旨在通过变量分裂技术将快速鉴别式去噪模块插入基于模型的优化,实现解决逆问题的目的,并着重于训练一组快速有效的卷积神经网络去噪器以及将其融合到模型优化中,以便更好地应对各种相关低级视觉应用,实验结果表明,学习到的去噪器不仅在高斯去噪方 - mlrMBO: 用于昂贵黑盒函数模型优化的 模块化 框架
mlrMBO 是用 R 编写的模型优化(MBO)工具箱,用于单目标和多目标优化,使用替代回归模型逼近给定的目标函数,实现了多点批量建议、可视化等功能,并在广泛的优化器基准方案中进行了对比,表现出最先进的性能。