- 深度学习用于机制模型参数的快速推理
利用深度神经网络预测机械模型参数在生物过程工程中起到了重要的作用,提供了高效、健壮且计算成本低的参数估计方法,综合实验数据对比了提出的算法与传统方法,发现神经网络预测的参数估计优于传统拟合程序。
- 基于 PINNs 的瞬态稳定性分析不确定性量化
本研究利用物理信息神经网络(PINNs)的集成模型(E-PINNs)来解决具有缺失参数和摆动方程中的不确定性传播的电力系统的暂态稳定性挑战,并在提高准确性和降低计算负载方面估计关键参数的角度和惯性系数。E-PINNs 利用摆动方程的基本物理 - 重力波的 hp-greedy 约简基超参数优化
通过贝叶斯优化对于引力波中降低基准、超参数优化的研究,该方法在同样准确度下具有较低的维度,达到参数估计加速的目的。
- 一般性 Softmax 门控多项式逻辑混合专家的理论
通过建立 softmax gating multinomial logistic MoE 模型的密度估计和参数估计的收敛性速率,我们揭示了 softmax gating 和 expert 函数之间的相互作用通过偏微分方程导致了多项式速率变慢 - AI-Aristotle:物理启发式框架用于生物系统灰盒识别
我们提出了一种新的物理知识 - 感知框架,用于系统生物学领域中的参数估计和缺失物理识别 (gray-box identification),该框架将 eXtreme Theory of Functional Connections (X-T - 基于统计的 Top-K 稀疏 Softmax 门控混合专家
通过定义损失函数和构建高斯混合专家模型,我们从密度和参数估计的角度对顶部 K 个稀疏 Softmax 门控函数进行理论研究,发现要保证密度估计的收敛,所选取的门控函数所包含的专家数量至少必须超过与真实参数相关的某些 Voronoi 单元总基 - 一种带有噪声规范的模块化空间聚类算法
基于模拟生物群落的算法设计实现了一种能够在聚类中平衡性能与参数优化难度的新型聚类算法 Bacteria-Farm,并且该算法还可以根据具体任务和数据分布创建不同版本,并具备排除噪声的功能。
- 将顺序变化检测简化为顺序估计
通过使用置信序列,我们将时序变化检测简化为时序估计,并在所有活动置信序列的交集为空时宣布变化。我们证明了平均运行长度至少为 1/α,从而实现了具有最小结构假设但具有强有力保证的变化检测方案。
- 关于计算高效学习指数族分布的研究
在本文中,我们提出了一种新的损失函数和一种计算高效的估计器,它在温和条件下是一致且渐近正态的。我们将我们的方法视为同一类指数族的重新参数化分布的最大似然估计,并证明我们的估计器可以解释为最小化特定的 Bregman 得分以及最小化代理似然的 - 利用神经网络进行快速高分辨率合成孔径雷达粗糙度估计
使用基于神经网络的估计方法,可以快速而可靠地预测合成孔径雷达图像中的粗糙度参数,并能应用于高分辨率真实合成孔径雷达图像中的像素级粗糙度估计。
- 结构化广义线性模型的谱估计器在近似传递消息中的应用
通过简化的特征值估计方法和相关的高斯设计,文章研究了参数估计问题,通过对数据进行合理预处理来最小化所需样本数量,并且开发了一个基于近似传递消息算法的策略来解决相关高斯设计中旋转不变性假设不成立的难题。
- 基于传输方法的顺序仿真推断
我们提出了一种新的基于传输的方法来高效地进行静态模型参数的顺序贝叶斯推断,该策略基于从参数和数据的联合分布中提取条件分布,通过估计结构化的(例如,块三角形)传输映射。这为似然函数及其梯度提供了明确的代理模型,从而使得可以在无模型、在线阶段通 - 非线性系统参数估计的机器学习方法
利用 Huber 损失函数的神经网络来准确估计复杂非线性系统的参数,该方法通过训练神经网络使用带有噪声的时间序列数据,使其逐步收敛到准确的参数,并在阻尼振荡器、Van der Pol 振荡器、Lotka-Volterra 系统和 Loren - 广义线性模型的结构化低秩张量
一项关于采用张量结构在回归问题中进行系数张量估计的新颖低秩张量模型 (LSR) 的研究,提出了参数估计的块坐标下降算法,并得出了一种在 LSR 张量 GLM 问题中用于估计系数张量的极小极大下界,表明其样本复杂度可能远低于矢量化 GLM。
- 负面情绪不要如此消极!具有指导助手的基于评分的生成建模
基于最大似然原则的参数估计,使用迭代最优化算法获取数据似然函数的最优解。本文提出一种新的去噪扩散概率模型方法(Gen-neG),利用外部的辅助信息进行模型学习,在生成过程中通过生成对抗网络(GANs)和鉴别器引导策略,将生成样本限制在正区域 - 离散正则化的时变马尔科夫随机场的解路径
推断稀疏的时变马尔可夫随机场,通过精确离散正则化解决最大似然估计问题,提出了一种高效、参数化的解路径描述方法,并在不同时间变化的马尔可夫随机场中实现了可验证的小估计误差。
- 机器学习和深度学习模型的可识别性超越收敛
通过对参数估计的案例研究,研究了模型参数可辨识性的概念,揭示了其在机器学习和深度学习中的重要性,并提出了解决不可辨识性挑战的方法。
- 指向用户模型的摊销实验设计与参数估计
通过与模型空间中的仿真参与者进行交互并使用合成数据而非大量人类数据,我们的解决方案学习哪些实验能够为参数估计提供最有用的数据,从而减少了实验设计的计算成本。我们的研究针对指向的三个逐渐复杂的模型进行了示范。
- 逻辑回归估计的样本复杂度
透过研究样本复杂度,我们发现逻辑回归模型的参数估计受到维数和逆温度的影响,其样本复杂度曲线在逆温度上具有两个临界点,明确地分割低、中、高温度区间。
- 多层次区域 COVID-19 动态流行病学建模与预测
该论文提出了一种结合流行病学方程和深度学习的方法来模拟 COVID-19 疾病传播情况,结果表明,这种方法在五个国家和地区具有良好的预测能力和可视化表现。