- 使用脑启发的调制强化学习可以提高对环境变化的适应能力
研究提出了一种新的神经元学习规则,它使用突触前输入来调制预测误差,将其嵌入表格和深度 Q 网络强化学习算法中,可以在简单而高动态的任务中胜过传统算法,这提出了一种新的生物智能核心原则。
- ICMLFEDformer:用于长期序列预测的频率增强分解变换器
该研究提出了一种名为 FEDformer 的算法,采用 Transformer 和季节趋势分解方法相结合,提高长期预测的性能,同时通过基于 Fourier 变换的频率增强技术进一步提高了预测的准确性,与当前先进的方法相比,在多元和单元时间序 - CVPR自主车辆轨迹预测的对抗鲁棒性
本研究分析了自主驾驶车辆轨迹预测的敌对鲁棒性并研究其是否仍可导致安全规划,提出一种新的敌对攻击方法来增加预测误差,并探讨了数据增强和轨迹平滑等可能的缓解技术。
- AAAI在线图形探索方法的鲁棒化
利用机器学习预测作为辅助,通过引入预测算法结合最近邻算法,探索未知环境的学习增加变种基于线上图探索问题的研究,证明当预测精度高时算法显著优于其他线上算法,并在预测较差时保持良好保证,提供了与预测误差平稳退化的理论最坏情况下的绑定,并通过计算 - AAAI在线斯坦纳树学习增强算法
本文考虑了将机器学习与在线算法设计相结合的新型 “超越最坏情况” 算法分析模型在在线 Steiner 树问题上的应用,其中预测的终端节点可能不正确,算法性能取决于错误预测的数量,可以通过正确预测来突破在线下界并且具有良好的竞争比,同时实验证 - 噪声数据最小 L1 范数插值的紧密界限
提供了最小 L1 - 范数插值器的预测误差的匹配上下界,实现了噪声下最小范数插值的渐进一致性,这是第一篇研究针对等向特征和稀疏真相的文献,补充了关于最小 L2 - 范数插值的 “良性过拟合” 的文献,当特征是有效低维时,才能实现渐进一致性。
- 看到他人,发现自己:多任务检测自身失败
本文提出一种基于关注机制的多任务联合失败检测方法,该方法能够评估多个视觉感知任务在图像不同区域的预测准确率和失效率,利用监督式多任务不确定性估计及其对应的预测误差,实现更准确的预测误差估计。
- MM基于序列到序列学习的智能家居短期负载预测
本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线,并使用 4 个住宅建筑物的真实数据集将其与 VARMA,Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较,结果表明,在大多数情 - CART 稀疏学习
本文研究了 CART 方法构建的回归树的统计特性,发现训练误差由每个节点中的最优决策树与响应数据的 Pearson 相关性控制,并通过构建先验分布和解决非线性优化问题来限制其范围,利用训练误差和 Pearson 相关性之间的联系来展示当深度 - 机器学习建议在线缓存的近最优界限
该论文研究了基于机器学习建议的在线缓存模型,提出了一种新的算法来解决缓存问题,该算法适用于低误差情况下的预测,具有低的竞争比率;通过改进算法和提供下限,有望进一步提高算法性能。
- 递归神经网络无模型预测时空动力系统:网络谱半径的作用
通过研究循环神经网络预测非线性动态系统的类,我们发现神经网络中谱半径的区间是最小化预测误差的区域,并且该现象对不同的非线性偏微分方程描述的系统都存在,在优化储水池计算设计方面具有益处。
- 趣味驱动学习的大规模研究
本文通过大规模实验,研究了无外部奖励下的” 好奇心驱动学习 “ 与外部奖励的比对,研究了用于计算预测误差的不同特征空间,并探究了在随机环境中使用基于预测的奖励的局限性。
- 凸聚类的统计特性
本文研究了凸聚类的统计特性,将其与单链式聚类和 $k$- 均值聚类密切相关,建立了凸聚类的调参范围、提供了自由度的无偏估计和预测误差的有限样本界限,并在模拟研究中与某些传统聚类方法进行了比较。
- 岭回归随机设计分析
本文针对随机设计条件下,普通最小二乘估计量和岭回归估计量进行了同时分析,并从协变量 / 响应分布的温和假设出发,提供了关于 “样外” 预测误差的尖锐结论。同时,本文揭示了估计协方差结构错误和建模错误的影响,这两种影响在固定设计条件下并不存在 - 适应性 Lasso 与阈值 Lasso 在可能误规定的模型中的应用
本文研究使用自适应 Lasso 和阈值 Lasso 结合重设计方法在高维线性模型中预测误差、Lq 误差(q∈{1,2})、假阳性选择次数等方面的性能,并发现两种方法的差异在于受限和稀疏特征值,支持阈值 Lasso 优于自适应 Lasso。此