- 一个适应性元启发式框架用于复杂环境
该研究介绍了一个适应性元启发式框架(AMF),用于处理动态环境下的优化问题,它能智能地适应问题参数的变化,通过实时感知系统和适应性技术在连续变化的优化环境中导航。通过模拟的动态优化问题,AMF 展示了它能够检测环境变化并主动调整搜索策略的能 - 多重随机掩蔽自编码器集成的鲁棒多模态半监督学习
计算机视觉和机器学习中存在越来越多的现实世界问题,需要考虑到世界的多个解释层次(模态或视角),并学习它们的相互关系。
- 利用结构因果模型进行潜在选择建模
选择偏差在现实世界的数据中普遍存在,如果不正确处理可能导致误导性的结果。我们介绍了一种在结构性因果模型 (SCM) 上进行条件操作的方法,以从因果的角度建模潜在选择。我们展示了该条件操作将具有明确潜在选择机制存在的 SCM 转化为不具有这种 - Autoinverse: 神经网络的不确定性感知反演
Autoinverse 是一种高度自动化的逆变神经网络代理的方法,该方法能够在真实世界中部署,并且具有可行性和嵌入式正则化,并且在控制、制造和设计等领域得到了验证。
- Evo* 2022 -- 晚期提交的摘要
该研究介绍了生物启发式方法(主要是演化计算)在不同真实世界问题中的应用及其初步研究结果。
- 模拟引导的神经组合优化梁搜索
通过引入模拟指导波束搜索(SGBS)和有效主动搜索(EAS)的组合,提高了神经组合优化的搜索效率。
- 一个易于使用的实际多目标优化问题套件
提供一个包括 16 个实际边界约束的多目标优化问题的集合,其中有 4 个混合整数优化问题,它们可以用来评估进化多目标优化算法的性能,并提供了 Java、C 和 Matlab 的源代码,同时提供了 8 个约束多目标实际问题。
- 量子计算机的能力测量
量子计算机可在某些特定问题上战胜超级计算机,但是目前硬件错误限制了其性能,我们提出了一种有效的方法来测试可编程量子计算机的能力,发现当前硬件存在复杂错误,导致结构化程序失败比无序的早一个数量级,因此我们提供了可靠和可扩展的基准测试,以便预测 - ECCV多摄像机视角下的实例关联
我们提出了一个具有挑战性的数据集,其中包含多个场景的乱桌子,包含相同的、堆叠的和被其他实例遮挡的多个对象实例,该数据集挑战了现有方法在挖掘微小外观差异、基于上下文的推理、融合外观与几何线索以建立关联方面的性能,在一些流行的基线上报告了有趣的 - AAAI带有分割骨架约束的曲率有界函数贪心最大化
本研究探讨了确定性 GREEDY 算法在分区拟阵约束下的函数最大化问题中的性能,特别是对于非单调子模函数或单调半可加函数的贪心最大化问题给出了近似保证,并讨论了其在最大化行列式函数、有向图上的最大割问题和组合拍卖游戏等三个实际问题中的适用性 - 对抗样本是否不可避免?
本文从理论研究角度分析识别器的易受攻击性,识别了对抗例子的的根本限制。通过实验探讨理论在现实世界的问题中的应用以及图片复杂性对分类器抗对抗性的限制。
- NIPS医生就是不接受这样的事实!
机器学习的不可解释性给人带来了很大的困扰,因此需要建立可解释模型,以规避应用中可能引起社会伤害的风险。为了推进机器学习的可解释性,我们需要重视现实问题及其相关利益相关者的要求,将其可行性进行考虑。
- 一个以工业控制问题为基础的基准测试环境
本研究介绍了一个用于桥接软件基准测试和真实工业应用的工业基准测试,并公开了其 Java 和 Python 代码及 OpenAI Gym 封装器。该基准测试设计为捕捉真实工业控制问题中常见情况的原型实验设置。
- MM图形潜力博弈
本文介绍了潜力博弈及其图形化版本,比较新的工作发现了潜力博弈在很多实际问题中的应用,如网络路由和拥塞,分布式资源分配和图像分割等,图形潜力博弈具有协调、局部相互作用、格点、拥塞和派系等几种类型,通过概率图模型的相关结果,本文提供了几种图形潜 - 利用复杂网络分析和建模现实现象:应用综述
通过分析复杂网络在各种真实世界问题和数据的表示、分析和建模方面的应用,介绍其主要概念和模型,并调查了一系列现象,对其应用于新理论方法和应用于实际问题的潜力进行评估。
- 不精确环境下的强韧分类
提出了一种基于 ROCCH 方法的混合分类器,可以有效地处理实际环境中的分类器性能不确定性和最优条件缺乏问题,以达到在各种场景下至少与最优分类器相当的表现水平。