- 因果室:作为人工智能方法论实验台的真实物理系统
通过构建名为因果室的计算机控制实验室,研究人员可以在各个领域中快速、廉价地生成大量来自非平凡但易理解的物理系统的数据集,并提供一种丰富的算法测试平台,解决因果发现、分布外泛化、变点检测、独立成分分析和符号回归等问题。
- 利用高斯过程提升均值回归时间序列预测:金融预测中的功能性和增强数据结构
本研究使用高斯过程(GPs)探索了对具有基本结构的均值回归时间序列进行预测的应用,使用相对未开发的函数和增强数据结构。通过模拟数据,我们可以将预测分布与测试集的实际分布进行比较,从而减少对实际数据进行时间序列模型测试时固有的不确定性。
- 通过分数匹配的因果推断非线性模型的快速方法
利用模拟数据在因果发现领域普遍存在,本文对线性数据和非线性模型中方差的演变模式进行了研究,并引入了 ScoreSort 算法。通过理论和实证分析发现 ScoreSort 在统计效率上相较于之前的方法具有优势,认为缺乏数据多样性限制了非线性因 - 生成稀疏潜变压缩感知
利用神经网络生成模型进行压缩感知的背景信号重建,并通过模拟数据评估了提出的算法。
- MMDUSA: 解耦无监督 Sim2Real 车辆协同感知适应
车联网 (V2X) 的协作感知对于自动驾驶至关重要。然而,实现高精度的 V2X 感知需要大量的真实世界数据进行标注,这往往昂贵且难以获取。模拟数据因其可大规模低成本生成而备受关注。然而,模拟数据与真实世界数据之间存在显著的领域差异,包括传感 - 混合数据驱动 / 热仿真模型用于舒适评估
通过混合实际数据和模拟数据,利用机器学习模型在预测舒适度方面取得了很有希望的结果。
- 自我兼容性:无需基准事实进行因果关系探索的评估
通过测试不兼容性来检测错误推断的因果关系,以支持因果模型的选择,并提供了因果发现算法在模拟数据中的评估方法。
- G 不变扩散映射
本文研究了从连续矩阵群操作下闭合的流形采样的数据嵌入问题,提出并证明了特定矩阵的特征向量与群的幺模表示元素的张量积可导出表征群作用的扩散映射,该方法在聚类和配准数据点方面表现出色。
- 贝叶斯推断与神经估计声波传播
本文提出了一种新颖的框架,将物理和机器学习方法相结合,用于分析声学信号。该框架包括三种方法:用贝叶斯推断法推断谱声学特性,将神经网络配备前向和反向物理损失的神经物理模型,以及用作基准的非线性最小二乘法。推断的传播系数导致室内冲激响应(RIR - 非合作博弈中人类决策预测:基于模拟的脱机评估
本文研究基于自然语言的说服游戏中的 off-policy evaluation (OPE) 问题,并提出了一种利用真实交互和模拟数据相结合的深度学习训练算法,显著提高了模型性能,同时证明了真实交互和模拟数据结合是一种具有成本效益和可扩展性的 - CVPRCARTO:类别和关节无关的复原关节对象
使用隐式物体中心表示法和编码器 / 解码器,提出了一种重建多个关节物体的方法,该方法可以在单个观察中推断多个未知物体的 3D 形状,6D 姿态,类型和状态,并且在虚拟和现实世界中都得到了很好的表现。
- 基于学习的本地可定位性估计用于强鲁棒性激光雷达定位
提出了一种基于神经网络的方法,用于检测在机器人运行期间的定位问题,着重关注激光雷达测距定位模块,该方法通过模拟数据训练,可以适用于不同的环境和传感器类型,并在挑战性环境下进行了实地实验测试。
- RealCause: 真实因果推断基准测试
该研究论文使用灵活的生成模型提供基准,既可以提供因果效应的真实值,又可以代表真实数据,评估了 1500 多种不同的因果效应估计器,并提供证据表明使用预测指标选择因果效应估计器的超参数是合理的。
- EMNLP从指令学习生成对话:使用模拟聊天构建对话系统
使用预训练语言模型 GPT2 创建用户机器人和代理机器人来模拟任务对话,从而提高少量样本场景下的数据生成策略的效率。在 MultiWOZ 数据集和 Persona 聊天数据集上的实验结果表明,使用模拟数据能够显著提高模型性能.
- 基于一致性学习的内窥镜图像域适应方法在器械分割中的应用
本研究提出了一种基于一致性的方法,用于联合学习模拟和真实内窥镜数据的手术工具分割问题,实验结果表明,该方法在手术工具分割领域具有相对较好的效果。
- IJCAI物理感知时空模块与辅助任务的元学习
提出了一个物理感知元学习的框架,该框架利用偏微分方程独立的知识并利用空间模块来适应有限的数据,从而缓解了元学习需要大量真实世界任务的需要,以模拟数据为基础进行元初始化,并在合成和真实世界的时空预测任务中展示了其卓越的性能表现。
- EventGAN:利用大规模图像数据集改进事件相机
利用卷积神经网络从一对时间图像帧中模拟事件的方法,可克服事件相对于计算机视觉问题的限制。在大规模图像数据集上,通过这种模拟数据,训练用于对象检测和 2D 人体姿势估计的下游网络,能够成功推广到真实事件数据集上。
- 单张图像中的相机到机器人位姿估计
使用深度神经网络处理机器人 RGB 图像,实现不需要离线校准的单帧相机位姿估计
- 使用 Wasserstein 生成对抗网络设计蒙特卡罗模拟
该论文介绍了一种新的方法使用生成对抗网络生成接近真实经济数据的人工数据,而且可以限制研究者的操作,以评估某种统计方法在特定数据集上的性能,从而提高研究的可靠性。
- 合成样例提高罕见类别泛化能力
研究了少量样本学习的一个解决方案,通过模拟数据来扩充现有训练数据,并应用于动物物种分类。研究结果显示,使用模拟数据可以大幅降低对稀有分类的误分类率,并且随着模拟数据量的增加,目标分类的准确性也随之提高,同时高变化的模拟数据提供了最大的性能提