機器學習

Entrar

insight - 機器學習

本文提出了一種基於歸一化流的機器學習方法，用於模擬超大質量黑洞雙星產生的重力波背景，並發現該方法在準確性和效率方面均優於傳統的高斯過程方法。

本研究提出了一種基於無監督領域自適應的機器學習方法，用於從無標籤的非同分布 HI 觀測數據中提取宇宙學參數，並證明了其在處理模擬數據與真實觀測數據之間差異方面的有效性。

本文提出了一種結合機器學習勢能和貝葉斯優化來加速原子結構優化的創新方法，並證明了使用 MACE-MP-0 勢能作為先驗概率可以顯著提高 BEACON 算法在尋找各種系統（包括週期性塊體材料、表面結構和銅簇）的全局最小值方面的成功率。

DecoR 是一種新的時間序列因果推斷方法，它利用頻域中的稀疏性假設，通過穩健迴歸有效地去除未觀察到的混雜因素的影響。

本文提出了一種基於強化學習的動態指數追蹤方法，該方法克服了傳統靜態方法的局限性，並能有效地將交易成本納入投資組合再平衡策略中。

本研究提出了一種基於多項邏輯函數逼近的模型強化學習演算法，克服了線性函數逼近的限制，並在理論和實務上證明了其有效性。

本文提出了一種基於攻擊者和防禦者博弈的後門防禦形式化定義，並探討了其與學習能力和混淆技術之間的關係，指出高效的後門防禦是介於高效學習能力和混淆技術之間的一個重要概念。

本文提出了一種名為 NOLO 的新型視覺導航方法，該方法可以讓機器人僅透過觀看單一影片，就能在陌生環境中導航至目標物體。

QT-TDM 模型透過結合變換器動力學模型 (TDM) 和自回歸 Q 變換器 (QT) 來解決基於變換器的強化學習模型在即時規劃中遇到的速度和效率問題。

深度學習模型日益複雜，GPU 架構不斷更新，準確預測模型在不同 GPU 上的性能變得至關重要。NeuSight 架構通過將深度學習核心分解成較小的工作集（tile），並利用機器學習模型預測每個 tile 的設備利用率，從而實現更精準的 GPU 性能預測。

Sobre

Produtos

Recursos