利用預先訓練的神經網路增強變分量子電路的機器學習能力
預先訓練的經典神經網路可以通過增強表示能力和泛化能力來提高變分量子電路（VQC）在量子機器學習任務中的性能。
利用大型語言模型增強型層次注意力網絡實現客觀公正的決策評估
本文提出了一種名為 BGM-HAN 的新型層次注意力網絡模型，並結合代理工作流程，用於減輕高風險決策評估中的認知偏差，並通過大學錄取評估的真實數據驗證了其有效性。
透過約束規劃學習模型無關的解釋
本文提出了一個基於約束規劃的框架，用於學習與模型無關的、簡潔且精確的機器學習模型解釋，並通過學習最佳的單調規則來生成解釋，其精度取決於規則擬合黑盒模型的能力。
基於自主導航的動態認知地圖學習
本文提出了一種基於主動推理框架的動態認知地圖學習方法，使自主代理能夠在未知環境中高效探索、定位自身並學習環境結構，並通過與現有模型的比較驗證了其有效性和效率。
在不同類別不平衡和受保護群體比例下公平性度量的特性
類別不平衡會顯著影響群體公平性度量的行為，特別是對於正預測值一致性和負預測值一致性，這凸顯了根據資料特性選擇適當度量的重要性，並強調了開發對類別不平衡更具免疫力的新度量的必要性。
基於強化學習的回溯輔助多智能體探索 (BAMAX)
BAMAX 是一種利用回溯機制增強多智能體協作探索效率的強化學習方法，實驗證明其在不同大小的六邊形網格環境中均優於傳統算法。
從自然語言監督中學習時間序列信號的概念：CLaSP 模型
CLaSP 模型透過對比學習，將時間序列信號與自然語言描述聯繫起來，實現了使用自然語言查詢和分析時間序列數據的功能。
基於物理訊息蒸餾的擴散模型
本文提出了一種名為物理訊息蒸餾（PID）的新型擴散模型蒸餾技術，該技術受物理訊息神經網路（PINN）啟發，能夠訓練出僅需單一步驟即可生成圖像的學生模型，並在不需生成合成數據或精細調整特定超參數的情況下，實現與大多數現有技術相當的效能。
開發有效的訓練資料集以增強基於人工智慧的說話者分離系統的效能
基於人工智慧的說話者分離系統在真實錄音條件下表現不佳，因為它們通常在合成資料集上進行訓練，而這些資料集不能完全代表真實世界的複雜性。本研究提出了一種構建真實訓練資料集的新方法，該資料集包括混合訊號和每個說話者的相應真實資料。將此資料集在深度學習模型上進行評估，並與合成資料集進行比較，結果顯示，在真實混合情況下，說話者分離準確度（根據尺度不變訊號失真比（SI-SDR）衡量）提高了 1.65 dB。這些發現突出了真實訓練資料集在提高說話者分離模型在真實場景中的效能方面的潛力。
無圖客戶端的聯邦圖學習
本文提出了一種名為 FedGLS 的新型聯邦圖學習框架，旨在解決部分客戶端缺乏圖結構資訊的情況下，如何聯合訓練圖神經網路模型的問題。
© 2024 by Linnk AI