跳到主要内容
检索

Waseda University

6 篇关联报道

订阅更新
  1. arXiv

    双曲降维不再依赖变分近似:RHFF-LVM 用闭式随机特征,在合成树上把树距相关做到 84.3

    双曲空间适合嵌入层级数据,但此前的双曲高斯过程隐变量模型要为每个核矩阵元素做数值积分,还要联合优化辅助变量,规模一大就难以训练。RHFF-LVM 改用 Helgason–Fourier 变换导出的显式有限维随机特征来近似双曲核,把观测建模为隐变量的特征投影,从而去掉数值求积、变分下界和诱导点。在合成二叉树上,它的嵌入距离与真实树路径长度的 Spearman 相关为 84.3,高于欧氏对照 RFF-LVM 的 74.9 和最强双曲基线 Poincaré Map 的 82.4。

  2. arXiv

    智能体报信心会虚高:审计枢轴计分把分配收益算进转移,越界报告变少

    多智能体系统里,置信度一旦决定谁获得下游算力与决策权重,智能体就有动机虚报。审计枢轴计分机制(APSM)把平台控制的分配收益从转移中抵消,用逆倾向加权的稀疏审计核验结果,再收取 Clarke 枢轴外部性并叠加严格适当评分,使真实报告成为唯一期望效用最优回应。在无计算器实验中,Top-K 激励下智能体确实抬高置信度;在智能体本地效用接口辅助下,APSM 相对补偿式适当评分(CPS)取得更低的 Brier 损失和更少的截断越界,但 CPS 的精确分配匹配率更高。

  3. 车道一封,实时需求校准反而更准:网格网络第10天密度误差比LimEKF低63%

    一种把数据驱动需求预测网络与黑箱微观交通仿真器双向耦合的实时OD需求校准框架,用可解析的元模型代替仿真器回传梯度,使网络参数和需求估计随时间步同步更新。在3×3网格网络中,第10天B1C1车道于4小时封闭后,该框架密度MSE为21.6 [veh/km]2,比LimEKF的57.9 [veh/km]2低63%;在东京高速走廊2021年奥运交通管理日,带在线更新的版本MSE为0.66 [veh/km]2,LimEKF为1.15 [veh/km]2。

  4. arXiv

    DINEs 把物理系统表示为带 Dirac 结构代数约束的微分代数方程,从数据中同时识别组件互联并学习组件特性,使子系统无需重训即可拆分或组合

    该工作提出 Dirac 互联神经元素(DINEs),将物理系统建模为微分代数方程(DAE),其代数约束由核表示下的 Dirac 结构给出,从而在数据中同时识别组件之间的互联(作为 Dirac 结构)并学习各组件特性(作为神经网络),使学到的子系统保持未约化形式、可隔离或组合成新系统而无需重新训练,并能处理部分可观测系统。

  5. arXiv

    BrainSTR 用时空对比学习建模动态脑网络,在 ASD、BD、MDD 上验证并给出与既往神经影像发现一致的关键相位与子网络

    该工作提出 BrainSTR 时空对比学习框架,通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接,再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量,从而构建结构良好的语义空间;在 ASD、BD、MDD 上的实验验证了其有效性,所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。

  6. SurgDepth:面向手术场景理解的深度基础模型测试时自适应

    该工作提出 SurgDepth,一种无需任何标注手术数据的测试时自适应框架,通过立体光度一致性与翻转等变性两种自监督信号、选择性解码器自适应以及进度感知锚点正则化和低照度序列结构信任保护两项免调参可靠性机制,将自然图像预训练的深度基础模型适配到内窥镜手术场景;作者报告在立体图像对上 AbsRel 最多降低 63%、无立体时降低 42%,在五个跨域评测设置中改善四个,跨七种基础模型泛化,并在完整标准 Hamlyn 基准上取得所报告方法中最低的 AbsRel(0.128),所有结果均为中值缩放后的相对深度,20 步收敛(0.4 秒)。

已读完全部报道