跳到主要内容
检索

# 自编码器

7 篇关联报道

订阅更新
  1. arXiv

    OFDM-ISAC不再二选一:功率与星座联合优化,跟踪场景把感知通信折中拉低

    OFDM-ISAC系统里,通信偏好注水功率与高斯型输入,感知偏好均匀功率与恒模星座,两者在频选信道上形成折中。该工作把每子载波的功率与峰度作为共同变量,用自编码器离线训练一族以峰度为条件的有限星座,在线按分配结果即时生成。仿真显示中等信噪比下联合优化明显优于单独优化功率或星座,且预训练星座族几乎完全兑现了预测的分配增益。

  2. arXiv

    流体世界模型能读出物理量却推不动:预注册测试显示,可解码、显著与可操控是三件事

    在二维衰减纳维–斯托克斯流上,三项预注册研究把潜空间里常被当作“学到物理”的证据拆成可解码、显著与可操控三种性质。联合嵌入预测架构(JEPA)在三个探针目标上优于同架构未训练网络,却未达到预注册的物理组织标准;渲染场的自编码器让拟能(enstrophy,涡量平方的均值)在无监督慢方向中显著,加入VICReg正则后显著度在每对比较中下降而线性可解码性上升;通过分流信息构造的可调方向在密封数据上于全部8个训练模型中找到响度旋钮,谱形旋钮只在5个新种子中的3个出现,低于预设的4个门槛。

  3. 固态量子模拟器不再靠人工拟合:自编码器从输运数据直接读出有效哈密顿量

    固态量子模拟器的有效哈密顿量参数,现在可以直接从输运测量数据中反推,而不需要预先标注的哈密顿量参数。做法是把S矩阵这一描述散射的物理形式写进自编码器的解码器,让网络只能输出物理上可解释的参数。在三量子点链的数值实验中,模型能准确推断参数并推广到训练范围之外,同时对含噪测量保持稳健;当参数空间变宽或变杂时,模型容量表现出有限性。

  4. arXiv

    时序增量学习不再存旧样本:每类一个自编码器,保留内存比TS-ACL少约98%

    面向持续到来的新行为类别,TRACE 不再回放历史样本,也不扩张共享分类器,而是把冻结的时域—频域特征交给每个类别各自的小型自编码器,按重构误差判定类别。在五个多变量时序增量学习基准上,它的五数据集平均最终准确率为 88.85%,保留内存为 9.17 MiB;相比平均准确率最强的解析基线 TS-ACL,保留内存减少约 98.26%,并在 GrabMyo 上取得约 33.43% 的相对准确率提升。

  5. bioRxiv

    细胞类型不再先标注:NetMap从混合单细胞数据里同时读出调控网络与细胞身份

    单细胞调控网络推断不再需要先给细胞分型。此前流程先聚类、再用标记基因标注细胞类型,然后逐群推断网络,聚类和标注的误差会传进网络。NetMap在聚类之前就为每个细胞推断基因调控网络,再用GradientShap把网络边归因到输入基因,在PBMC多组学数据的三个评估案例上聚类分数分别为1.0、0.99和0.99。

  6. bioRxiv

    STING的两种激活方式在动力学上分道:配体结合把涨落聚到lid,SAVI突变改由a1b1跨区组织

    分子动力学轨迹不再只按单残基涨落来读。此前难以从高维轨迹里分离出低占比、状态相关的耦合信号。把每个残基对的侧链重原子平均距离时间序列压进25维隐空间再聚类建网后,配体结合态的网络由lid区残基对主导,SAVI相关多突变体则转向a1b1富集、跨原体并涉及281位点的分布式组织。

  7. 用自编码器加神经常微分方程代理ASTEC容器物理,把1913维压到6维、单次模拟从约4.7小时降到约19秒

    该工作把ASTEC严重事故程序中容器(CESAR与ICARE耦合)的物理过程解耦出来,用自编码器做降维、用神经常微分方程在潜空间推进时间,基于SBO与LOCA两类事故各训练一个代理模型,可同时预测约80个标量与场变量,自回归稳定推进1万至5万时间步(约4至40小时),自编码器把1913个自由度压缩到6维(约332倍),全时空预测在CPU与GPU上均不到一分钟,LOCA算例中CPU平均约26.5秒、GPU约18.9秒,相对ASTEC仅ICARE模块的16879.8秒平均时间约快640倍。

已读完全部报道