XiaoMi-AI文件搜索系统
World File Search System贪婪的
Sherrington – Kirkpatrick模型中的淬火 - Infoscience
摘要。Sherrington – Kirkpatrick模型是复杂的非凸能景观的原型。在此类景观上演变的动态过程和局部旨在达到最小值的过程通常对了解最小值。在这里，我们研究淬火，即旨在减少能量的动力学。我们分析了两种不同的算法类别，单旋植物和同步动力学的收敛能量，重点是贪婪和不情愿的策略。我们提供了有限尺寸效应的精确数值分析，并得出结论，也许在违反直觉上，不情愿的算法与融合到基础状态能量密度兼容，而贪婪的策略却没有。受单旋替代和贪婪算法的启发，我们研究了两种同步时间算法，即同步螺旋和同步利用算法。这些同步过程可以使用动力学平均值理论（DMFT）和DMFT的新回溯版本进行分析。值得注意的是，这是第一次将回溯DMFT用于研究完全连接的无序模型中的动力收敛性。分析表明Sync-Greedy算法可以
扩散模型的自适应时间步长计划
本文研究了如何在扩散模型中调整步进计划，该模型主要在当前实践中固定，缺乏理论基础和在Che sectizatizanized点上对最佳性能的保证。在本文中，我们提出了使用自适应时间稳定时间表的使用，并设计了两种具有优化的samper误差限制的算法EB：（1）连续扩散，我们将EB视为损失函数，将EB视为损失函数，以分散梯度点和运行梯度下降来调整它们； （2）对于离散扩散，我们提出了一种贪婪的算法，该算法仅调整一个离散点指向其在每种迭代中的最佳位置。我们进行了广泛的实验，这些实验表明了（1）在训练有素的模型中具有突出的产生能力，以及（2）在训练不足的模型中却过早可用的生成能力。该代码可在https://github.com/cyzkrau/adaptiveschedules上找到。
atlas-shrugged.pdf - 反逻辑主义
第一部分：非矛盾 第一章 主题 第二章 链条 第三章 顶部与底部 第四章 不可移动的推动者 第五章 德安孔尼亚斯的高潮 第六章 非商业 第七章 剥削者和被剥削者 第八章 约翰·高尔特线 第九章 神圣与世俗 第十章 怀亚特的火炬 第二部分：非此即彼 第一章 属于地球的人 第二章 拉动的贵族 第三章 白色勒索 第四章 对受害者的制裁 第五章 账户透支 第六章 神奇金属 第七章 暂停使用脑子第八章 凭借我们的爱 第九章 没有痛苦、恐惧或内疚的面孔 第十章 美元的符号 第三部分：A 是 A 第一章 亚特兰蒂斯 第二章 贪婪的乌托邦 第三章 反贪婪 第四章 反生命 第五章 兄弟的守护者 第六章 解脱协奏曲 第七章 “我是约翰·高尔特” 第八章 利己主义者 第九章 发电机 第十章 以我们之中最优秀的人的名义
通过合并贝叶斯网络
我们介绍了基于快速贪婪的等效搜索算法，通过合并本地学到的贝叶斯网络来学习基因调节网络的结构的新方法，用于学习基因调节网络的结构。该方法在Matthews相关系数方面与艺术的状态具有竞争力，该系数既考虑到精度和召回率，同时也可以在速度方面进行改进，扩展到数万个变量，并能够使用有关基因调节网络拓扑结构的经验知识。为了展示我们的方法扩展到大规模网络的能力，我们使用来自不同大脑结构的样本（来自艾伦人脑大脑图书馆）的数据来学习全人类基因组的基因调节网络。此外，这种贝叶斯网络模型应以专家的清晰度来预测基因之间的相互作用，遵循当前可解释的人工智能的趋势。为了实现这一目标，我们还提出了一种新的开放式可视化工具，该工具促进了大规模网络的探索，并可以帮助寻找感兴趣的体验测试节点。
atlas-shrugged.pdf - 反逻辑主义
第一部分：非矛盾 第一章 主题 第二章 链条 第三章 顶部与底部 第四章 不可移动的推动者 第五章 德安孔尼亚斯的高潮 第六章 非商业 第七章 剥削者和被剥削者 第八章 约翰·高尔特线 第九章 神圣与世俗 第十章 怀亚特的火炬 第二部分：非此即彼 第一章 属于地球的人 第二章 拉动的贵族 第三章 白色勒索 第四章 对受害者的制裁 第五章 账户透支 第六章 神奇金属 第七章 暂停使用脑子第八章 凭借我们的爱 第九章 没有痛苦、恐惧或内疚的面孔 第十章 美元的符号 第三部分：A 是 A 第一章 亚特兰蒂斯 第二章 贪婪的乌托邦 第三章 反贪婪 第四章 反生命 第五章 兄弟的守护者 第六章 解脱协奏曲 第七章 “我是约翰·高尔特” 第八章 利己主义者 第九章 发电机 第十章 以我们之中最优秀的人的名义
Prim和Kruskal算法的比较
这项研究的目的是比较建立超级度量空间中普通原始树的性能和最小跨越树的Kruskal的性能。我们建议使用复杂性分析和实验方法评估这两种方法。在分析了从2005年下半年到2007年下半年的上海和深圳的每日样本数据后，结果表明，当份额的数量小于100时，Kruskal算法在空间复杂性方面相对优于PRIM算法；但是，当股票数量大于100时，PRIM算法在时间复杂性方面更加优越。词汇表在其边缘上定义了一个连接的图形，其边缘上有非负权重，而挑战是识别跨越树的MAZ权重。令人惊讶的是，贪婪的算法得出了答案。对于找到最小重量跨越树的问题，我们分别提出了基于Prim和Kruskal的贪婪算法。格雷厄姆（Graham）和地狱（Graham and Hell）提供了一个问题的历史，该历史始于1909年的Czekanowski的作品。此处提供的信息基于Rosen。
AID -RL -UCL发现 - 伦敦大学学院
本文提出了一个主动信息指导的强化学习（AID-RL）框架，以寻求和估计问题。来源寻求要求搜索代理向真实来源转向，源估计要求代理维护和更新有关源属性（例如释放率和源位置）的知识。这两个目标产生了新开发的框架，即探索和剥削的双重控制。在本文中，贪婪的RL形成了一种剥削搜索策略，该策略将代理导航到源位置，而信息定向的搜索命令命令代理探索最有用的立场以减少信念不确定性。使用高实费数据集提出了广泛的结果，该数据集用于自主搜索，该数据集验证了提出的辅助-RL的有效性，并突出了主动探索在改善采样效率和搜索性能方面的重要性。2023作者。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
深入的强化学习与对话生成的分层探索
摘要传统上，近似动态编程用于对话产生，通过行动采样来改进贪婪的政策，因为自然语言动作空间很大。然而，由于具有高动作值的合格响应的稀疏性，这种做法效率低下，这会导致随机抽样持续的较弱的改善。本文介绍了理论分析和实验，揭示了对话策略的性能与采样大小正相关。为了克服这一局限性，我们引入了一种新型的双重粒度Q-功能，该功能探讨了干预采样过程的最有希望的响应类别。我们的方法根据粒状层次结构提取行动，从而在较少的政策迭代中实现了最佳效果。此外，我们使用离线RL，并从旨在捕捉人类互动中情感细微差别的多种奖励功能中学习。实证研究表明，我们的算法在自动指标和人类评估之间优于基准。进一步的测试表明，我们的算法既具有解释性又具有可控性，并且产生了具有更高预期奖励的响应。
使用Dijkstra算法在服务机器人上使用Dijkstra算法
摘要。移动机器人中机器人技术的进步正在迅速发展，并在工业，军事，医学和公共服务等各个部门中使用。挑战包括感知，本地化，运动控制和路径计划。Dijkstra算法的目的是一种贪婪的算法，是优化计划计划以提高运动效率。Dijkstra的算法是图理论中的一种有用的方法，可以利用迭代方法在加权图中找到两个节点之间的最短路径来计算距离。所建议的算法通过同时确定从起点到所有其他点的最短途径，利用各种路径或继续在相同的路径上到达其他节点，从而加快了初始过程的速度。尽管如此，它始于中央节点，利用不受所采用路线影响的数据。作者使用服务机器人对Dijkstra的算法进行了实验，并成功地导航了三个障碍而没有任何碰撞。机器人通过保持0.23 m/s的平均速度为0.23 m/s，X轴上的平均误差为0.021米，在Y轴上保持0.021米，在找到最短和最快的路径方面取得了成功。
卫星观测的动态靶向，包括起伏成本和复杂的观察力*
摘要 - 最大化有限的地球观察卫星资源的实用性是一个困难的问题。动态焦油获取是应对这一挑战的一种方法，该方法智能地计划并根据LookAhead传感器的信息来计划并执行主要传感器观察。但是，当前的实现未能解释逼真的卫星操作性，并使用静态实用程序来重复观察同一目标。为了解决这些局限性，我们实施了一个更通用的动态定位框架，该框架包括基于物理的摇摆模型，一个动态模型的观察效用模型以及用于收集高维修率观测值的算法。为了展示此框架，我们还提供了复杂的Dynamic效用模型，这些模型适用于许多任务和新算法，用于智能地安排使用摆动限制和改变效用的智能观察，包括贪婪的算法和深度优先搜索算法。为了评估这些算法，我们通过两个数据集测试了它们在模拟运行中的性能，并与当今地球科学任务中大多数调度算法的算法的性能进行比较，以及一个棘手的上限。我们表明，我们的算法具有从地球科学任务中改善科学回报的巨大潜力。