XiaoMi-AI文件搜索系统
World File Search SystemGreedy
贪婪主动学习策略分析
标准模型（比如 PAC 框架）并未捕捉到标记数据和未标记数据之间的区别，而这种区别催生了主动学习领域，在主动学习中，学习者可以要求特定点的标签，但每个标签都需要付费。这些查询点通常从未标记的数据集中选择，这种做法称为基于池的学习 [10]。目前也有一些关于人工创建查询点的研究，包括大量理论成果 [1, 2]，但这种方法存在两个问题：首先，从实用角度来看，这样产生的查询可能非常不自然，因此人类很难进行分类 [3]；其次，由于这些查询不是从底层数据分布中挑选出来的，因此它们在泛化方面的价值可能有限。在本文中，我们重点关注基于池的学习。
基于贪婪优先级的搜索次优多代理路径查找
多代理路径查找（MAPF）是在共享环境中发现无碰撞路径的问题，每个代理一个是每个代理的一个问题，同时最小化了旅行时间的总和。由于最佳地求解MAPF是NP-HARD，因此研究人员已经使用了副本且有效地求解MAPF的算法。基于优先级的搜索（PBS）是为此目的的领先算法。它一次找到一个单个代理的路径，并通过将优先级分配给碰撞代理并在其搜索过程中重新确定其路径来解决碰撞。但是，对于具有高密度的代理和障碍物的MAPF实例，PBS变得无效。因此，我们介绍了贪婪的PBS（GPB），该PBS（GPBS）使用贪婪的策略来通过最大程度地减少代理之间的碰撞数量来加快PBS。然后，我们提出了进一步加速GPB的技术，即部分扩展，目标推理，诱导的约束和软重新启动。我们表明，具有所有这些改进的GPB的成功率高于1分钟的运行时间限制的最先进的次优算法，尤其是对于具有小地图和密集障碍的MAPF实例。
贪婪随机自适应搜索算法的应用...
马喆 西安工业大学 计算机科学与工程学院 陕西 西安 710021 e-mail: 1429462700@qq.com 摘要：随着航空运输的快速增长，资金越来越紧缺，航班不正常情况也越来越严重，不正常航班已经成为社会普遍现象，也是航空公司面临的一大难题。航班恢复是一个经典的NP问题，研究航班恢复问题具有重要的理论意义和实用价值。航空公司航班时刻的准时性是留住现有客户、吸引新旅客的关键因素。然而由于民航运输系统非常复杂，很多原因都会造成航班计划不能正常执行，天气、空中交通流量管制、机场安检、旅客自身原因以及机组人员暂时短缺等都会导致航班不能正常执行，即出现航班异常或航班中断。航班中断会影响航空公司的正常运行。一些航班不得不取消或延误，这将给航空公司带来巨大的经济损失，此外航班延误或取消会给旅客带来极大的不便，影响航空公司的声誉。不正常航班的运行控制和管理水平越来越受到国内航空公司的关注。优化控制和算法设计也成为热点
大脑年龄估计有限的贪婪双流模型
大脑年龄估计涉及从大脑图像中预测一个人的生物年龄，这为衰老过程和神经退行性疾病的发展提供了宝贵的见解。进行大规模的数据集进行医学图像分析是一项具有挑战性且耗时的任务。现有方法主要取决于大型数据集，这些数据集很难获得且昂贵。这些方法还需要具有大量参数的复杂，资源密集型模型，需要大量的处理能力。因此，至关重要的是开发创新的方法，可以通过有限的数据集并有效利用计算资源来实现稳健的性能。本文提出了一种用于脑年龄估计的新型基于切片的双流方法（贪婪的双流模型）。此方法解决了大数据集要求和计算资源强度的局限性。提出的方法结合了大脑的局部和全球方面，从而完善了对特定目标区域的关注。该方法采用四个骨干来根据本地和全球特征来预测年龄，并以最终模型进行年龄校正。我们的方法在同上的测试集上证明了3。25年的平均绝对误差（MAE），其中仅包含289名受试者。为了证明任何小数据集的方法的鲁棒性，我们使用IXI数据集分析了提出的方法，并在IXI的测试集上实现了4。18年的MAE。GDSM模型的代码可在https://github.com/iman2693/gdsm上找到。通过利用双流和贪婪的策略，这种方法实现了效率和稳健的性能，使其与其他最先进的方法相媲美。
通过ϵ -greedy探索了解强化学习中的深神经功能近似
本文提供了对强化学习（RL）深处神经功能近似（RL）的理论研究。此问题设置是由属于该制度的成功深Q-Networks（DQN）框架所激发的。在这项工作中，我们从函数类别和神经网络体系结构（例如宽度和深度）的角度从“线性”制度之外的角度提供了对理论理解深度RL的初步尝试。是具体的，我们专注于基于价值的算法，分别通过BESOV（和Barron）函数空间赋予的深（和两层）神经网络进行了to -greedy探索，旨在近似D -Dimensional特征空间中近似α -Smooth Q -unction。我们证明，随着t发作，缩放宽度m = e O（t d2α + d），而神经网络的深度l = o（log t）的深度RL足以在Besov空间中以sublinear遗憾地学习。此外，对于由Barron空间赋予的两层神经网络，缩放宽度ω（√
通过改进的贪婪算法进行通用量子态准备
摘要：量子态的制备是量子信息处理的核心。贪婪算法提供了一种有效制备量子态的潜在方法。然而，标准贪婪算法通常不能取全局最大值，而是停留在局部最大值上。基于标准贪婪算法，本文提出了一种改进版本来设计动态脉冲以实现通用量子态制备，即从任意状态制备任意状态。作为应用，我们将该方案应用于半导体量子点和超导电路中单量子比特态和双量子比特态的通用制备。评估结果表明，我们的方案在具有同等高效率的同时，以更高的制备质量优于其他数值优化方法。与新兴的机器学习相比，它表现出更好的可访问性，并且不需要任何训练。此外，数值结果表明，我们的方案生成的脉冲序列对各种错误和噪声具有鲁棒性。我们的方案为少级系统和有限作用空间量子控制问题的优化开辟了一条新途径。
ngia：一种新型的基于基因序列聚类的基于贪婪的增量对准算法✩
基因序列聚类在计算生物学和生物信息学中非常重要且重要，用于研究系统发育关系和基因功能预测等。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。 基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。 例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。 已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。 需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。随着生物学数据量的快速生长（基因/蛋白质序列），基因序列聚类算法在低精度和效率方面面临着更多挑战。基因序列数据库中增长的冗余序列通常有助于大多数聚类方法的记忆和计算需求的增加。例如，原始的基于贪婪的增量比对（GIA）聚类算法获得了很高的精度聚类结果，但效率非常低。已经开发了有效的贪婪增量聚类算法，其精确成本降低了，通常可以关闭速度的贸易聚类精确度以提高速度。需要在精度和速度之间取得更好平衡的算法。 本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。 ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。 四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。 与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。 此外，我们开发了一个多节点版本来处理大型数据集。 该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。算法。本文提出了一种新型的基于贪婪的增量比对算法，称为NGIA，用于具有高效率和精度的基因聚类。ngia由一个预滤波器，修改后的短词过滤器，一种新的数据包装策略，一种修改的贪婪增量方法组成，并通过GPU并行化。四个独立数据集上的实验评估表明，所提出的工具可以以99.99％的高精度聚类。与CD-HIT，VSEARCH和UCLUST的结果相比，NGIA平均快13.6倍，6.2倍和1.7倍。此外，我们开发了一个多节点版本来处理大型数据集。该软件可从https://github.com/siat-hpcc/gene-sequence-clustering获得。强可伸缩性测试表明，NGIA的多节点版本可以以31％的并行效率扩展32个线程。©2022 Elsevier B.V.保留所有权利。