XiaoMi-AI文件搜索系统
World File Search SystemHeuristics
使用元学习优化量子启发式方法
摘要 变分量子算法是一类量子启发式算法，是展示有用量子计算的有希望的候选算法。找到在硬件上放大这些方法性能的最佳方法是一项重要任务。在这里，我们使用一类称为“元学习器”的现有技术来评估量子启发式算法的优化。我们在三个模拟环境中的三个问题上，针对两种量子启发式算法（量子交替算子 ansatz 和变分量子特征求解器），比较了元学习器与进化策略、L-BFGS-B 和 Nelder-Mead 方法的性能。我们表明，在嘈杂的参数设置环境中，元学习器比我们测试的所有其他优化器更频繁地接近全局最优值。我们还发现，元学习器通常更能抵抗噪音，例如，在嘈杂和采样环境中，性能下降幅度较小，并且“增益”指标的平均表现优于其最接近的竞争对手 L-BFGS-B。最后，我们提供了证据表明，在小问题上训练的元学习器将推广到更大的问题。这些结果是一个重要的迹象，表明元学习和相关的机器学习方法将成为近期嘈杂量子计算机有用应用不可或缺的一部分。
应用快速节俭启发式决策
应用决策。我们认为 1549 航班的故事在这方面并非个例。在许多自然发生的情况下，快速而节俭的启发式方法可以帮助决策，人们（理所当然地）依赖它们。我们认为，这种概念视角可以更普遍地作为研究和尝试改进航空、医学和商业等广泛领域的应用决策的起点。本文的结构如下。我们首先简要介绍优化和快速而节俭的启发式方法，这两个概念视角经常被应用决策研究人员使用。其次，我们讨论快速而节俭的启发式方法如何同时做到简单和准确。第三，我们认为，由于快速节俭启发法建立在个人如何做出决策的基础上，因此它可用于制定个人决策策略。第四，我们探讨了几种使快速节俭启发法能够适应各种情境要求的特征。这些特征使快速节俭启发法特别有用
评估 AI 生成音乐的启发式方法
- 需要大量“真实”数据 - 这些数据可能会有偏差 - 示例：统计差异箱的数量 (NDB) - 示例：MuseGAN 客观指标（下一张幻灯片） - 人类专业知识
人工智能生成语言的人类启发法存在缺陷
人类交流越来越多地与人工智能生成的语言混合在一起。在聊天、电子邮件和社交媒体中，人工智能系统可以生成智能回复、自动完成和翻译。人工智能生成的语言通常不会被识别为人类语言，而是冒充人类语言，这引发了人们对新型欺骗和操纵形式的担忧。在这里，我们研究人类如何辨别最个人化和最重要的语言形式之一——自我呈现——是否由人工智能生成。在六项实验中，参与者（N = 4,600）试图检测由最先进的语言模型生成的自我呈现。在专业、酒店和约会环境中，我们发现人类无法检测人工智能生成的自我呈现。我们的研究结果表明，人类对人工智能生成语言的判断受到直觉但有缺陷的启发式方法的限制，例如将第一人称代词、自发措辞或家庭话题与人性联系起来。我们证明这些启发式方法使人类对生成语言的判断变得可预测和可操纵，从而使人工智能系统能够生成被认为比人类更人性化的语言。我们讨论了诸如 AI 口音之类的解决方案，以减少生成语言的欺骗潜力，限制对人类直觉的颠覆。
对合并策略合并启发式策略的分析
引言启发式搜索是在大型状态空间中找到短路的常见方法，例如在最佳的古典计划中。最近提出的几项启发式方法使用合并框架（Dr'Ager，Finkbeiner和Podelski 2006; 2009; 2009; Helmert，Haslum和Hoffmann 2007; Helmert et al。2014），其中计划任务的原子抽象是逐渐组合的（合并了两个实体过渡系统）和简化的（缩小了一个差异过渡系统），直到剩下单个抽象为止，其目标距离然后诱导计划任务的启发性。在整个论文中，我们都对经典计划和合并和碎片框架进行了基本熟悉。由Sievers，Wehrle和Helmert（2014）提供了对合并框架最新探索的独立介绍。合并策略的合并策略的一个重要方面是确定在每个合并步骤中要组合的两个中间抽象。我们将使用以下术语：任务的合并策略由二进制树在任务的状态变量上定义。如果此树脱离列表，则称为策略，否则是非线性的（图1）。更普遍地说，当从文献中发表合并策略时，我们指的是（独立于领域的）算法，该算法为给定的计划任务生成合并策略。这样的al-gorithm被称为线性合并策略，并且仅当其产生的合并策略对于所有计划任务都是线性的。换句话说，非线性合并策略算法不是
使用启发式方法校正稳健的心脏分割
与心脏右侧有关的心血管疾病，例如肺部高血压，是墨西哥（和全球）人口中的一些主要死亡原因。为了避免侵入性技术，例如使心脏插入心脏，改善医学超声心动图系统的细分性能可以是早期检测与心脏右侧有关的疾病的一种选择。虽然当前的医学成像系统在心脏的左侧自动进行良好的分割，但他们通常会努力策划右侧腔。本文基于流行的U-NET体系结构，介绍了一种强大的心脏分割算法，能够通过减少的训练数据集准确地分割这四个腔。此外，我们提出了两个其他步骤，以提高机器学习模型中的结果质量，1）一种分割算法，能够准确检测锥形形状（因为已经对其进行了多个数据源进行了培训和完善）和2）2）一个后处理步骤，该步骤可根据SEG的形状和基于SEG-INTICATION的形状和轮廓，该步骤是根据SEG-Intication the Hearicians提供的。我们的结果表明，所提出的技术达到的分割精度可与通常用于此实践的数据集以及我们的医疗团队编制的数据集中的最新方法相媲美。此外，我们在相同的图像序列中测试了后处理校正步骤的有效性，并证明了其与临床医生进行的手动分段的一致性。
不确定性的判断：启发式和偏见Amos ...
许多决定基于关于不确定事件的可能性的信念，例如电子的结果，被告的罪恶感或美元的未来价值。这些信念通常在诸如“我认为。。。，”“机会。。。，“”不太可能。。。，“等等。有时，关注事件的信念以数值形式表示为赔率或主观概率。是什么决定了这种情况？人们如何评估不确定事件的概率或不确定数量的价值？本文表明，人们依靠有限数量的启发式原则，这些原则降低了诉讼概率的复杂任务，并将其预测为简单的判断操作。通常，这些启发式方法非常有用，但有时会导致严重而系统的错误。
讲座 28 不同类型的天线——启发式
幸运的是，麦克斯韦方程从亚原子长度尺度到银河系长度尺度都是精确的。在真空中，它们已被证实具有极高的精度（见第 1.1 节）。此外，自 20 世纪 60 年代以来的几十年里，麦克斯韦方程已经能够得到许多复杂结构的数值解。这种用数值方法求解麦克斯韦方程的领域被称为计算电磁学，本课程后面将对此进行讨论。现在有许多商业软件可以高精度地求解麦克斯韦方程。因此，如今的设计工程师不需要更高的数学和物理知识，只要学习如何使用这些商业软件就可以获得麦克斯韦方程的解。这对许多设计工程师来说是一个福音：通过运行这些软件并进行试错，就可以设计出精彩的系统。在实际制造硬件之前使用模拟进行电磁设计的艺术被称为虚拟原型。
迈向现实世界计划问题的量子门模型启发式
抽象的许多具有挑战性的调度，计划和资源分配问题与现实世界输入数据和硬性问题约束有关，并减少了优化成本函数，而不是由综合定义的可行集合（例如图形的颜色）。使用量子近似优化算法来解决量子计算机解决此类问题，我们提出了新型有效的量子交替运算符ANSATZ（QAOA）构造，以优化对和弦图的适当色素的优化问题。作为我们的主要应用程序，我们考虑了飞行门分配问题，其中将航班分配到机场大门以最大程度地减少所有乘客的总运输时间，并且可行的分配对应于从输入数据中派生的冲突图的适当图形颜色。我们利用经典算法和图形理论的想法来表明我们的构造具有将量子状态进化限制为可行子空间的理想特性，并满足了大多数问题参数制度的特定可及性条件。使用经典预处理我们表明，我们可以有效地找到并构建合适的初始量子（叠加）状态。我们详细介绍了我们的构造，包括对一组通用的基本量子门的明确分解，我们用来将所需资源缩放限制为输入参数的低度多项式。尤其是我们得出了新颖的QAOA混合操作员，并表明他们的实施成本与QAOA阶段运算符的飞行门分配相称。包括许多量子电路图，以便我们的构造可以用作开发和实施量子栅极模型方法的模板，以提供多种潜在影响的现实世界应用。
返回传统：通过古典机器学习学习可靠的启发式方法
当前的计划学习方法尚未在几个领域对古典计划者的竞争性能，并且总体绩效较差。在这项工作中，我们构建了提起计划任务的新图形表示形式，并使用WL算法从中生成效率。这些功能与经典的学习方法一起使用，这些方法的参数最多要少2个，并且比对计划模型的最先进的深度学习更快地训练了3个较高的速度。我们的新颖方法WL-goose可靠地从头开始学习启发式方法，并在公平的竞争环境中优于H FF启发式。它还在覆盖范围中的10个域中的4个域中的4分，在计划质量上的10个域中有7个域中的表现或与喇嘛的联系。WL-goose是实现这些壮举的首个计划模型学习。此外，我们研究了新颖的WL特征代理方法，以前的理论上的学习构造和描述用于计划的逻辑特征之间的联系。