XiaoMi-AI文件搜索系统
World File Search SystemRegularization
电容式微重力流体质量计
具有空间规则化的电容式微重力流体质量计是一种可安装在推进剂容器上的传感器，可以以可确定的精度确定容器体积内的液体和气体的质量。该传感器由 1) 安装在容器壁内表面上的多个离散电极、2) 信号生成、数字化、信号调节和一般支持（例如电源）电子设备、3) 电极和电子设备之间的电连接以及 4) 用于将一组电容测量值（即电容矩阵）转换为体积分数的算法组成。电子设备生成正弦波并将其施加到单个电极上，然后电子设备测量所有其他电极上的电荷。电容只是电荷除以电压。对所有电极重复此操作，无需重复。对于具有固定体积的容器，只要知道流体成分、温度和压力，就可以使用理想气体定律将体积分数转换为质量分数。
分解的表示与物理信息的变异自动编码器进行结构健康监测
摘要。大规模对结构的手动检查和评估是劳动密集型的，而且通常是不可行的，而数据驱动的机器学习技术可能无法识别相关的失败机制，并且对以前看不见的条件的概括不佳，尤其是在有限的信息中遇到的。我们提出了一个物理知识的变异自动编码器公式，以在测量中删除混杂源的图表学习，以计算基于物理模型的潜在参数的后验分布，并在有限测量值时预测结构的响应。自动编码器的潜在空间通过一组基于物理的潜在变量进行增强，这些变量可解释，并以先验分布和基于物理模型的形式允许域知识包含在自动编码器公式中。为了防止模型的数据驱动的组件覆盖已知的物理学，训练目标中包括一个正则化项，该术语对潜在空间和生成模型预测施加约束。在合成案例研究中评估了所提出的方法的可行性。
学习机器人示威轨迹的低维潜图
2曲率调查的变分自动编码器17 2.1学习小型演示数据集的潜在表示17 2.2有关小型轨迹数据集的学习表示的相关工作。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 2.2.1轨迹表示。。。。。。。。。。。。。。。。。。。19 2.2.2曲率正则化。。。。。。。。。。。。。。。。。。。20 2.3曲率调查的VAE。。。。。。。。。。。。。。。。。。。。。。20 2.3.1曲率调查的VAE公式。。。。。。。。。。20 2.3.2 fork姿势示例。。。。。。。。。。。。。。22 2.4曲线机器学习方法。。。。。。。。。。。。。。。。24 2.4.1人示出的轨迹和数据处理。24 2.4.2轨迹的神经网络体系结构。。。。。。。。26 26 2.4.3训练超标剂。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 27 27 2.4.4模型可解释性。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 28 2.5曲线物理机器人实验。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。26 26 2.4.3训练超标剂。。。。。。。。。。。。。。。。。。27 27 2.4.4模型可解释性。。。。。。。。。。。。。。。。。。。。。28 2.5曲线物理机器人实验。。。。。。。。。。。。。。。。29 2.5.1机器人臂。。。。。。。。。。。。。。。。。。。。。。。。。29 2.5.2轨迹跟踪实现。。。。。。。。。。。。30 2.5.3曲线潜在值选择。。。。。。。。。。。。。。。30 2.5.4基线轨迹。。。。。。。。。。。。。。。。。。。。。。31 2.5.5数据收集。。。。。。。。。。。。。。。。。。。。。。。。。31 2.6关于小型传统数据集的学习表示形式的结果和讨论。。。。。。。。。。。。。。。。。。。。。。。。。。。。。32
时间序列分析的复发性神经网络模型
摘要时间序列分析是各个领域的关键组成部分，例如财务，经济学，气候科学和医疗保健，在该领域中，准确的预测和模式识别至关重要。这项研究探讨了使用Google股票价格作为案例研究，探讨了复发性神经网络（RNN），尤其是长期记忆（LSTM）网络的应用，特别是短期记忆（LSTM）网络。该研究始于全面的文献综述，强调了RNN体系结构，其理论基础以及时间序列预测中的多样应用的发展和进步。从方法论上讲，本研究概述了所采用的数据预处理技术，包括将数据集缩放和将数据集划分为培训和测试集。RNN模型体系结构经过精心设计，具有多个LSTM层和辍学的正则化，以防止过度拟合并增强模型鲁棒性。使用不同的指标（MAE，MSE，RMSE）对模型进行训练和评估。经验结果证明了RNN模型在捕获时间依赖性并产生准确的股票预测方面的功效。
大脑血清素纤维提示异常扩散......
随机 dropout 已成为人工神经网络 (ANN) 中的标准正则化技术，但目前尚不清楚生物神经网络 (BioNN) 中是否存在类似的机制。如果存在，其结构很可能经过数亿年的进化而得到优化，这可能表明大规模 ANN 中存在新的 dropout 策略。我们认为大脑血清素纤维 (轴突) 满足一些预期标准，因为它们无处不在、结构随机，并且能够在个体的整个生命周期中生长。由于血清素纤维的轨迹可以建模为异常扩散过程的路径，因此在这项概念验证研究中，我们研究了一种基于超扩散分数布朗运动 (FBM) 的 dropout 算法。结果表明，血清素纤维可能在脑组织中实现类似 dropout 的机制，从而支持神经可塑性。他们还提出，血清素纤维的结构和动力学的数学理论有助于设计 ANN 中的 dropout 算法。
应用程序的基础性优化问题的顺序最佳条件
摘要最近，提出了一种基于对问题的持续重新重新制定的新方法来解决基数受限的优化问题。遵循这种方法，我们得出了一个问题的顺序最佳条件，该条件在每个局部最小化器中都可以满足，而无需任何约束资格。我们通过基于圆锥体性属性引入弱的顺序约束资格，将此条件与现有的M型固定概念联系起来。最后，我们提出了两种算法应用程序：我们通过证明它会产生满足上述最佳条件的限制点来改善已知正则化方法的现有结果，即使子问题仅是不固定的。我们表明，在合适的库迪卡 - 豪斯维奇型假设下，直接应用于重新配置的问题的标准（保障）乘数罚款方法的任何限制点也可以满足最佳条件。这些结果比对具有互补性约束的数学研究类别已知的相应结果更强。
在...
摘要：深度学习模型在自然语言处理领域（NLP）取得了出色的表现，但是它们在实际应用中仍然面临许多挑战，例如数据异质性和复杂性，模型的黑盒本质以及在多种语言和交叉跨区域的转移学习方面的困难。在本文中，从四个角度提出了相应的改进措施：模型结构，损失功能，正则化方法和优化策略，以解决这些问题。对包括文本分类，命名实体识别和阅读理解的三个任务进行的大量实验证实了所提出的优化解决方案的可行性和有效性。实验结果表明，引入创新机制，例如多头关注和局灶性损失，以及明智地应用诸如Layernorm和Adamw之类的技术，可以显着提高模型性能。最后，本文还探讨了模型压缩技术，为在资源受限的方案中部署深层模型提供了新的见解。
关于复合量子假设检验
摘要：我们将非对称量子假设检验中的量子 Stein 引理扩展到复合零假设和备择假设。作为我们的主要结果，我们表明，用于检验量子态凸组合 ρ ⊗ n 与量子态凸组合 σ ⊗ n 的渐近误差指数可以写成正则化的量子相对熵公式。我们证明一般来说需要这样的正则化，但也讨论了我们的公式及其扩展变为单字母的各种设置。这包括从假设检验的角度对相干性相对熵的操作解释。为了证明，我们从经典概率分布的复合 Stein 引理开始，并使用量子熵的基本性质将结果提升到非交换设置。最后，我们的发现还意味着在正则化量子相对熵方面，条件量子互信息的可恢复性下限有所改进——具有明确和通用的恢复图。
机器学习和人工智能的边界
深度学习的成功揭示了许多现象似乎与统计和优化领域中发展的经典直觉相抵触。在这次演讲中，我们介绍了我们最近的工作，旨在理解一种这种现象：“良性”过度拟合的可能性。我们考虑一个分类问题，其中标签的恒定分数是均匀随机的。我们表明，通过梯度下降训练的过度参数化神经网络，没有（明确）正则化实现零训练误差，完美拟合了嘈杂的标签，并同时达到了最小值 - 最佳的测试误差。特别是，过度适合嘈杂的培训数据可能是最佳学习规则，而在非凸目标函数上的梯度下降有效地产生了此类解决方案。我们讨论了有关了解梯度下降的隐性偏见及其对深度学习的影响的最新工作。基于与Peter Bartlett，Niladri Chatterji，Wei Hu，Nati Srebro和Gal Vardi的联合工作。
ct-lvi：一个朝着连续的激光 - 视觉的框架...
现有的先验使用预先训练的重量作为中心，这可能会构成对目标数据适应不足的严重风险。在[ICML2020-LI]中，我们提出了一种步枪方法，该方法会积极忘记通过在细调过程中重新定位完全连接的层所学到的东西，以增强目标适应性。学习过程的稳定性主要是由于模型崩溃或信息理论中输入和输出的异常相互信息。模型崩溃可以通过跨层相互信息的变化来检测。在[ICASSP 2023-LI]中，我们基于信息的感应偏见补充了现有的先验，以偏爱具有稳定信息传播的网络，以降低模型崩溃率并提高模型稳定性。我们进一步开发了具有可牵引概括的新先验，以鼓励微调模型对输入噪声不敏感[NAACL2021-LI]。（用于bert微调的噪声稳定性正则化）