XiaoMi-AI文件搜索系统
World File Search Systemearning
具有多州降解和深度强化学习的下水道管道的维护策略
大规模的基础设施系统对社会欢迎至关重要，其有效管理需要造成各种复杂性的战略前提和干预方法。我们的研究解决了涉及下水道资产的预后和健康管理（PHM）框架内的两个挑战：对跨严重水平的管道降解并制定有效的维护政策。我们采用多州降解模型（MSDM）来代表下水道管道中的随机降解过程，并使用深度加固学习（DRL）来制定维护策略。荷兰下水道网络的案例研究例证了我们的方法论。我们的发现证明了该模型在产生超过启发式方法的智能，节省成本的维护策略方面的效率。它根据管道的年龄来调整其管理策略，选择一种被动方法，用于新的管道，并过渡到较老的策略，以防止失败和降低成本。这项研究高光DRL在优化维护政策方面的潜力。未来的研究将通过合并部分可观察性，探索各种强化学习算法并将这种方法扩展到全面的基础架构管理，以改善模型。
机器学习增强的列生成...
我们以前的研究引入了一种改进的伏诺图方法，以提高州级在状态疫苗分布的效率。与广泛使用的柱生成技术相比，尽管运输费用更高，但该方法的运输成本降低了5.92％，需求覆盖率增加了28.15％。两种方法都有效地解决了分布问题，但由于决策变量的复杂性和数据的大规模性质，它们经历了大量的CPU时间。我们的论文着重于提高计算效率，同时保持解决方案的质量。文献提出了各种方法来提高基于Voronoi图的技术的效率。例如，Lipin（2014）引入了凸船体方法，而Chen＆Merkel（2006）利用这种技术在随机测试中减少了选择开销。此外，Li＆Liu（2020），Ohya等。（1984），秦等人。（2017）和Karavelas（2004）各自提出了降低计算冗余并提高效率的策略。但是，由于奖励功能和子区域重塑策略的差异，这些方法并不直接适用于我们修改的Voronoi图。为了解决这个问题，我们建议开发一种新算法，该算法将机器学习纳入增强的列生成（CG）方法，以改善运行时。
基于机器学习的直接金属沉积中复杂刀具路径的轨道高度预测
模具行业不断要求先进的技术来提高模具在其生命周期内的性能。直接金属沉积 (DMD) 为模具翻新提供了关键机会。然而，通过 DMD 的典型刀具路径由交替的平滑段和尖角组成。在这里，能量密度和粉末数量的波动通常会导致工具恢复部分出现严重的几何偏差。这项工作提出了一种基于机器学习的新型预测方法，该方法使用与工艺参数和执行的几何形状相关的特征来表征路径。该方法的优势已在刀具路径上得到验证，刀具路径通常表征工具翻新过程。© 2022 作者。由 Elsevier Ltd 代表 CIRP 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）
将模仿和加强学习结合起来，以确保安全...
Shi，Shaoshuai等。“运动变压器具有全球意图定位和本地运动的重新构成”。2022。Shi，Shaoshuai等。“ MTR ++：具有对称场景建模和指导意图查询的多代理运动预测。”2023。
rlaif vs. rlhf：通过AI反馈从人类反馈中缩放加强
Harrison Lee，Samrat Phatale，Hassan Mansoor，Thomas Mesnard，Johan Ferret，Kellie Lu，Colton Bishop，Ethan Hall，VictorCărbune，Abhinav Rastogi，Sushant Prakash Prakash ICML 2024 div>Harrison Lee，Samrat Phatale，Hassan Mansoor，Thomas Mesnard，Johan Ferret，Kellie Lu，Colton Bishop，Ethan Hall，VictorCărbune，Abhinav Rastogi，Sushant Prakash Prakash ICML 2024 div>
使用卷积网络学习条件可变形模板
我们开发了一个用于构建可变形模板的学习框架，该模板在许多图像分析和计算解剖学任务中起着基础性作用。用于模板创建和图像与模板对齐的传统方法经历了数十年的丰富技术发展。在这些框架中，模板是使用模板估计和对齐的迭代过程构建的，这通常在计算上非常昂贵。部分由于这一缺点，大多数方法为整个图像群体计算单个模板，或为数据的特定子组计算几个模板。在这项工作中，我们提出了一个概率模型和有效的学习策略，该模型和有效的学习策略可以产生通用或条件模板，并与一个神经网络联合使用，该神经网络可以有效地将图像与这些模板对齐。我们展示了该方法在各种领域的实用性，特别关注神经成像。这对于不存在预先存在的模板的临床应用特别有用，或者使用传统方法创建新模板的成本可能过高。我们的代码和地图集可作为 VoxelMorph 库的一部分在线获取，网址为 http://voxelmorph.csail.mit.edu 。