XiaoMi-AI文件搜索系统
World File Search System搜索空间
使用进化增强学习的无知识的生物序列设计
使用所需的适当设计设计新型的生物学序列是生物科学中的重大挑战，因为较大的搜索空间超大。传统的设计程序通常涉及多轮昂贵的湿实验室评估。为了减少对昂贵的湿实验实验的需求，使用机器学习方法来帮助设计双学序列。然而，具有已知特性的双学序列的有限可用性阻碍了机器学习模型的训练，从而极大地限制了它们的适用性和性能。为了填补这一空白，我们提出了Erlbioseq，这是一种用于生物序列设计的进化增强学习算法。erlbioseq杠杆可以在没有先验知识的情况下学习学习的能力，以及进化算法的潜力，以增强生物序列较大的搜索空间中强化学习的探索。另外，为了提高生物序列设计的效率，我们在生物序列设计过程中删除了序列筛选的预测因子，该过程既包含了局部和全局序列信息。我们在三种主要类型的生物序列设计任务上评估了提出的方法，包括DNA，RNA和蛋白质的设计。结果表明，与现有的最新方法相比，所提出的方法可以取得显着改进。
![arXiv:2502.01527v1 [cs.LG] 2025 年 2 月 3 日](/simg/g:\will\search\icon\source\e\e1fd4be4a8f1766e1b569d55fce3ac807267f447.webp)
arXiv:2502.01527v1 [cs.LG] 2025 年 2 月 3 日
摘要。本文介绍了 MCTS-BN，它是蒙特卡洛树搜索 (MCTS) 算法的一种改编，用于贝叶斯网络 (BN) 的结构学习。MCTS 最初设计用于博弈树探索，现已重新用于解决学习 BN 结构的挑战，方法是探索贝叶斯网络中潜在祖先顺序的搜索空间。然后，它采用爬山法 (HC) 从每个顺序中得出贝叶斯网络结构。在大型 BN 中，变量顺序的搜索空间变得巨大，在推出阶段使用完全随机的顺序通常不可靠且不切实际。我们采用半随机方法来应对这一挑战，方法是结合从其他启发式搜索算法（如贪婪等价搜索 (GES)、PC 或 HC 本身）获得的变量顺序。这种混合策略减轻了计算负担并提高了推出过程的可靠性。实验评估证明了 MCTS-BN 在改进传统结构学习算法生成的 BN 方面的有效性，即使在基础算法阶数次优的情况下也表现出稳健的性能，并且在提供有利阶数时超越了黄金标准。
通过二维输入空间探索对 SMT 求解器进行模糊测试
可满足性模理论 (SMT) 求解器是许多技术的核心引擎，例如符号执行。因此，确保 SMT 求解器的稳健性和正确性至关重要。虽然模糊测试是一种确保 SMT 求解器质量的有效方法，但我们观察到之前的模糊测试工作仅侧重于生成各种一阶公式作为输入，而忽略了 SMT 求解器的算法配置空间，这导致许多深藏不露的错误未被及时报告。在本文中，我们提出了 Falcon，一种同时探索公式空间和配置空间的模糊测试技术。将这两个空间结合起来会显著扩大搜索空间，使有效检测错误变得更加困难。我们通过利用两个空间之间的相关性来减少搜索空间，并引入自适应变异策略来提高搜索效率，从而解决了这个问题。经过六个月的广泛测试，Falcon 在两款最先进的 SMT 求解器 CVC4 和 Z3 中发现了 518 个已确认的错误，其中 469 个已经修复。与两款最先进的模糊测试器相比，Falcon 在 24 小时的测试中检测到了 38 个和 44 个以上的错误，并且覆盖率大幅提高。
通过子模性近似非近视传感器选择...
摘要 — 随着传感器变得越来越复杂和普遍，它们也呈现出了自身的成本效益和时效性问题。选择能够以最低成本、最及时、最高效的方式提供最多信息的传感器集变得越来越重要。两种典型的传感器选择问题出现在广泛的应用中。第一种类型涉及选择在预算限制内提供最大信息增益的传感器集。另一种类型涉及选择优化信息增益和成本之间权衡的传感器集。不幸的是，由于传感器子集的指数搜索空间，两者都需要大量计算。本文提出了有效的传感器选择算法来解决这两个传感器选择问题。用贝叶斯网络建模传感器与传感器旨在评估的假设之间的关系，并通过互信息评估传感器相对于假设的信息增益（收益）。我们首先证明互信息在放松条件下是一个子模函数，这为所提出的算法提供了理论支持。对于预算限制情况，我们引入了一种贪婪算法，该算法具有一个常数因子 (1 − 1 /e)，可保证最佳性能。提出了一种分区程序，通过高效计算互信息以及减少搜索空间来提高算法的计算效率。F
通过子模性近似非近视传感器选择...
摘要 — 随着传感器变得越来越复杂和普遍，它们也呈现出了自身的成本效益和时效性问题。选择能够以最低成本、最及时、最高效的方式提供最多信息的传感器集变得越来越重要。两种典型的传感器选择问题出现在广泛的应用中。第一种类型涉及选择在预算限制内提供最大信息增益的传感器集。另一种类型涉及选择优化信息增益和成本之间权衡的传感器集。不幸的是，由于传感器子集的指数搜索空间，两者都需要大量计算。本文提出了有效的传感器选择算法来解决这两个传感器选择问题。用贝叶斯网络建模传感器与传感器旨在评估的假设之间的关系，并通过互信息评估传感器相对于假设的信息增益（收益）。我们首先证明互信息在放松条件下是一个子模函数，这为所提出的算法提供了理论支持。对于预算限制情况，我们引入了一种贪婪算法，该算法具有一个常数因子 (1 − 1 /e)，可保证最佳性能。提出了一种分区程序，通过高效计算互信息以及减少搜索空间来提高算法的计算效率。F
幸福与健康粒子群优化
粒子群优化 (PSO) 是一种流行且广泛使用的优化算法，用于解决复杂问题。它以简单和易于实施而闻名。人工鸟在搜索空间中移动以找到最佳解决方案。尽管文献中提出了许多 PSO 算法，但 PSO 算法中尚未探索幸福和健康等概念。本文基于这一研究空白。幸福和健康粒子群优化 (HaHePSO) 算法是通过将幸福和健康概念纳入粒子群优化算法而创建的。HaHePSO 算法中的每个粒子都与幸福和健康变量相关联。PSO 算法中人工鸟的移动基于适应度值。在 HaHePSO 算法中，人工鸟的移动取决于幸福、健康和适应度值。在 PSO 算法中，人工鸟朝着局部最佳和全局最佳适应值的方向移动。这一思想在 HaHePSO 算法中得到了扩展，其中人工鸟朝着幸福感、健康和适应值的局部最佳和全局最佳方向移动。与 PSO 算法相比，本文提出的 HaHePSO 算法占用更多空间并需要额外计算。这是因为现在每个粒子都有与之相关的幸福感和健康变量，并且搜索空间中的移动由适应度、幸福感和健康值引导。
工业机器人应用4D圆柱空间中的人工智能控制
摘要本文认为，有效的人工智能控制算法需要工业机器人操纵器的内置对称性，以进一步表征和利用。此增强的乘积是一个四维（4D）离散的圆柱网格空间，可以直接替换复杂的机器人模型。a ∗是为了在此类算法中广泛使用，以研究在4D圆柱离散网格中指导机器人操纵器的优势和缺点。研究表明，这种方法可以在计划和执行时间内对机器人运动学和动态模型的任何特定知识来控制机器人。实际上，每个网格单元的机器人关节位置被预先计算并作为知识存储，然后在需要时通过路径填充算法快速检索。4D圆柱离散空间既具有配置空间的优势，也具有机器人的三维笛卡尔工作空间。由于路径优化是任何搜索算法的核心，包括∗，因此4D圆柱网格为搜索空间提供了一个可以嵌入单元特性形式的知识的搜索空间，包括存在障碍物的存在和整个工业机器人体的体积占用，以避免障碍物。主要的权衡是在预计网格知识的有限能力与路径搜索速度之间。这种创新的方法鼓励将搜索算法用于工业机器人应用，这是对不同机器人模型中存在的其他机器人对称性的研究，并为应用动态障碍算法的应用奠定了基础。
通过扩散模型对风味模型的分析
在对风味模型的常规分析中，参数的搜索空间通常仅限于一定范围，以在现实的计算时间内优化理论的参数。在本演讲中，我们提出了一种利用扩散模型的分析方法，该模型是一种生成人工智能。与常规方法相比，可以独立于模型的具体细节应用此策略。通过具体的示例，我们将根据基于反问题方法从鸟类的视图中评估风味模型的预测，在该方法中，机器生成了复制实验值的各种参数候选。
神经仪：大脑连接组中图形机学习的基准
机器学习提供了一种有价值的工具，用于分析高维功能神经影像学数据，并证明可以有效预测各种神经系统疾病，精神疾病和认知模式。在功能磁共振成像（MRI）研究中，大脑区域之间的相互作用是使用基于图的表示形式建模的。图形机学习方法的效力已经在跨众多域中建立，标志着数据解释和预测建模的跨形成一步。，尽管他们有希望，但由于潜在的预处理管道数量的庞大数量以及基于图的数据集构建的大量参数搜索空间，这些技术向神经影像域的换位一直在挑战。在本文中，我们介绍了神经图1，这是基于图的神经影像数据集的集合，并展示了其用于预测多种行为和认知性状的实用性。我们通过制作包含静态和动态大脑连接性的35个数据集，深入研究数据集生成搜索空间，运行超过15种基线方法进行基准测试。此外，我们还提供通用框架 - 用于在静态图和动态图上学习。我们的广泛实验导致了几个关键观察。值得注意的是，使用相关向量作为节点特征，结合了更多的感兴趣区域并使用稀疏图会提高性能。为了促进基于图的数据驱动神经成像分析的进一步进步，我们提供了一个全面的开源Python软件包，其中包括基准数据集，基线实现，模型培训和标准评估。
