本文介绍了一种基于深度学习的工具磨损估计方法，该方法考虑了切削参数，以提高模型在不同切削条件下的可转移性和快速学习能力。传统的工具磨损估计方法通常需要手动特征提取和选择，这在处理大量监控数据时变得不可行，导致估计精度下降。本文提出的深度学习方法通过卷积神经网络（CNN）自动从输入数据中提取高度判别性的特征，包括时间序列信号的时间域和跨系列域。实验结果表明，该方法在工具磨损估计的准确性和可转移性方面优于传统方法。
Read more...
本文介绍了一种基于卷积神经网络（CNN）的深度学习方法，该方法通过结合切割条件作为额外的模型输入，旨在提高工具磨损估计的准确性，并满足工业应用中对零样本可转移性的需求。通过一系列在不同切割参数下的铣削实验，评估了模型的工具磨损估计精度和其对新固定或变量切割参数的转移能力。结果显示，与忽略切割条件的传统模型相比，该方法在不同切割条件下均能保持优越的性能，强调了其在工业场景中的潜在应用价值。
Read more...
本文提出了一种基于深度强化学习（Deep Reinforcement Learning, DRL）的自动化程序生成框架，用于生成自动驾驶车辆在地下车库场景中的不利模拟测试环境。该框架能够生成不同的二维地面脚本代码，进而构建三维模型文件和地图模型文件，并在Carla模拟器中展示生成的三维地面场景，供实验者用于导航算法模拟测试。本文的主要贡献包括：1）提出了一种新的自动化方法，用于生成自动驾驶地下车库场景，显著减少了实验者在构建静态场景上的时间；2）采用先进的强化学习方法，设计环境和奖励函数，以获得更高质量的编码；3）生成了多样化的不利场景，设计了基于规则的验证指标，以区分不同地下车库的难度级别。
Read more...
本文聚焦于离线多智能体强化学习（MARL）中的协调失败问题，特别是在使用静态数据集学习最优多智能体控制策略时面临的挑战。研究团队通过分析两玩家多项式游戏，揭示了基于数据的最佳响应（BRUD）方法在离线MARL中可能导致灾难性协调失败的模式。为了解决这一问题，论文提出了一种名为近端联合行动优先化（PJAP）的方法，该方法通过优先考虑数据集中与当前联合行动相似的样本，有效缓解了协调问题。此外，论文还强调了优先化数据集采样在离线MARL中的创新潜力，并展示了其在多项式游戏和更复杂的MARL环境中的有效性。
Read more...
本文介绍了一种用于语言模型代理（LM Agents）的推理时搜索算法，旨在解决语言模型在多步骤推理、规划和利用环境反馈方面的局限性。该算法通过在交互式网络环境中进行显式的探索和多步骤规划，提高了代理在现实网络任务中的成功率。在VisualWebArena基准测试中，应用此搜索算法的GPT-4o代理相对于无搜索的基线代理，成功率提高了39.7%，达到26.4%的最新成功率。在WebArena中，搜索算法也显著提升了代理的性能，成功率达到19.2%。
Read more...
本文探讨了一种受进化形态学启发的新型过度约束运动，旨在通过深度强化学习框架，开发具有优越能量效率的现代机器人肢体。研究提出了一种可3D打印的机器人肢体设计，该设计可以参数化地重新配置为经典的平面四杆连杆、过度约束的Bennett连杆和球面四杆连杆。通过大规模、多地形深度强化学习框架的实施，对这些可重新配置的肢体进行了能量效率的比较分析。结果显示，过度约束肢体在不同地形上的前进和侧向行走中表现出比平面肢体更高的能量效率，节省了至少22%的机械能量。此外，过度约束肢体在平坦地形上实现了最高平均速度0.85m/s，比平面肢体快20%。这项研究为未来利用进化形态学和可重配置机制智能结合最先进的深度强化学习方法的过度约束机器人研究开辟了新的方向。
Read more...
本文探讨了量子机器学习（QML）在洪水预测中的应用潜力，特别是在德国Wupper河2023年的日常洪水事件中的应用。研究结合了传统的机器学习方法（如SVM、KNN、回归和AR模型）与QML技术（如Adaboost、量子变分电路、QBoost和QSVC_ML），利用量子叠加和纠缠的特性，以提高预测的准确性和效率。通过比较训练时间、准确性和可扩展性，研究结果显示QML模型在训练时间和预测准确性方面具有竞争优势。这一研究标志着利用量子技术适应气候变化的重要一步，并强调了合作和持续创新在实际洪水管理中实施这一模型的必要性。
Read more...
本文重新审视了一种简单的图学习方法，即通过图上的随机游走来产生机器可读记录，然后由深度神经网络处理该记录以直接进行顶点级或图级预测。作者将这些随机机器称为随机游走神经网络，并证明了可以设计它们在概率上具有同构不变性和图函数的通用逼近能力。本文的发现之一是，几乎任何类型的随机游走记录都能保证概率不变性，只要顶点被匿名化。这使得作者能够将随机游走记录为纯文本，并采用预训练的转换器语言模型来读取这些文本记录以解决图任务。此外，作者还建立了随机游走神经网络与消息传递神经网络的并行性，证明了消息传递中的过平滑现象在随机游走神经网络中是内在避免的，而过挤压则表现为概率性的欠到达。作者在几个困难的图问题上测试了基于预训练语言模型的随机游走神经网络，结果表明该方法在图分类、子结构计数和无训练的归纳分类等任务上具有竞争力。
Read more...
本文介绍了一种基于大型语言模型（LLM）的零样本日常活动识别系统ADL-LLM。该系统通过将传感器数据转换为文本表示，利用LLM进行零样本识别，无需大量标注数据。此外，当有少量标注数据可用时，ADL-LLM还能通过少样本提示机制进一步提高识别准确率。研究在两个公开数据集上验证了ADL-LLM的有效性，展示了其在日常活动识别领域的应用前景。
Read more...
本文探讨了利用深度神经网络进行通用量子断层摄影的方法，特别是在量子状态断层摄影中的应用。量子状态断层摄影是量子系统状态表征的关键技术，对于量子技术的多种应用至关重要。传统方法在处理混合量子状态时存在效率和准确性的挑战。本文提出了两种基于神经网络的方法：限制特征基神经网络（RFB-Net）和混合状态条件生成对抗网络（MS-CGAN），这两种方法能够有效地重建混合量子状态，展示了神经网络在量子状态断层摄影中的先进性和潜力。
Read more...