高校专区
通过匹配随机卷积特征生成金融时间序列
机构 * Imperial College London（帝国理工学院伦敦分校） ； JPMorgan Chase & Co.（摩根大通公司） ； University of St. Gallen（圣加尔登大学）
AI总结 提出SOCK（软竞争核）可微随机卷积特征图，通过匹配真实与生成时间序列的随机卷积特征来训练生成器，在小样本金融数据集上优于签名和扩散基线方法。
深度嵌入乘法DMD用于保代数Koopman学习
机构 * Department of Mathematics, Imperial College London（帝国理工学院数学系） ； Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系）
AI总结 提出DeepMDMD方法，通过结合深度学习和乘法DMD，在潜空间中施加Koopman乘积规则作为代数约束，学习紧凑且动态一致的字典，实现稳定预测和谱污染减少。
Comments 26 pages, 11 figures
Instant-Fold: 可变形物体操作的情境模仿学习
机构 * The Robot Learning Lab（机器人学习实验室） ； Imperial College London（伦敦帝国学院）
AI总结 提出Instant-Fold框架，通过单次人类演示的情境模仿学习，无需梯度更新即可推断并执行多种可变形物体操作模式，在仿真训练后零样本迁移到真实世界。
用于遮挡鲁棒目标检测的微型协同推理
机构 * Imperial College London（帝国理工学院伦敦分校） ； Nottingham Trent University（诺丁汉特伦特大学）
AI总结 针对超低端边缘设备，结合MCUNet骨干网络、YOLOv2检测头和TensorFlow Lite量化，评估决策级融合（WBF）相比特征级融合在遮挡场景下提升mAP达+0.2736，并验证了多视角融合与Wi-Fi对等部署的可行性。
随机探索何时以及为何有效（在线性赌博机中）
机构 * Criteo AI Lab（Criteo AI实验室） ； University of Oxford（牛津大学） ； Imperial College London（伦敦帝国学院）
AI总结 本文提出一种不依赖强制乐观或后验膨胀的分析方法，证明在动作空间光滑且强凸的d维线性赌博机中，随机探索算法（如汤普森采样）可实现O(d√n log(n))的n步遗憾界，首次表明在非平凡线性赌博机设置中汤普森采样能达到最优维度依赖。
Comments Minor corrections to formulas and text; results unchanged
为多UAV信息采集应用优化通信与计算
机构 * Department of Aeronautics, Imperial College London（帝国理工学院伦敦校区航空系） ； Department of Electronics and Communications Engineering, Indraprastha Institute of Information Technology（印度拉普拉兹信息技术学院电子与通信工程系） ； Department of Electrical & Electronic Engineering and the Department of Aeronautics, Imperial College London（帝国理工学院伦敦校区电子与电气工程系及航空系） ； Department of Electrical and Computer Engineering, University of Porto（葡萄牙波尔图大学电气与计算机工程系）
AI总结 本文针对多UAV系统中通信与计算能耗的优化问题，提出了一种混合整数优化方法，通过数据聚合和多跳分层聚类实现高效的路由方案，以延长系统寿命。
Journal ref IEEE Transactions on Aerospace and Electronic Systems ( Volume: 54, Issue: 2, April 2018)
通过结合局部采样器实现自适应MCMC
机构 * Imperial College London, London, UK（伦敦帝国学院，伦敦，英国）
AI总结 本文提出了一种自适应MCMC方法，通过结合多个并行运行的局部采样器，利用核Stein分歧度优先选择链，以提高整体采样效率，实验表明该方法在多模态问题和传感器定位任务中优于现有方法。
全局预测，局部校正：神经网络优化的并行时间最优控制
机构 * Department of Computing, Imperial College London, London, United Kingdom（帝国理工学院计算系，伦敦，英国）
AI总结 本文提出了一种新的分布式优化算法，通过将神经网络的层视为动力系统离散动力学，利用最优控制的共态（adjoints）与反向传播的关系，实现参数更新无需等待前向或反向传播完成，从而提高效率。
对“概率积分：在统计计算中的作用？”的回应
机构 * Imperial College London（伦敦帝国理工学院） ； Newcastle University（新castle大学） ； University of Oxford（牛津大学）
AI总结 本文是对即将发表在《统计科学》上的论文“概率积分：在统计计算中的作用？”的回应。作者感谢了评审员和同事们的帮助，并回应了讨论者提出的问题，探讨了贝叶斯方法在数值分析中的应用及其在统计计算中的作用。
Comments Accepted to Statistical Science
张量环上的秩最小化：一种可扩展张量分解与补全的新范式
机构 * Graduate School of Engineering, Saitama Institute of Technology, Japan（日本萨它马工学院工程研究生院） ； Tensor Learning Unit, RIKEN Center for Advanced Intelligence Project (AIP), Japan（日本RIKEN高级智能项目（AIP）张量学习单元） ； School of Automation, Guangdong University of Technology, China（中国广东技术大学自动化学院） ； School of Computer Science and Technology, Hangzhou Dianzi University, China（中国杭州电子科技大学计算机科学与技术学院） ； Department of Electrical and Electronic Engineering, Imperial College London, United Kingdom（英国伦敦帝国理工学院电子与电气工程系）
AI总结 本文提出基于张量环的秩最小化方法，通过引入凸替代项解决传统方法的高计算成本和模型复杂度敏感问题，提出两种算法以不同结构的Schatten范数优化张量环因子，实验显示其高效性与高性能。
关于核二次求积的采样问题
机构 * University of Warwick, Department of Statistics（沃里克大学统计系） ； Imperial College London, Department of Mathematics（伦敦帝国理工学院数学系） ； Newcastle University, School of Mathematics（新castle大学数学系） ； University of Technology Sydney, School of Mathematical（悉尼技术大学数学与物理科学学院） ； The Alan Turing Institute for Data Science（数据科学阿尔图里研究所）
AI总结 本文探讨了核二次求积中采样分布对收敛速率的影响，提出基于自适应温度调节和序列蒙特卡罗的自动方法，显著降低积分误差。
Comments To appear at Thirty-fourth International Conference on Machine Learning (ICML 2017)
Journal ref Proceedings of the 34th International Conference on Machine Learning, PMLR 70:586-595, 2017
四元数梯度与Hessian
机构 * College of Science, Harbin Engineering University, Harbin 150001, China（哈尔滨工程大学理学院） ； Department of Electrical and Electronic Engineering, Imperial College London, SW7 2AZ London, UK（伦敦帝国理工学院电子与电气工程系）
AI总结 本文提出基于广义HR算子的新四元数梯度和Hessian定义，简化了四元数最优化算法的推导，使直接在四元数域中进行优化成为可能，提高了算法设计和评估的效率。
Comments 23 pages
Journal ref IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(2):249-261
自学习云控制器：用于知识演化的模糊Q学习
机构 * Imperial College London, UK（伦敦帝国学院） ； IC4, Dublin City University, Ireland（IC4，都柏林城市大学） ； University of Duisburg-Essen, Germany（杜伊斯堡- Essen大学）
AI总结 本文提出FQL4KE自学习模糊云控制器，通过在运行时学习和修改模糊规则，使用户能通过调整优先级权重来指定控制器，而非复杂适应规则，实验表明其优于传统控制器。
非线性网络的分布式重建：一种ADMM方法
机构 * Centre for Synthetic Biology（合成生物学中心） ； the Department of Bioengineering, Imperial College London, United Kingdom（生物工程系，伦敦帝国理工学院，英国）
AI总结 本文提出了一种分布式算法用于大规模非线性网络的重建，通过ADMM将问题分解为子问题，用于识别时间序列数据中的非线性函数形式和参数。
Comments To appear in the Preprints of 19th IFAC World Congress 2014
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈