arXivDaily arXiv每日学术速递 周一至周五更新

高校专区

University of California, Los Angeles(加州大学洛杉矶分校)

共收录 1060
2604.21017 2026-06-05 cs.RO cs.AI

Open-H-Embodiment: A Large-Scale Dataset for Enabling Foundation Models in Medical Robotics

Open-H-Embodiment: 一个大规模数据集,用于在医疗机器人中启用基础模型

Open-H-Embodiment Consortium, :, Nigel Nelson, Juo-Tung Chen, Jesse Haworth, Xinhao Chen, Lukas Zbinden, Dianye Huang, Alaa Eldin Abdelaal, Alberto Arezzo, Ayberk Acar, Farshid Alambeigi, Carlo Alberto Ammirati, Yunke Ao, Pablo David Aranda Rodriguez, Soofiyan Atar, Mattia Ballo, Noah Barnes, Federica Barontini, Filip Binkiewicz, Peter Black, Sebastian Bodenstedt, Leonardo Borgioli, Nikola Budjak, Benjamin Calmé, Fabio Carrillo, Nicola Cavalcanti, Changwei Chen, Haoxin Chen, Sihang Chen, Qihan Chen, Zhongyu Chen, Ziyang Chen, Shing Shin Cheng, Meiqing Cheng, Min Cheng, Zih-Yun Sarah Chiu, Xiangyu Chu, Camilo Correa-Gallego, Giulio Dagnino, Anton Deguet, Jacob Delgado, Jonathan C. DeLong, Kaizhong Deng, Alexander Dimitrakakis, Qingpeng Ding, Hao Ding, Giovanni Distefano, Daniel Donoho, Anqing Duan, Marco Esposito, Shane Farritor, Jad Fayad, Zahi Fayad, Mario Ferradosa, Filippo Filicori, Chelsea Finn, Philipp Fürnstahl, Jiawei Ge, Stamatia Giannarou, Xavier Giralt Ludevid, Frederic Giraud, Aditya Amit Godbole, Ken Goldberg, Antony Goldenberg, Diego Granero Marana, Xiaoqing Guo, Tamás Haidegger, Evan Hailey, Pascal Hansen, Ziyi Hao, Kush Hari, Kengo Hayashi, Jonathon Hawkins, Shelby Haworth, Ortrun Hellig, S. Duke Herrell, Zhouyang Hong, Andrew Howe, Junlei Hu, Zhaoyang Jacopo Hu, Ria Jain, Mohammad Rafiee Javazm, Howard Ji, Rui Ji, Jianmin Ji, Zhongliang Jiang, Dominic Jones, Jeffrey Jopling, Britton Jordan, Ran Ju, Michael Kam, Luoyao Kang, Fausto Kang, Siddhartha Kapuria, Peter Kazanzides, Sonika Kiehler, Ethan Kilmer, Ji Woong Kim, Przemysław Korzeniowski, Chandra Kuchi, Nithesh Kumar, Alan Kuntz, Federico Lavagno, Yu Chung Lee, Hao-Chih Lee, Hang Li, Zhen Li, Xiao Liang, Xinxin Lin, Jinsong Lin, Chang Liu, Fei Liu, Pei Liu, Yun-hui Liu, Wanli Liuchen, Eszter Lukács, Sareena Mann, Miles Mannas, Brett Marinelli, Sabina Martyniak, Francesco Marzola, Lorenzo Mazza, Xueyan Mei, Maria Clara Morais, Luigi Muratore, Chetan Reddy Narayanaswamy, Michał Naskręt, David Navarro-Alarcon, Cyrus Neary, Chi Kit Ng, Christopher Nguan, David Noonan, Ki Hwan Oh, Tom Christian Olesch, Allison M. Okamura, Justin Opfermann, Matteo Pescio, Doan Xuan Viet Pham, Tito Porras, Hongliang Ren, Ariel Rodriguez Jimenez, Ferdinando Rodriguez y Baena, Septimiu E. Salcudean, Asmitha Sathya, Preethi Satish, Lalithkumar Seenivasan, Jiaqi Shao, Yiqing Shen, Yu Sheng, Lucy XiaoYang Shi, Zoe Soulé, Stefanie Speidel, Mingwu Su, Jianhao Su, Idris Sunmola, Kristóf Takács, Yunxi Tang, Patrick Thornycroft, Yu Tian, Jordan Thompson, Mehmet K. Turkcan, Mathias Unberath, Pietro Valdastri, Carlos Vives, Quan Vuong, Martin Wagner, Farong Wang, Wei Wang, Lidian Wang, Chung-Pang Wang, Guankun Wang, Junyi Wang, Erqi Wang, Ziyi Wang, Tanner Watts, Wolfgang Wein, Yimeng Wu, Zijian Wu, Hongjun Wu, Luohong Wu, Jie Ying Wu, Junlin Wu, Victoria Wu, Kaixuan Wu, Mateusz Wójcikowski, Yunye Xiao, Nan Xiao, Wenxuan Xie, Hao Yang, Tianqi Yang, Yinuo Yang, Menglong Ye, Ryan S. Yeung, Nural Yilmaz, Chim Ho Yin, Michael Yip, Rayan Younis, Chenhao Yu, Sayem Nazmuz Zaman, Milos Zefran, Han Zhang, Yuelin Zhang, Yidong Zhang, Yanyong Zhang, Xuyang Zhang, Yameng Zhang, Joyce Zhang, Ning Zhong, Peng Zhou, Haoying Zhou, Xiuli Zuo, Nassir Navab, Mahdi Azizian, Sean D. Huver, Axel Krieger

机构 * Open-H-Embodiment Consortium University of California, Berkeley(加州大学伯克利分校) University of California, Los Angeles(加州大学洛杉矶分校) University of Southern California(南加州大学) University of Cambridge(剑桥大学) University of Tokyo(东京大学) University of Tokyo, Graduate School of Information Science and Technology(东京大学信息科学与技术研究生院) University of Tokyo, Institute of Industrial Science(东京大学工业科学研究所)

AI总结 本文提出Open-H-Embodiment数据集,通过两个基础模型展示了其在医疗机器人领域的应用,展示了大规模开放数据在推动机器人学习和世界建模方面的关键作用。

Comments Project website: https://open-h.github.io/open-h-embodiment/

详情

展开后加载摘要…

URL PDF HTML 收藏
2604.08477 2026-06-05 cs.AI cs.CL cs.LG

SUPERNOVA: Eliciting General Reasoning in LLMs with Reinforcement Learning on Natural Instructions

SUPERNOVA: 通过自然指令上的强化学习激发大语言模型的通用推理

Ashima Suvarna, Kendrick Phan, Mehrab Beikzadeh, Hritik Bansal, Saadia Gabriel

机构 * University of California, Los Angeles(加州大学洛杉矶分校)

AI总结 本文提出SUPERNOVA框架,通过自然指令数据集构建高质量的强化学习可验证奖励数据集,通过100+次强化学习实验系统研究如何利用这些数据集提升下游推理性能,并在BigBench Extra Hard基准上实现64.4个百分点的相对提升。

Comments 23 Pages; 2-column format; 10 figures

详情

展开后加载摘要…

URL PDF HTML 收藏
2601.18219 2026-06-05 physics.med-ph cs.CV cs.LG

Automated HER2 scoring with uncertainty quantification using lensfree holography and deep learning

利用无透镜全息和深度学习进行自动HER2评分及不确定性量化

Che-Yung Shen, Xilin Yang, Yuzhu Li, Leon Lenk, Aydogan Ozcan

机构 * Electrical and Computer Engineering Department, University of California, Los Angeles, CA, 90095, USA(加州大学洛杉矶分校电气与计算机工程系) Bioengineering Department, University of California, Los Angeles, CA, 90095, USA(加州大学洛杉矶分校生物工程系) California NanoSystems Institute (CNSI), University of California, Los Angeles, CA, 90095, USA(加州大学洛杉矶分校加州纳米系统研究所) Department of Computer Science, University of California, Los Angeles, CA, 90095, USA(加州大学洛杉矶分校计算机科学系)

AI总结 本文提出了一种基于无透镜全息和深度学习的紧凑型、低成本系统,用于自动免疫组化染色乳腺组织切片的HER2评分,通过贝叶斯蒙特卡洛Dropout策略提高诊断可靠性,实现了高准确率的HER2分类和评分。

Comments 23 Pages, 6 Figures, 1 Table

Journal ref BME Frontiers, AAAS (2026)

详情

展开后加载摘要…

URL PDF HTML 收藏
2512.21335 2026-06-05 physics.med-ph cs.LG physics.app-ph physics.bio-ph

Autonomous Uncertainty Quantification for Computational Point-of-care Sensors

自主不确定性量化用于计算床旁传感器

Artem Goncharov, Rajesh Ghosh, Hyou-Arm Joung, Dino Di Carlo, Aydogan Ozcan

机构 * Electrical & Computer Engineering Department(电气与计算机工程系) Bioengineering Department(生物工程系) California NanoSystems Institute (CNSI)(加州纳米系统研究所) Department of Surgery(外科医学系) University of California, Los Angeles(加州大学洛杉矶分校)

AI总结 本文提出了一种自主不确定性量化技术,用于改进床旁诊断中的神经网络驱动计算传感器系统,通过蒙特卡洛dropout方法提高诊断的准确性和可靠性。

Comments 18 Pages, 5 Figures

Journal ref ACS Nano (2026)

详情

展开后加载摘要…

URL PDF HTML 收藏
2510.22768 2026-06-05 cs.CL

Seeing is Believing? Evaluating Vision-Language Model Susceptibility in Agent-to-Agent Multimodal Persuasion

见多识广?评估面向Agent-to-Agent多模态说服的视觉语言模型易受性

Haoyi Qiu, Yilun Zhou, Pranav Narayanan Venkit, Kung-Hsiang Huang, Jiaxin Zhang, Nanyun Peng, Chien-Sheng Wu

机构 * University of California, Los Angeles(加州大学洛杉矶分校) Salesforce AI Research(Salesforce AI研究)

AI总结 本文研究了在多智能体多模态说服场景中,视觉语言模型对多模态内容的易受性,提出了MMPersuade框架和数据集,通过实验揭示了多模态输入在说服中的优势,以及说服对象的领域和格式依赖性,以及心理策略在不同上下文和模型架构下的效果差异。

详情

展开后加载摘要…

URL PDF HTML 收藏
2509.02971 2026-06-05 stat.ML cs.LG cs.NA math.NA math.PR

Scale-Adaptive Generative Flows for Multiscale Scientific Data

多尺度科学数据的自适应生成流

Yifan Chen, Eric Vanden-Eijnden

机构 * Department of Mathematics, University of California, Los Angeles(加州大学洛杉矶分校数学系) Machine Learning Lab, Capital Fund Management(资本基金管理有限公司机器学习实验室) Courant Institute, New York University(纽约大学柯朗研究所)

AI总结 本文提出了一种多尺度科学数据生成模型,通过设计噪声分布和插值计划,解决多尺度傅里叶谱数据中的数值挑战,提高了生成样本的质量和效率。

详情

展开后加载摘要…

URL PDF HTML 收藏
2506.10145 2026-06-05 cs.CV

RoCA: Robust Cross-Domain End-to-End Autonomous Driving

RoCA: 面向鲁棒跨域端到端自动驾驶的框架

Rajeev Yasarla, Shizhong Han, Hsin-Pai Cheng, Apratim Bhattacharyya, Shweta Mahajan, Litian Liu, Yunxiao Shi, Risheek Garrepalli, Hong Cai, Fatih Porikli

机构 * University of California, Berkeley(加州大学伯克利分校) University of Texas at Austin(德克萨斯大学奥斯汀分校) University of California, San Diego(加州大学圣地亚哥分校) University of California, Los Angeles(加州大学洛杉矶分校) University of California, Davis(加州大学戴维斯分校)

AI总结 本文提出RoCA框架,通过联合概率分布建模端到端自动驾驶管道中的 ego 和周围车辆信息,提升跨域自动驾驶的泛化能力和鲁棒性,无需额外推理计算。

Comments accepted for ICML 2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2606.05160 2026-06-04 cs.RO

GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors

GRAIL: 从3D资产和视频先验生成人形机器人全身操作

Tianyi Xie, Haotian Zhang, Jinhyung Park, Zi Wang, Bowen Wen, Jiefeng Li, Xueting Li, Qingwei Ben, Haoyang Weng, Yufei Ye, David Minor, Tingwu Wang, Chenfanfu Jiang, Sanja Fidler, Jan Kautz, Linxi Fan, Yuke Zhu, Zhengyi Luo, Umar Iqbal, Ye Yuan

机构 * NVIDIA UCLA(加州大学洛杉矶分校)

AI总结 提出GRAIL全虚拟生成管线,利用3D资产和视频基础模型先验合成人机交互演示,无需物理搭建或遥操作,实现人形机器人全身操作策略的模拟到现实迁移。

Comments Project page: https://research.nvidia.com/labs/dair/grail/

详情

展开后加载摘要…

URL PDF HTML 收藏
2606.05149 2026-06-04 cs.CV cs.LG eess.IV

An Open-Source Two-Stage Computer Vision Pipeline for Fine-Grained Vehicle Classification using Vision Transformers

基于视觉Transformer的开源两阶段细粒度车辆分类流水线

Gandhimathi Padmanaban, Fred Feng

机构 * Department of Electrical and Computer Engineering, University of California, Los Angeles, CA, USA(1 电气工程与计算机科学系,美国加州大学洛杉矶分校)

AI总结 提出一个结合RT-DETR检测器和微调ViT-Base/16的两阶段流水线,用于六类车身分类,并引入置信度弃权机制,在分布内和分布外数据集上分别达到0.94和0.89的准确率。

Comments 24 pages, 10 figures, venue TBD

详情

展开后加载摘要…

URL PDF HTML 收藏
2606.05080 2026-06-04 cs.AI cs.LG

AutoLab: Can Frontier Models Solve Long-Horizon Auto Research and Engineering Tasks?

AutoLab:前沿模型能否解决长周期自动研究与工程任务?

Zhangchen Xu, Junda Chen, Yue Huang, Dongfu Jiang, Jiefeng Chen, Hang Hua, Zijian Wu, Zheyuan Liu, Zexue He, Lichi Li, Shizhe Diao, Jiaxin Pei, Jinsung Yoon, Hao Zhang, Mengdi Wang, Radha Poovendran, Misha Sra, Alex Pentland, Zichen Chen

机构 * MIT(麻省理工学院) Stanford University(斯坦福大学) University of California, Berkeley(加州大学伯克利分校) University of California, Los Angeles(加州大学洛杉矶分校) University of California, San Diego(加州大学圣地亚哥分校) University of Washington(华盛顿大学) University of Toronto(多伦多大学) University of Michigan(密歇根大学) National University of Singapore(新加坡国立大学) University of Tokyo(东京大学)

AI总结 本文提出AutoLab基准,通过36个专家策划的长周期闭环优化任务评估前沿模型,发现持续迭代和利用经验反馈比初始尝试质量更重要。

Comments Code: https://github.com/autolabhq/autolab ; Website: https://autolab.moe/

详情

展开后加载摘要…

URL PDF HTML 收藏
2606.05021 2026-06-04 cs.LG

Enhancing the MADDPG Algorithm for Multi-Agent Learning via Action Inference and Importance Sampling

通过动作推理和重要性采样增强多智能体学习的MADDPG算法

Marc Walden, Jason Liu, Shaashwath Sivakumar, Ryan Liu, Hamza Khan

机构 * Department of Mathematics, University of California Los Angeles, Los Angeles, CA, USA(加州大学洛杉矶分校数学系)

AI总结 针对多智能体深度强化学习,提出动作推理机制和基于几何分布的重要性采样策略来改进MADDPG算法,在离散动作捕食者-猎物任务中提升了学习稳定性、智能体间协作和探索效率。

详情

展开后加载摘要…

URL PDF HTML 收藏
2606.04072 2026-06-04 cs.RO cs.DC cs.LG cs.SY eess.SY

CADET: A Modular Platform for Evaluating Distributed Cooperative Autonomy in Connected Autonomous Vehicles

CADET:用于评估网联自动驾驶车辆中分布式协作自主性的模块化平台

Pragya Sharma, Brian Wang, Mani Srivastava

机构 * UCLA Amazon Scholar(亚马逊学者)

AI总结 提出CADET模块化平台,通过解耦自动驾驶堆栈并集成网络与工作负载仿真,系统评估分布式协作自主系统在真实部署条件下的安全性与性能。

Journal ref ICRA 2026

详情

展开后加载摘要…

URL PDF HTML 收藏
2606.04048 2026-06-04 cs.LG cs.AI

Unlocking Feature Learning in Gated Delta Networks at Scale

解锁大规模门控Delta网络中的特征学习

Yifeng Liu, Quanquan Gu

机构 * University of California Los Angeles(加州大学洛杉矶分校)

AI总结 本文通过推导门控Delta网络的缩放规则,实现了超参数(尤其是学习率)在不同模型宽度下的零样本迁移,验证了Maximal Update Parametrization在结构化状态空间模型中的有效性。

详情

展开后加载摘要…

URL PDF HTML 收藏
2606.04036 2026-06-04 cs.LG

Self-Distilled Policy Gradient

自蒸馏策略梯度

Yifeng Liu, Shiyuan Zhang, Yifan Zhang, Quanquan Gu

机构 * Department of Computer Science, University of California, Los Angeles, CA, USA(加州大学洛杉矶分校计算机科学系) Princeton AI Laboratory, Princeton University, Princeton, NJ, USA(普林斯顿大学普林斯顿AI实验室)

AI总结 提出SDPG框架,结合组相对验证器优势、归一化标准差、精确全词汇在线自蒸馏和参考策略KL正则化,提升稀疏奖励强化学习的稳定性和性能。

详情

展开后加载摘要…

URL PDF HTML 收藏
2604.25050 2026-06-04 cs.RO

DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors

DiscreteRTC:离散扩散策略是自然的异步执行器

Pengcheng Wang, Kaiwen Hong, Chensheng Peng, Katherine Driggs-Campbell, Masayoshi Tomizuka, Chenfeng Xu, Chen Tang

机构 * UC Berkeley(加州大学伯克利分校) UIUC(伊利诺伊大学香槟分校) UT Austin(德克萨斯大学奥斯汀分校) UCLA(加州大学洛杉矶分校)

AI总结 针对同步执行器在动态任务中的致命停顿问题,提出DiscreteRTC方法,利用离散扩散策略的原生修复能力实现异步执行,在动态模拟和真实操作任务中取得更高成功率。

详情

展开后加载摘要…

URL PDF HTML 收藏
2505.19293 2026-06-04 cs.CL cs.AI cs.LG

100-LongBench: Are de facto Long-Context Benchmarks Literally Evaluating Long-Context Ability?

100-LongBench:事实上的长上下文基准是否真的在评估长上下文能力?

Wang Yang, Hongye Jin, Shaochen Zhong, Song Jiang, Qifan Wang, Vipin Chaudhary, Xiaotian Han

机构 * Case Western Reserve University(凯斯西储大学) Texas A&M University(德克萨斯A&M大学) Rice University(里德大学) University of California, Los Angeles(加州大学洛杉矶分校) Meta

AI总结 针对现有长上下文基准无法分离基线能力与真实长上下文能力、且输入长度固定等问题,提出长度可控的长上下文基准和新指标,以有效评估大语言模型的长上下文能力。

详情

展开后加载摘要…

URL PDF HTML 收藏
2307.00862 2026-06-04 cs.CV cs.CL

UniFine: A Unified and Fine-grained Approach for Zero-shot Vision-Language Understanding

UniFine: 一种统一且细粒度的零样本视觉-语言理解方法

Rui Sun, Zhecan Wang, Haoxuan You, Noel Codella, Kai-Wei Chang, Shih-Fu Chang

机构 * Columbia University(哥伦比亚大学) Microsoft Research(微软研究院) University of California, Los Angeles(加州大学洛杉矶分校)

AI总结 提出UniFine框架,通过利用句子关键词和图像对象等细粒度信息进行图像-文本匹配,在零样本设置下统一处理VQA、SNLI-VE和VCR等视觉-语言任务,并在多个数据集上取得显著改进。

Comments 14 pages, 4 figures, ACL 2023 Findings

详情

展开后加载摘要…

URL PDF HTML 收藏
1409.6111 2026-06-04 math.OC cs.LG cs.MA cs.SY eess.SY stat.ML

Distributed Clustering and Learning Over Networks

网络上的分布式聚类与学习

Xiaochuan Zhao, Ali H. Sayed

机构 * Department of Electrical Engineering, University of California, Los Angeles(加州大学洛杉矶分校电气工程系)

AI总结 本文提出了一种自适应的聚类和学习方案,使智能体能够学习应与哪些邻居合作以及哪些邻居应忽略,从而在网络中实现更准确的学习和估计。通过详细的均方分析,评估了聚类机制的一阶和二阶误差概率,并证明这些概率随步长指数衰减,从而可以将正确聚类的概率任意接近于一。

Comments 47 pages, 6 figures

详情

展开后加载摘要…

URL PDF HTML 收藏
1711.05519 2026-06-04 cs.IT cs.LG cs.NA math.IT math.NA math.OC

Accelerated Alternating Projections for Robust Principal Component Analysis

加速交替投影用于鲁棒主成分分析

HanQin Cai, Jian-Feng Cai, Ke Wei

机构 * Department of Mathematics, University of California, Los Angeles(加州大学洛杉矶分校数学系) Department of Mathematics, Hong Kong University of Science and Technology(香港理工大学数学系) School of Data Science, Fudan University(复旦大学数据科学学院)

AI总结 本文提出了一种加速交替投影算法,用于鲁棒主成分分析,显著提高了现有交替投影方法在更新低秩因子时的计算效率,并证明了该算法的精确恢复保证和线性收敛性。

Journal ref Journal of Machine Learning Research, 20 (2019): 685-717

详情

展开后加载摘要…

URL PDF HTML 收藏
1902.02311 2026-06-04 cs.MA cs.AI cs.LG cs.SY eess.SY

Decentralized Multi-Agents by Imitation of a Centralized Controller

通过模仿集中控制器实现去中心化多智能体

Alex Tong Lin, Mark J. Debord, Katia Estabridis, Gary Hewer, Guido Montufar, Stanley Osher

机构 * UCLA(加州大学洛杉矶分校) Max Planck Institute, Leipzig(莱比锡马克斯·普朗克研究所) University of California, Los Angeles(加州大学洛杉矶分校)

AI总结 本文提出了一种基于集中训练、去中心执行框架的新型算法,通过模仿学习生成去中心化多智能体,解决了多智能体强化学习中非平稳和部分可观测环境下的协作问题。

详情

展开后加载摘要…

URL PDF HTML 收藏
1711.00493 2026-06-04 eess.SY cs.RO cs.SY eess.SP

Event-Triggered Diffusion Kalman Filters

事件触发扩散卡尔曼滤波器

Amr Alanwar, Hazem Said, Ankur Mehta, Matthias Althoff

机构 * Technical University of Munich(慕尼黑技术大学) Ain Shams University(艾因夏姆斯大学) University of California, Los Angeles(加州大学洛杉矶分校)

AI总结 本文提出了一种事件触发的扩散卡尔曼滤波器,通过本地信号指示估计误差来收集测量并交换信息,从而减少资源消耗并提高分布式状态估计的有效性。

详情

展开后加载摘要…

URL PDF HTML 收藏
1811.10745 2026-06-04 cs.LG cs.CR cs.NA math.NA stat.ML

ResNets Ensemble via the Feynman-Kac Formalism to Improve Natural and Robust Accuracies

通过费米-狄拉克公式式方法提升ResNets的自然和鲁棒准确性的集成方法

Bao Wang, Binjie Yuan, Zuoqiang Shi, Stanley J. Osher

机构 * Department of Mathematics(数学系) Computer Science Department(计算机科学系) University of California, Los Angeles(加州大学洛杉矶分校) Tsinghua University(清华大学) Yau Mathematical Sciences Center(杨振宁数学科学中心)

AI总结 本文提出了一种基于费米-狄拉克公式式的ResNets集成算法,通过在残差映射的输出中注入方差指定的高斯噪声并平均多个联合训练的修改ResNets的乘积来提高模型在干净和对抗性图像上的准确率。

Comments 18 pages, 6 figures

详情

展开后加载摘要…

URL PDF HTML 收藏
1806.06317 2026-06-04 cs.LG cs.NA math.NA stat.ML

Laplacian Smoothing Gradient Descent

拉普拉斯平滑梯度下降

Stanley Osher, Bao Wang, Penghang Yin, Xiyang Luo, Farzin Barekat, Minh Pham, Alex Lin

机构 * University of California, Los Angeles(加州大学洛杉矶分校)

AI总结 本文提出了一种简单的方法改进梯度下降和随机梯度下降,通过乘以正定矩阵的逆(可通过FFT高效计算)来减少方差、增大步长并提高泛化精度,同时在理论和实践中均表现出色。

Comments 28 pages, 15 figures

详情

展开后加载摘要…

URL PDF HTML 收藏
1811.11259 2026-06-04 cs.LG cs.AI cs.DS cs.SY eess.SY stat.ML

Scaling Configuration of Energy Harvesting Sensors with Reinforcement Learning

基于强化学习的能源收集传感器的扩展配置

Francesco Fraternali, Bharathan Balaji, Rajesh Gupta

机构 * University of California, San Diego(加州大学圣迭戈分校) University of California, Los Angeles(加州大学洛杉矶分校)

AI总结 本文提出利用强化学习自动配置室内太阳能板能源收集传感器的采样率,通过减少训练阶段和计算需求,实现快速部署和大规模扩展,有效提升传感器数据采集效率并避免能源耗尽。

Comments 7 pages, 5 figures

Journal ref ENSsys '18: International Workshop on Energy Harvesting & Energy-Neutral Sensing Systems}{November 4, 2018}{Shenzhen, China

详情

展开后加载摘要…

URL PDF HTML 收藏
1804.00684 2026-06-04 cs.LG cs.NA math.NA stat.ML

Graph-Based Deep Modeling and Real Time Forecasting of Sparse Spatio-Temporal Data

基于图的深度建模与稀疏时空数据的实时预测

Bao Wang, Xiyang Luo, Fangbo Zhang, Baichuan Yuan, Andrea L. Bertozzi, P. Jeffrey Brantingham

机构 * Dept of Anthropology, UCLA(人类学系,加州大学洛杉矶分校) Dept of Math, UCLA(数学系,加州大学洛杉矶分校)

AI总结 本文提出一种通用框架,用于稀疏时空数据的建模、分析与预测,结合自激发点过程和图结构循环神经网络,实现宏微观尺度的联合建模与实时预测。

Comments 9 pages, 19 figures

详情

展开后加载摘要…

URL PDF HTML 收藏
1801.09657 2026-06-04 math.NA cs.LG cs.NA stat.ME

Matrix Completion for Structured Observations

结构观测的矩阵补全

Denali Molitor, Deanna Needell

机构 * University of California, Los Angeles(加州大学洛杉矶分校)

AI总结 本文提出改进的核范数最小化方法,以考虑观测与未观测条目间的结构性差异,提升矩阵补全效果。

详情

展开后加载摘要…

URL PDF HTML 收藏
1801.07132 2026-06-04 cs.CR cs.RO cs.SY eess.SY

SecSens: Secure State Estimation with Application to Localization and Time Synchronization

SecSens: 带有定位和时间同步应用的安全状态估计

Amr Alanwar, Bernhard Etzlinger, Henrique Ferraz, Joao Hespanha, Mani Srivastava

机构 * University of California, Los Angeles(加州大学洛杉矶分校) University of California, Santa Barbara(加州大学圣芭芭拉分校) Johannes Kepler University(约翰·凯撒大学)

AI总结 本文提出SecSens,一种用于对抗模型和测量噪声的新型安全非线性状态估计方法,通过SecEKF和SecOPT算法实现安全状态估计,无需专用硬件或加密技术,在强攻击下性能优于现有方案。

详情

展开后加载摘要…

URL PDF HTML 收藏
1711.08833 2026-06-04 cs.LG cs.NA math.NA stat.ML

Deep Learning for Real-Time Crime Forecasting and its Ternarization

深度学习在实时犯罪预测中的应用及其三元化

Bao Wang, Penghang Yin, Andrea L. Bertozzi, P. Jeffrey Brantingham, Stanley J. Osher, Jack Xin

机构 * Department of Mathematics, UCLA(UCLA数学系) Department of Anthropology, UCLA(UCLA人类学系) Department of Mathematics, UCI(UCI数学系)

AI总结 本文提出了一种基于时空残差网络的犯罪预测模型,并通过三元化技术解决实际部署中的资源消耗问题,提升了预测精度。

Comments 14 pages, 7 figures

详情

展开后加载摘要…

URL PDF HTML 收藏
1711.03906 2026-06-04 cs.LG cs.DC cs.NI cs.RO cs.SY eess.SY

D-SLATS: Distributed Simultaneous Localization and Time Synchronization

D-SLATS:分布式的同时定位与时间同步

Amr Alanwar, Henrique Ferraz, Kevin Hsieh, Rohit Thazhath, Paul Martin, Joao Hespanha, Mani Srivastava

机构 * University of California, Los Angeles(加州大学洛杉矶分校) University of California, Santa Barbara(加州大学圣巴巴拉分校)

AI总结 本文提出D-SLATS框架,通过分布式扩展卡尔曼滤波和优化技术联合解决时间同步与定位问题,实现3微秒精度和30厘米误差。

详情

展开后加载摘要…

URL PDF HTML 收藏
1707.03340 2026-06-04 math.NA cs.LG cs.NA stat.ML

Deep Learning for Real Time Crime Forecasting

深度学习用于实时犯罪预测

Bao Wang, Duo Zhang, Duanhao Zhang, P. Jeffery Brantingham, Andrea L. Bertozzi

机构 * Department of Mathematics, UCLA(加州大学洛杉矶分校数学系) Department of Anthropology, UCLA(加州大学洛杉矶分校人类学系)

AI总结 本文提出基于深度学习的时空预测模型,通过空间时间正则化和残差卷积结构,提升对洛杉矶犯罪分布的预测精度。

Comments 4 pages, 6 figures, NOLTA, 2017

详情

展开后加载摘要…

URL PDF HTML 收藏