IEEE TNNLS

A Unified Analysis of AdaGrad with Weighted Aggregation and Momentum Acceleration

AdaGrad的统一分析：带加权聚合和动量加速

Li Shen, Congliang Chen, Fangyu Zou, Zequn Jie, Ju Sun, Wei Liu

机构 * JD Explore Academy, Beijing, China（京东探索研究院，北京，中国） ； Facebook, USA（Facebook，美国） ； Meituan, Beijing, China（美团，北京，中国） ； University of Minnesota, Twin Cities, USA（明尼苏达大学双城分校，美国） ； Tencent, Shenzhen, China（腾讯，深圳，中国） 纠错

AI总结 本文提出了一种名为AdaUSM的加权AdaGrad算法，通过统一动量方案和新型加权自适应学习率，实现了在非凸随机设置下的O(√(log(T)/T))收敛率，并从新视角解释了Adam和RMSProp的自适应学习率。

Comments IEEE TNNLS

Fidelity-based Probabilistic Q-learning for Control of Quantum Systems

基于保真度的概率Q学习用于量子系统的控制

Chunlin Chen, Daoyi Dong, Han-Xiong Li, Jian Chu, Tzyh-Jong Tarn

AI总结 本文提出基于保真度的概率Q学习方法，用于解决强化学习中探索与利用的平衡问题，并应用于量子系统控制，通过迭代更新动作概率实现自然探索策略，提升学习效率。

Comments 13 pages, 16 figures

Journal ref IEEE Transactions on Neural Networks and Learning Systems, VOL. 25, NO. 5, pp.920-933, MAY 2014

Quantum Ensemble Classification: A Sampling-based Learning Control Approach

量子集合分类：基于采样的学习控制方法

Chunlin Chen, Daoyi Dong, Bo Qi, Ian R. Petersen, Herschel Rabitz

AI总结 本文提出基于采样的学习控制方法，用于解决非正交态的量子集合分类问题，通过同时引导不同类成员到目标态实现有效分类。

Comments 32 pages, 15 figures, 2 tables

Journal ref IEEE Transactions on Neural Networks and Learning Systems, 28, 1345-1359, 2017

An Approach to Stable Gradient Descent Adaptation of Higher-Order Neural Units

一种高阶神经单元稳定梯度下降适应的方法

Ivo Bukovsky, Noriyasu Homma

AI总结 本文提出一种基于谱半径的高阶神经单元权重更新系统稳定性评估方法，通过梯度下降实现前馈和递归HONU的适应，确保每一步适应过程的稳定性，从而保证整个神经架构对目标数据的适应性。

Comments 2016, 13 pages

Journal ref IEEE Transactions on Neural Networks and Learning Systems,ISSN: 2162-237X,2016

Quaternion Gradient and Hessian

四元数梯度与Hessian

Dongpo Xu, Danilo P. Mandic

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） 纠错

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

Machine Learning Methods for Attack Detection in the Smart Grid

智能电网中攻击检测的机器学习方法

Mete Ozay, Inaki Esnaola, Fatos T. Yarman Vural, Sanjeev R. Kulkarni, H. Vincent Poor

AI总结 本文提出利用机器学习方法检测智能电网攻击，通过批量和在线学习算法结合特征和决策融合，分析攻击向量的统计与几何特性，提升攻击检测性能。

Comments 14 pages, 11 Figures

Journal ref A version of the manuscript was published in IEEE Transactions on Neural Networks and Learning Systems, 19 March 2015

Learning Geo-Temporal Non-Stationary Failure and Recovery of Power Distribution

学习电力分配网络的地理时间非平稳故障与恢复

Yun Wei, Chuanyi Ji, Floyd Galvan, Stephen Couvillon, George Orellana, James Momoh

AI总结 本文研究电力分配网络在非平稳环境下的故障与恢复行为，提出新的建模方法，并通过实际案例验证模型参数学习的有效性。

Comments 12 pages, 12 figures, Accepted with minor revisions by TNNLS, Special Issue on Learning in Nonstationary and Evolving Environments. arXiv admin note: text overlap with arXiv:1202.4720