utonia: к единому энкодеру для всех облаков точек

Utonia: К единому энкодеру для всех облаков точек

Utonia – это шаг к обучению единого самоконтролируемого трансформерного энкодера для различных областей, включая дистанционное зондирование, наружный LiDAR, последовательности RGB-D для помещений, объектно-ориентированные CAD-модели и облака точек, полученные из RGB-видео. Несмотря на различные геометрии сенсоров, плотности и априорные знания, Utonia обучается согласованному пространству представлений, которое переносится между доменами. Это объединение улучшает возможности восприятия и выявляет интересные возникающие поведения, которые возникают только при совместном обучении доменов.

Было замечено, что представления Utonia также могут быть полезны для встроенного и мультимодального рассуждения: использование функций Utonia для определения политик, сочетающих зрение, язык и действие, улучшает роботизированную манипуляцию, а их интеграция в модели зрения и языка приводит к улучшениям в пространственном рассуждении. Авторы надеются, что Utonia послужит шагом к созданию фундаментальных моделей для разреженных 3D-данных и поддержит последующие приложения в AR/VR, робототехнике и автономном вождении. Utonia на Hugging Face Читать PDF ArXiv

Статистика локтя: Многомасштабное статистическое значение кластеризации

Выбор количества кластеров остается фундаментальной проблемой в обучении без учителя. Существующие критерии обычно нацелены на один "оптимальный" раздел, часто упуская из виду статистически значимую структуру, присутствующую на нескольких разрешениях. Представлен ElbowSig, механизм, который формализует эвристический метод "локтя" как строгую инференциальную проблему. Подход основан на нормализованной дискретной статистике кривизны, полученной из последовательности неоднородности кластеров, которая оценивается по отношению к нулевому распределению неструктурированных данных.

Были получены асимптотические свойства этой нулевой статистики как в условиях большой выборки, так и в высокоразмерных условиях, характеризующие ее базовое поведение и стохастическую изменчивость. Поскольку процедура, не зависящая от алгоритма, ElbowSig требует только последовательности неоднородности и совместима с широким спектром методов кластеризации, включая жесткие, нечеткие и кластеризацию на основе моделей. Экстенсивные эксперименты с синтетическими и эмпирическими наборами данных демонстрируют, что метод поддерживает соответствующий контроль ошибок типа I, обеспечивая при этом возможность разрешения многомасштабных организационных структур, которые обычно скрыты критериями выбора с одним разрешением. ElbowSig на Hugging Face Читать PDF ArXiv

SynthCharge: Генератор экземпляров маршрутизации электромобилей с проверкой осуществимости для обучения на основе оптимизации и оценки

SynthCharge – это параметрический генератор, который создает разнообразные, проверенные на осуществимость экземпляры EVRPTW (электрического маршрутирования транспортных средств с временными окнами) в различных пространственно-временных конфигурациях и масштабируемом количестве клиентов. Хотя SynthCharge в настоящее время может генерировать экземпляры большого размера, до 500 клиентов, эксперименты сосредоточены на размерах от 5 до 100 клиентов.

В отличие от статических эталонных наборов, SynthCharge интегрирует геометрию экземпляров с адаптивным масштабированием емкости энергии и размещением зарядных станций с учетом дальности. Для обеспечения структурной валидности генератор систематически отфильтровывает неразрешимые экземпляры с помощью быстрого процесса проверки осуществимости. SynthCharge предоставляет динамическую инфраструктуру оценки, необходимую для систематической оценки устойчивости новых нейронных маршрутов и основанных на данных подходов. SynthCharge на Hugging Face Читать PDF ArXiv

Стабилизированный адаптивный убыток и остаточная коллокация для нейронных сетей, информированных физикой

Нейронные сети, информированные физикой (PINN), признаны альтернативой без сетки для решения частных дифференциальных уравнений, где информация о физике включена в сеть. Однако при работе с задачами, характеризующимися высокой жесткостью или ударной динамикой, традиционные PINN имеют ограничения, включая несбалансированное обучение и неточность решения, даже при небольших физических остатках.

Для решения этих ограничений разработан новый адаптивный механизм балансировки потерь с использованием сглаженных градиентных норм для обеспечения соответствия начальным и граничным условиям. Кроме того, для решения неточностей в решении была разработана адаптивная схема коллокации на основе остатков для повышения точности решений в областях с высокими физическими остатками. Предложенный новый подход значительно повышает точность решения при постоянном удовлетворении физических остатков. Например, для уравнения Бергерса относительная ошибка L2 снижается примерно на 44 процента по сравнению с традиционными PINN, а для уравнения Аллена-Кана – примерно на 70 процентов. Также показано надежное сравнение решения с использованием надежного решателя конечных разностей. Читать PDF ArXiv

I-CAM-UV: Интеграция причинно-следственных графов по неидентичным наборам переменных с использованием причинно-следственных аддитивных моделей с ненаблюдаемыми переменными

Обнаружение причинно-следственных связей из наблюдательных данных является фундаментальным инструментом в различных областях науки. Хотя существующие подходы обычно предназначены для одного набора данных, часто необходимо иметь дело с несколькими наборами данных с неидентичными наборами переменных.

Прямой подход – оценить причинно-следственный граф для каждого набора данных и построить единый причинно-следственный граф путем перекрытия. Однако этот подход выявляет ограниченные причинно-следственные связи, поскольку ненаблюдаемые переменные в каждом наборе данных могут быть вмешивающимися, а некоторые пары переменных могут быть ненаблюдаемыми в любом наборе данных. Для решения этой проблемы используется модель Causal Additive Models with Unobserved Variables (CAM-UV), которая предоставляет причинно-следственные графы, содержащие информацию, связанную с ненаблюдаемыми переменными. Показано, что истинный причинно-следственный граф имеет структурную согласованность с информацией CAM-UV по каждому набору данных. В результате предложен подход под названием I-CAM-UV для интеграции результатов CAM-UV путем перечисления всех согласованных причинно-следственных графов. Также представлен эффективный комбинаторный алгоритм поиска и продемонстрирована полезность I-CAM-UV по сравнению с существующими методами. I-CAM-UV на Hugging Face Читать PDF ArXiv