أبحاث أكول

المؤلفون: ياكسوان تشو، جيانوين شي، ينغ نيان وو، رويكي جاو
مؤتمر: المؤتمر الدولي الثاني عشر لتمثيلات التعلم (ICLR)، 2024
‍
يقدم هذا البحث طريقة مبتكرة لتعلم النماذج القائمة على الطاقة باستخدام احتمالية استعادة الانتشار التعاوني. يعزز نهجنا نقاط القوة في التعلم التعاوني وعمليات النشر لتحسين كفاءة التدريب وفعالية النماذج القائمة على الطاقة.
‍
اقرأ الورقة

المؤلفون: وينان سونغ، ياكسوان تشو، لي هي، ينغ نيان وو، جيانوين شي
الأرشيف: الأرشيف الرابع عشر، 2024
‍
نقترح إطارًا تعليميًا تعاونيًا تقدميًا قائمًا على الطاقة للترجمة متعددة المجالات من صورة إلى صورة. تعالج هذه الطريقة تحديات تكييف المجال والترجمة من خلال تحسين عملية التعلم تدريجيًا، مما يؤدي إلى أداء فائق عبر مجالات متعددة.

اقرأ الورقة

المؤلفون: ديكيان كونغ، ديهونغ شو، مينغلو زاو، بو بانغ، جيانوين شي، أندرو ليزاراجا، يوهاو هوانغ، سيروي شي، ينغ نيان وو

في هذه الورقة، نقدم محول الخطة الكامنة، وهو إطار جديد يتعامل مع التخطيط على أنه استدلال متغير كامن. يجمع نهجنا بين نقاط قوة المحولات والنماذج المتغيرة الكامنة لتحقيق تخطيط قوي وفعال في البيئات المعقدة.

‍مؤتمر: المؤتمر الثامن والثلاثون لأنظمة معالجة المعلومات العصبية (NeuRIPS 2024)

اقرأ الورقة

المؤلفون: خوا دوان، جيانوين شي، ياكسوان تشو، يانغ زاو، بينغ لي

تقدم CooFash نهجًا جديدًا لتجزئة الصور الخاضعة للإشراف من خلال التعلم التعاوني. من خلال الاستفادة من تعليم سلسلة ماركوف المتغيرة في مونتي كارلو (MCMC)، فإنها تعمل في نفس الوقت على تحسين الواصف متعدد الأغراض والمولد المزدوج المتباين. تعمل هذه الطريقة المبتكرة على تحسين كفاءة ودقة تجزئة الصور، مما يجعلها تقدمًا كبيرًا في هذا المجال.

اقرأ الورقة

المؤلفون: بييو يو، دينغواي زانغ، هينجزي هي، شياوجيان ما، روياو مياو، ييفان لو، ياسي زانغ، ديكيان كونغ، رويكي جاو، جيانوين شي، غوانغ تشنغ، ينغ نيان وو

تقدم هذه الورقة طريقة جديدة لتحسين الصندوق الأسود تُعرف باسم Odyssey القائمة على الطاقة الكامنة. يركز النهج على الاستكشاف الموسع داخل الفضاء الكامن القائم على الطاقة، مما يعزز عملية التحسين. من خلال الاستفادة من مشهد الطاقة في الفضاء الكامن، تعمل الطريقة على تحسين كفاءة وفعالية مهام التحسين، مما يجعلها تقدمًا كبيرًا في مجال التعلم الآلي والتحسين.

اقرأ الورقة

المؤلفون: ديكيان كونغ، يوهاو هوانغ، جيانوين شي، إدواردو هونيغ، مينغ شو، شوانغهونغ شوي، بي لين، سانبينغ زو، شنغ تشونغ، ناننينغ زينغ، ينغ نيان وو

نقترح المحول الفوري الكامن (LPT)، وهو نموذج توليدي جديد لمشكلة تصميم الجزيئات الصعبة. تُظهر التجارب أن LPT لا تكتشف فقط الجزيئات المفيدة بشكل فعال عبر مهام التحسين أحادية الهدف ومتعددة الأهداف والمقيدة بالهيكل، ولكنها تُظهر أيضًا كفاءة عينة قوية.

اقرأ الورقة