أبحاث أكول

مرحبًا بكم في مركز الأبحاث الخاص بنا، حيث نعرض الأعمال الرائدة في GenAI.

منشورات مميزة

تعلم النماذج القائمة على الطاقة من خلال احتمالية استعادة الانتشار التعاوني

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.

Authors:

ياكسوان تشو، جيانوين شي، ينغ نيان وو، رويكي جاو

Conference:

المؤتمر الدولي الثاني عشر لتمثيلات التعلم (ICLR)، 2024

Journal:

Archive:

Read the Paper

مادة أولية قائمة على الطاقة للبروز التوليدي

في هذه الورقة، نقدم سابقة جديدة قائمة على الطاقة لنماذج البروز التوليدي. يعزز نهجنا قابلية تفسير وأداء اكتشاف البروز من خلال دمج التقنيات القائمة على الطاقة، مما يؤدي إلى نتائج أكثر دقة وموثوقية في مختلف التطبيقات.

Authors:

جينغ تشانغ، جيانوين شي، نك بارنز، بينغ لي

Conference:

Journal:

معاملات IEEE حول تحليل الأنماط والذكاء الآلي (TPAMI)، 2023

Archive:

Read the Paper

العقد العصبية الكامنة القائمة على طاقة الفضاء

يقدم هذا البحث إطارًا جديدًا لنمذجة البيانات المتسلسلة المستمرة باستخدام المعادلات التفاضلية العصبية العادية القائمة على طاقة الفضاء الكامنة (ODEs). يعزز نهجنا نمذجة البيانات المتسلسلة، ويقدم رؤى جديدة لمهام التعلم الآلي.

Authors:

شنغ تشنغ، ديكيان كونغ، جيانوين شي، كوكجين لي، ينغ نيان وو، ييجو يانغ

Conference:

Journal:

المعاملات في أبحاث التعلم الآلي (TMLR) 2025

Archive:

Read the Paper

تصميم الجزيء بواسطة المحول الفوري الكامن

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.

Authors:

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

Conference:

المؤتمر الثامن والثلاثون لأنظمة معالجة المعلومات العصبية (NeuRIPS 2024)

Journal:

Archive:

Read the Paper

ملحمة قائمة على الطاقة الكامنة: تحسين الصندوق الأسود من خلال الاستكشاف الموسع في الفضاء الكامن القائم على الطاقة

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.

Authors:

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

Conference:

Journal:

Archive:

Read the Paper

CooFash: التعلم التعاوني للواصف متعدد الأغراض والمولد المزدوج المتباين عبر تعليم MCMC المتنوع لتجزئة الصور الخاضعة للإشراف

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.

Authors:

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

Conference:

Journal:

Archive:

Read the Paper

محول الخطة الكامنة لتجريد المسار: التخطيط كاستدلال فضائي كامن

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.

Authors:

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

Conference:

المؤتمر الثامن والثلاثون لأنظمة معالجة المعلومات العصبية (NeuRIPS 2024)

Journal:

Archive:

Read the Paper

التعلم التعاوني التدريجي القائم على الطاقة للترجمة متعددة المجالات من صورة إلى صورة

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.

Authors:

وينان سونغ، ياكسوان تشو، لي هي، ينغ نيان وو، جيانوين شي

Conference:

Journal:

Archive:

الأرشيف الرابع عشر، 2024

Read the Paper

معلومات عنا

يتكون فريقنا من باحثين مشهورين من مؤسسات مرموقة، يعملون بشكل تعاوني للنهوض بمجال الذكاء الاصطناعي. نحن نركز على تطوير حلول مبتكرة تعالج مشاكل العالم الحقيقي وتساهم في المجتمع العلمي الأوسع.

ابق على اتصال

اتصل بنا: للاستفسارات أو التعاون أو مزيد من المعلومات حول بحثنا، يرجى التواصل معنا على info@akool.com.