Principled Bayesian Optimisation in Collaboration with Human Experts
EPFL（洛桑联邦理工学院）；Empa（瑞士联邦材料科学与技术实验室）；University of Oxford（牛津大学）；Toyota Motor Corporation（丰田汽车公司）
提出首个与人类专家协作的贝叶斯优化方法，通过二元标签建议和自适应信任级别调整，在保证交接和无害的前提下，显著减少专家标注成本并提升优化效率。
2024-10-14 cs.LG math.OC
Towards Principled Design of Mixture-of-Experts Language Models under Memory and Inference Constraints
SB Intuitions
本文提出基于内存和推理约束的混合专家语言模型设计原则，通过系统研究揭示性能主要由总参数和专家稀疏性决定，并提出优化方法指导架构设计。
2026-01-13 cs.CL cs.LG
Automatic Expert Discovery in LLM Upcycling via Sparse Interpolated Mixture-of-Experts
Thomson Reuters（汤森路透）；Zhejiang University（浙江大学）
本研究提出SIMoE指令微调算法，可将稠密预训练LLM自动转化为多专业领域的MoE模型，在指定稀疏约束下识别结构稀疏的领域专家并学习输入依赖的专家合并策略，在常用基准上实现SOTA性能与最优性能-计算权衡。
2025-06-14 cs.LG
AutoSIGHT: Automatic Eye Tracking-based System for Immediate Grading of Human experTise
University of Notre Dame（诺丁汉大学）
本文提出AutoSIGHT系统，基于眼动追踪特征自动区分专家与非专家，在虹膜PAD任务上5秒窗口AUROC达0.751，30秒达0.8306，并公开数据集，推动人机专业知识动态权衡研究。
2025-08-01 cs.AI cs.CV cs.LG
User Friendly Automatic Construction of Background Knowledge: Mode Construction from ER Diagrams
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Indiana University, Bloomington（印第安纳大学伯明顿分校）
归纳逻辑程序设计系统的一个关键优势是领域专家能够提供背景知识作为模式，从而允许通过假设空间进行有效搜索。然而，有一个固有的假设，即该专家也应该是ILP专家，以提供有效的模式。我们放松这个假设，设计一个图形化的用户界面，允许领域专家与系统使用实体关系图进行交互。这些交互被用于构建学习系统的模式。我们评估我们的算法上的概率逻辑学习系统，我们证明，用户能够构建有效的背景知识与专家编码的知识，在五个数据集。
2019-12-16 cs.AI cs.DB cs.LG
Principled Top-$k$ Selection for Language Models with Hybrid Gradients
University of Chicago（芝加哥大学）
本文提出一种用于语言模型top-k选择模块训练的原则性目标，其混合梯度提供丰富信号，算法以O(1/√T)收敛，并在RAG和MoE等任务上优于基线。
2026-10-06 cs.CL cs.LG
Automatic Curriculum Expert Iteration for Reliable LLM Reasoning
National University of Singapore（新加坡国立大学）；Salesforce AI Research（Salesforce人工智能研究院）
针对大语言模型推理中的幻觉与惰性问题，提出自动课程专家迭代方法Auto-CEI，通过专家迭代修正推理路径、课程机制调整奖励，平衡作答主动性与保守性，在多类推理任务上实现更优的能力对齐效果。
2025-03-20 cs.AI cs.CL cs.LG
sDREAMER: Self-distilled Mixture-of-Modality-Experts Transformer for Automatic Sleep Staging
University of Rochester（罗切斯特大学）；University of Copenhagen（哥本哈根大学）
针对自动睡眠分期中模态交互有限且缺乏统一模型的问题，提出 sDREAMER 模型，通过混合模态专家架构和自蒸馏训练方案增强跨模态交互，支持多通道训练与单/多通道推理，性能优于现有 Transformer 方法。
2025-01-27 cs.AI cs.LG
Automatic Curricula via Expert Demonstrations
Massachusetts Institute of Technology（麻省理工学院）；Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）
我们提出了自动课程通过专家演示（ACED），一个强化学习（RL）的方法，结合模仿学习和课程学习的想法，以解决具有挑战性的机器人操作任务与稀疏的奖励功能。课程学习通过引入一系列难度越来越大的辅助任务来解决复杂的RL任务，然而如何自动设计有效的、可推广的课程仍然是一个具有挑战性的研究问题。ACED从少量的专家演示轨迹中提取课程，将演示分为几个部分，并将训练片段初始化为从不同演示部分中采样的状态。通过将重置状态从演示的结束移动到开始，学习代理提高了其性能，ACED不仅学习了具有挑战性的操作任务，而且还发现了与演示不同的新解决方案。此外，ACED可以自然地与其他模仿学习方法相结合，以更有效的方式利用专家演示，我们表明，ACED与行为克隆的组合允许拾取和放置任务，学习与少至1示范和块堆叠任务，学习与20示范。
2022-02-06 cs.LG cs.RO
Learning to Defer to Multiple Experts: Consistent Surrogate Losses, Confidence Calibration, and Conformal Ensembles
University of Amsterdam（阿姆斯特丹大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
我们研究了学习推迟（L2 D）多个专家的统计特性。特别是，我们解决了开放的问题，得出一致的替代损失，信心校准，和原则的专家。首先，我们推导出两个一致的替代项-一个基于softmax参数化，另一个基于one-vs-all（OvA）参数化-分别类似于Mozannar和Sontag（2020）以及Verma和Nalisnick（2022）提出的单个专家损失。然后我们研究了框架估计P（m_j = y）的能力|x），第j个专家将正确预测x的标签的概率。理论表明，基于softmax的损失会导致错误校准在估计值之间传播，而基于OvA的损失不会（尽管在实践中，我们发现存在权衡）。最后，我们提出了一个共形推理技术，选择一个子集的专家查询时，系统推迟。我们对星系，皮肤病变和仇恨言论分类的任务进行经验验证。
2023-02-23 cs.LG stat.ML
Integrating Expert Labels into LLM-based Emission Goal Detection: Example Selection vs Automatic Prompt Design
RheinMain University of Applied Sciences（莱茵河畔应用科学大学）；Sociovestix Labs Ltd.（Sociovestix实验室）
本文研究企业减排目标检测中融入专家标签的方式，在769段真实商业报告数据集上比较动态少样本示例选择与LLM自动提示优化，发现自动提示优化效果更优且能捕捉任务细微之处。
2025-07-01 cs.CL cs.LG
Automatic Expert Selection for Multi-Scenario and Multi-Task Search
Wuhan University（武汉大学）；Ant Group（蚂蚁集团）；Nanyang Technological University（南洋理工大学）
多场景学习（MSL）使服务提供商能够通过为不同用户部门分离服务来满足用户的细粒度需求，例如，用户的地理区域。在每种情况下，都需要优化多个特定于任务的目标，点击率和转化率，称为多任务学习（MTL）。MSL和MTL的最新解决方案主要基于多门专家混合（MMoE）架构。MMoE结构通常是静态的，其设计需要特定于领域的知识，这使得它在处理MSL和MTL时效率较低。在本文中，我们提出了一个新的自动专家选择框架，多场景和多任务搜索，命名为AESM^{2}。AESM^{2}通过自动结构学习将MSL和MTL集成到统一的框架中。具体而言，AESM^{2}将多任务层堆叠在多方案层上。这种分层设计使我们能够灵活地建立不同场景之间的内在联系，同时也支持针对不同任务的高层次特征提取。在每个多场景/多任务层，提出了一种新的专家选择算法，自动识别场景/任务特定的和共享的专家为每个输入。在两个真实世界的大规模数据集上的实验证明了AESM^{2}在一组强基线上的有效性。在线A/B测试也显示了多个指标的显著性能提升。目前，AESM^{2}已在线部署，用于为主要流量提供服务。
2022-06-06 cs.IR cs.LG
CheXbert: Combining Automatic Labelers and Expert Annotations for Accurate Radiology Report Labeling Using BERT
Stanford University（斯坦福大学）
从放射学文本报告中提取标签使得能够对医学成像模型进行大规模训练。现有的报告标记方法通常依赖于基于医学领域知识的复杂特征工程或专家的手动注释。在这项工作中，我们介绍了一种基于BERT的方法，利用现有的基于规则的系统的规模和质量的专家注释的医学图像报告标记。我们展示了一个生物医学预训练的BERT模型的优越性能，该模型首先在基于规则的标签的注释上进行训练，然后在一小部分专家注释上进行微调，并使用自动回译进行增强。我们发现，我们的最终模型CheXbert能够在统计学显著性上优于以前最好的基于规则的标记器，为最大的胸部X射线数据集之一的报告标记设置了新的SOTA。
2020-10-18 cs.CL cs.IR cs.LG
Automatic Creativity Measurement in Scratch Programs Across Modalities
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；Humboldt University of Berlin（柏林洪堡大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）；University of Edinburgh（爱丁堡大学）
促进创造力被认为是教育的一个重要目标，但创造力是出了名的难以衡量。在本文中，我们从定义一个有效计算的创造力的正式衡量标准，到将该衡量标准应用于实际领域。该措施是一般性的，并依赖于创造力理论的核心理论概念，即流畅性，灵活性和独创性，与先前的认知科学文献相结合。我们采用了流行的可视化程序设计语言Scratch项目的一般措施。我们设计了一个机器学习模型，用于预测Scratch项目的创造力，在广泛的用户研究中，根据人类专家的创造力评估进行训练和评估。我们的研究结果表明，关于Scratch的创造力的意见在专家之间存在很大差异。自动创造力评估与人类专家的评估一致，而不是专家之间的一致。这是提供可应用于教育技术的衡量创造力的计算模型的第一步，也是扩大学校创造力教育效益的第一步。
2022-11-07 cs.AI cs.HC cs.LG
Reinforcement Learning from Demonstrations by Novel Interactive Expert and Application to Automatic Berthing Control Systems for Unmanned Surface Vessel
Beijing Jiaotong Univeristy（北京交通大学）；Beijing Institude of Petrochemical Technology（北京石油化工学院）
本文提出了两种实用的演示强化学习（RLfD）方法，并将其应用于无人水面船舶自动靠泊控制系统。提出了一种新的专家数据生成方法--基于模型预测的专家（MPBE）方法，该方法将模型预测控制和深度确定性策略梯度相结合，为RLfD算法提供高质量的监督数据。首先介绍了一种简单的RLfD方法，模型预测深度确定性策略梯度（MP-DDPG），通过用MPBE代替RL代理直接与环境交互。然后分析了MP-DDPG的分布失配问题，提出了两种缓解分布失配的技术。此外，另一种新的RLfD算法的MP-DDPG的基础上，称为自引导演员-评论家（SGAC），它可以有效地利用MPBE不断查询它，以产生高质量的专家数据在线。空间新一代咨询理事会以Dagger方式解决了导致学习过程不稳定的分布不匹配问题。此外，理论分析证明了SGAC算法可以保证单调改进的收敛性。仿真结果验证了MP-DDPG算法和SGAC算法在船舶靠泊控制任务中的有效性，并与其他典型的强化学习算法和MP-DDPG算法进行了比较，显示了SGAC算法的优越性。
2022-02-23 cs.LG cs.SY eess.SY
AI vs Humans for the diagnosis of sleep apnea
Dreem（Dreem公司）；Stanford University（斯坦福大学）
多导睡眠图（PSG）是诊断睡眠阻塞性呼吸暂停（OSA）的金标准。它可以监测整个晚上的呼吸事件。这些事件的检测通常由训练有素的睡眠专家完成。然而，这项任务是繁琐的，非常耗时，并受到重要的评分员之间的变化。在这项研究中，我们将最先进的睡眠事件检测深度学习方法DOSED应用于PSG中睡眠呼吸事件的检测，以诊断OSA。我们使用了52个PSG记录的数据集，其中呼吸暂停低通气事件评分来自5名训练有素的睡眠专家。我们评估了自动方法的性能，并将其与OSA严重程度诊断和单次呼吸事件检测的微尺度评分器间性能进行了比较。我们观察到，人类睡眠专家达到了75%的平均准确率，而自动方法达到了81%的睡眠呼吸暂停严重程度诊断。单个事件检测的F1分数平均为专家0.55，自动方法0.57。这些结果表明，自动方法可以在睡眠专家水平上执行OSA的诊断。
2019-06-20 cs.LG eess.SP stat.ML
Reliable Fusion of Conflicting Experts
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；TU Darmstadt（达姆施塔特工业大学）；The University of Texas at Tyler（德克萨斯大学泰勒分校）；Air Force Research Lab（空军研究实验室）
针对专家可靠性随输入变化且易冲突的场景，提出基于概率电路的动态融合框架，利用上下文可信度聚合黑盒专家意见，无需重训练，在多项选择任务中优于静态基线。
2026-09-24 cs.LG
Sensitivity analysis in differentially private machine learning using hybrid automatic differentiation
Technical University of Munich（慕尼黑工业大学）；OpenMined；Imperial College London（帝国理工学院）
近年来，出现了能够部署到数据驱动任务（如机器学习（ML））的隐私保护的正式方法，如差分隐私（DP）。要用个体隐私损失的原则性分析所需的封闭式推理来验证大规模ML，需要引入新的工具来进行自动敏感性分析，并通过计算流程跟踪个人数据及其特征。为此，我们引入了一种新的\textit{hybrid}自动微分（AD）系统，它结合了反向模式AD的效率，能够获得一个封闭形式的表达式中的任何给定的数量的计算图。这使得能够对任意可微函数组合的敏感性进行建模，例如在私有数据上训练神经网络。我们通过分析统计数据库查询的个人DP保证来证明我们的方法。此外，我们调查我们的技术的应用程序的DP神经网络的训练。我们的方法可以使原则推理的隐私损失的数据处理的设置，并进一步发展的自动敏感性分析和隐私预算系统。
2021-08-17 cs.CR cs.LG cs.SC
Automatic Synthesis of Diverse Weak Supervision Sources for Behavior Analysis
Nuro（Nuro公司）；Caltech（加州理工学院）；Argo AI（Argo AI公司）
获取大型训练集的注释是昂贵的，特别是在需要领域知识的环境中，例如行为分析。已经研究了弱监督，以减少注释成本，通过使用弱标签从任务特定的标签功能（LF），以增加地面真值标签。然而，领域专家仍然需要为不同的任务手工制作不同的LF，这限制了可扩展性。为了减少专家的工作，我们提出AutoSWAP：一个自动合成数据高效的任务级LF的框架。我们的方法的关键是有效地表示专家知识在一个可重用的领域特定的语言和更一般的领域级的LF，我们使用国家的最先进的程序合成技术和一个小的标记数据集生成任务级的LF。此外，我们提出了一种新的结构多样性成本，允许有效地合成不同的LF集，进一步提高AutoSWAP的性能。我们评估AutoSWAP在三个行为分析领域，并证明AutoSWAP优于现有的方法，只使用一小部分的数据。我们的研究结果表明，AutoSWAP是一种有效的方法来自动生成LF，可以显着减少专家的努力行为分析。
2022-05-11 cs.CV cs.LG
HAPMoE: Heterogeneity-Aware Automatic Parallelism Planning for Mixture-of-Experts Models Training
Peking University（北京大学）；Infinigence AI（无问智能）；Tsinghua University（清华大学）
针对MoE模型在异构集群上的自动并行化难题，提出HAPMoE，通过MoE感知成本模型和六维并行空间搜索，实现吞吐量最高提升3.2倍，并在一分钟内完成规划。
2026-10-01 cs.DC cs.LG
Knowledge Elicitation via Sequential Probabilistic Inference for High-Dimensional Prediction
Helsinki Institute for Information Technology HIIT（赫尔辛基信息技术研究所）；Aalto University（阿尔托大学）
在小样本和大量协变量的情况下进行预测，即“小n，大p”问题，是一个具有挑战性的问题。这种设置在多种应用中遇到，例如精密医学，其中获得额外的样本可能非常昂贵甚至不可能，并且最近已经致力于寻找准确预测的原则性解决方案。然而，一个有价值的额外信息来源，领域专家，尚未得到有效利用。我们制定的知识启发一般作为一个概率推理过程，专家知识依次查询，以提高预测。在稀疏线性回归的特定情况下，我们假设专家具有关于回归系数的值或关于特征的相关性的知识，我们提出了一种算法和计算近似，用于快速有效的交互，其顺序地识别最翔实的特征以查询专家知识。在模拟和真实用户的实验中，我们的方法的评估表明，预测精度已经提高了专家的一个小的努力。
2017-07-13 cs.AI cs.HC cs.LG
Automatic explanation of the classification of Spanish legal judgments in jurisdiction-dependent law categories with tree estimators
University of Vigo（维戈大学）
本文提出结合NLP、ML与可解释AI的法律文本分类系统，通过分析树模型决策特征和阈值并以自然语言解释，在西班牙法律判决分类中准确率超90%，且解释易于理解。
2024-03-30 cs.AI cs.CL cs.LG
Data Driven Automatic Electrical Machine Preliminary Design with Artificial Intelligence Expert Guidance
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
本文提出一种数据驱动的电机初步设计框架，利用有限元数据训练MOP代理模型构建AI专家数据库，在30kVA WRSG案例中5秒内实现2.21 kVA/kg功率密度，优于耗时数天的传统方法。
2024-11-18 cs.LG cs.SY eess.SY
Can vectors read minds better than experts? Comparing data augmentation strategies for the automated scoring of children's mindreading ability
University of Birmingham（伯明翰大学）
在本文中，我们实现和比较7个不同的数据增强策略的任务，自动评分的儿童的能力，了解别人的想法，感受和愿望（或“读心术”）。我们招募了领域内的专家来重新注释增强的样本，并确定每个策略在多大程度上保留了原始评级。我们还进行了多个实验，以衡量每种增强策略在多大程度上提高了自动评分系统的性能。为了确定自动系统的能力，以概括看不见的数据，我们创建UK-MIND-20 -一个新的语料库的儿童的表现测试的读心术，由10,320个问题，答案对。我们在MIND-CA语料库上获得了新的最先进的性能，将宏观F1分数提高了6分。结果表明，训练样本的数量和增强策略的质量都会影响系统的性能。任务特定的增强通常优于任务不可知的增强。基于向量的自动增强（GloVe，FastText）表现最差。我们发现，在MIND-CA上训练的系统可以很好地推广到UK-MIND-20。我们证明了数据增强策略也提高了看不见的数据的性能。
2021-06-03 cs.CL cs.LG
WhACC: Whisker Automatic Contact Classifier with Expert Human-Level Performance
University of Southern California（南加州大学）；Neuroscience Graduate Program, University of Southern California（南加州大学神经科学研究生项目）；Department of Biological Sciences, University of Southern California（南加州大学生物科学系）
针对啮齿动物胡须触觉事件人工标注耗时久的问题，本研究提出结合ResNet50V2与LightGBM的WhACC分类器，性能达人类专家水平，支持自定义重训练，可大幅降低标注人力成本。
2025-01-06 cs.CV cs.LG
A Principled Approach to Failure Analysis and Model Repairment: Demonstration in Medical Imaging
Rokken Inc.（Rokken公司）；Terumo Corporation, Corporate R&D Center（泰尔茂公司企业研发中心）；Department of Computing, Imperial College London（帝国理工学院计算机系）；Department of Computing, University College London（伦敦大学学院计算机系）
机器学习模型通常会在部署后出现意外故障，这是由于数据偏移或训练环境中的不常见情况造成的。领域专家通常会经历手动检查故障案例、识别故障模式、然后尝试修复模型的繁琐过程。在这项工作中，我们的目标是通过回答两个关键问题来解释并为这个过程带来原则：（i）我们如何知道我们已经识别了有意义的和不同的故障类型？(ii)我们如何验证一个模型是否确实得到了修复？我们建议，可以通过测量内部和类型间的泛化后微调和引入指标来比较不同的分型方法的质量进行验证，确定的故障类型。此外，我们认为，一个模型可以被认为是修复的，如果它实现了高精度的故障类型，同时保留性能的先前正确的数据。我们将这两个想法结合成一个原则性的框架，用于评估已识别的故障子类型和模型修复的质量。我们评估其效用的分类和目标检测任务。我们的代码可在https://github.com/Rokken-lab6/Failure-Analysis-and-Model-Repairment上获得
2021-09-25 cs.AI cs.CV cs.LG
RecSim NG: Toward Principled Uncertainty Modeling for Recommender Ecosystems
Google Research（谷歌研究院）
开发推荐系统，优化与用户的多轮交互，并对不同代理的交互进行建模（例如，用户、内容提供方、销售商）近年来引起了越来越多的关注。使用静态数据集开发和训练用于此类决策者的模型和算法可能特别困难，因为静态数据集通常无法提供在扩展范围内评估政策所需的反事实预测类型。为了解决这个问题，我们开发了RecSim NG，一个概率平台，用于模拟多代理推荐系统。RecSim NG是一个可扩展的，模块化的，可区分的模拟器，在Edward 2和TensorFlow中实现。它提供：一种功能强大的通用概率程序设计语言，用于代理行为规范;用于概率推理和潜变量模型学习的工具，由自动微分和跟踪支持;以及基于TensorFlow的运行时，用于在加速硬件上运行模拟。我们描述了RecSim NG，并说明了如何使用它来创建透明的，可配置的，端到端的推荐生态系统模型，辅以一小部分简单的用例，演示了RecSim NG如何帮助研究人员和从业人员轻松开发和训练推荐系统的新算法。
2021-03-14 cs.AI cs.IR cs.LG
AutoCl : A Visual Interactive System for Automatic Deep Learning Classifier Recommendation Based on Models Performance
Islamic University of Technology（伊斯兰科技大学）；International University of Business Agriculture and Technology（国际商业农业与技术大学）；The University of Tennessee Health Science Center（田纳西大学健康科学中心）
如今，深度学习（DL）模型越来越多地应用于各个领域，没有技术专长和领域知识的人很难找到适合他们任务的模型。在本文中，我们介绍了AutoCl的可视化交互式推荐系统，旨在帮助非专家采用适当的DL分类。我们的系统使用户能够比较使用各种超参数设置训练的多个分类器的性能和行为，并自动推荐具有适当超参数的最佳分类器。我们比较了AutoCl与最近几个AutoML系统的功能，并表明它可以帮助非专家更好地选择DL分类器。最后，我们展示了使用公共数据集的图像分类的用例，以展示我们的系统的能力。
2022-02-24 cs.LG
Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；McGill University（麦吉尔大学）；Mila - Quebec AI Institute（魁北克AI研究所）；Imperial College London（伦敦帝国学院）；Google DeepMind（谷歌DeepMind）；Duke University（杜克大学）
本文提出 Feynman-Kac Correctors 与 SMC 重采样算法，用于有原则地从扩散模型的退火、几何平均或专家乘积分布中采样，并改进分子生成与文生图引导。
2025-06-08 cs.LG
MoE-AMC: Enhancing Automatic Modulation Classification Performance Using Mixture-of-Experts
Shanghai Jiao Tong University（上海交通大学）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（东方理工高等研究院数字孪生宁波研究院）
本文提出MoE-AMC模型，通过专家混合框架结合Transformer模型处理低信噪比信号和ResNet模型处理高信噪比信号，在RML2018.01a数据集上实现71.76%的平均分类准确率，超越此前SOTA近10%。
2023-12-04 cs.CV cs.LG eess.SP
Integrating Expert Judgment and Algorithmic Decision Making: An Indistinguishability Framework
Massachusetts Institute of Technology（麻省理工学院）；Yale School of Medicine（耶鲁医学院）
本文提出基于算法不可区分性的框架，通过识别算法无法区分的输入来选择性整合专家判断，证明其可证明地提升预测性能，并在急诊分诊案例中验证了医生判断包含算法无法复制的信号。
2024-10-17 cs.CY cs.HC cs.LG
Evaluation of the impact of expert knowledge: How decision support scores impact the effectiveness of automatic knowledge-driven feature engineering (aKDFE)
Linnaeus University（林奈大学）；Region Kalmar County（卡尔马省地区）；AI Sweden（瑞典人工智能）
本研究评估自动知识驱动特征工程（aKDFE）在电子健康记录的药物不良事件预测中的表现，发现其以患者为中心的转换步骤显著提升了预测性能，但纳入Janusmed风险评分未带来显著增强。
2025-05-28 cs.LG
Digital twin with automatic disturbance detection for real-time optimization of a semi-autogenous grinding (SAG) mill
Brunel University London（布鲁内尔大学）；Universidad Técnica Federico Santa María（费德里科圣玛丽亚技术大学）；SGS Minerals（SGS矿业公司）
本研究开发了带自动扰动检测的SAG磨机数字孪生，由模糊逻辑、状态空间模型和循环神经网络构成，经训练验证可短期预测磨机行为，为实时优化提供支撑。
2024-07-10 cs.LG cs.SY eess.SY
Automatic Attack Discovery for Few-Shot Class-Incremental Learning via Large Language Models
School of Computer and Communication Engineering（计算机与通信工程学院）；School of Information and Communication（信息与通信学院）；University of Electronic Science and Technology of China（电子科学与技术大学）；Department of Strategic and Advanced Interdisciplinary Research（战略与先进跨学科研究部）；Pengcheng Laboratory（鹏城实验室）
本文提出ACraft方法，利用大语言模型自动发现针对少样本类增量学习的最优攻击方法，有效提升攻击性能并降低成本。
2025-12-03 cs.LG
