ZeroSim: Zero-Shot Analog Circuit Evaluation with Unified Transformer Embeddings
Department of Electrical and Computer Engineering, Northeastern University(电子与计算机工程系,东北大学)
针对模拟电路性能评估瓶颈,提出基于Transformer的ZeroSim框架,通过多样化训练语料、统一拓扑嵌入和拓扑条件参数映射,实现训练拓扑新参数下的分布内泛化与未见过拓扑的零样本泛化,性能优于基线模型且集成优化流水线可提速13倍。
2025-11-10 cs.AR cs.LG
Topology-Driven Generative Completion of Lacunae in Molecular Data
IBM Research(IBM研究院)
本文介绍了一种基于拓扑数据分析的分子数据库空缺填补方法,如Mapper算法。使用用不同评分函数训练的支架约束生成模型来填充空隙。该方法允许将链接和顶点添加到数据的离散化表示中,例如Mapper图,并且属于网络完成方法的广泛类别。我们说明了拓扑驱动的数据完成策略的应用,通过创建一个空白的数据集从USPTO专利提取的鎓阳离子,并修复它。
2022-07-29 cs.LG stat.AP
Structural Entropy-Driven Graph Diffusion Generation for One-Shot Federated Graph Learning
Sun Yat-sen University(中山大学);Nanyang Technological University(南洋理工大学)
针对一次性联邦图学习忽视拓扑结构的问题,提出结构熵驱动的图扩散生成方法SPIRE,利用度分布熵加权客户端并生成伪图训练全局模型,在异构和扰动场景下显著优于现有方法。
2026-09-09 cs.LG
Data-Driven Topology Optimization with Multiclass Microstructures using Latent Variable Gaussian Process
School of Mechanical Engineering, Shanghai Jiao Tong University(上海交通大学机械工程学院);Northwestern University(西北大学)
数据驱动的方法正在成为一个有前途的方法,多尺度结构的拓扑设计,具有更高的效率。然而,现有的数据驱动的方法主要集中在一个单一的类的微结构,而不考虑多个类,以适应空间变化的期望属性。关键的挑战是在满足一系列性能时,不同类别的微结构之间缺乏固有的有序性或距离度量。为了克服这一障碍,我们扩展了新开发的潜变量高斯过程(LVGP)模型,为超材料的微结构库创建多响应LVGP(MR-LVGP)模型,同时采用定性微结构概念和定量微结构设计变量作为混合变量输入。MR-LVGP模型基于混合变量对响应的集体影响将其嵌入到连续的设计空间中,从而为不同几何类别和微结构材料参数之间的相互作用提供了实质性的见解。利用该模型,我们可以很容易地获得不同微观结构概念之间的连续和可微的过渡,从而可以为多尺度拓扑优化提供梯度信息。我们证明了它的好处,通过多尺度拓扑优化与非周期性微结构。设计实例表明,考虑多类微结构可以导致性能的改善,由于一致的负载传递路径的微观和宏观结构。
2020-09-16 cs.CE cs.LG stat.ML
Toward Omni Multimodal Graph Foundation Model: A Topology-Driven Binding Approach
Beijing Institute of Technology(北京理工大学);Sun Yat-sen University(中山大学)
针对多模态图基础模型在属性不完整及拓扑利用不足的问题,提出拓扑驱动的GraphBind方法,将模态信息绑定至统一空间,在判别与生成任务上相对最强基线提升达28.1%。
2026-10-05 cs.LG
Zero-shot rib design: merging training-free generative prior with topology optimization
Cho Chun Shik Graduate School of Mobility, Korea Advanced Institute of Science and Technology(韩国科学技术院赵春植移动研究生院);AI Research Team, Narnia Labs(纳尼亚实验室AI研究团队)
本工作将冻结的文本到图像扩散模型作为免训练生成先验,通过分数蒸馏采样融入密度拓扑优化,实现零样本肋条设计,在245次运行中显著降低柔度,并生成可用于CAD的几何体。
2026-09-11 cs.LG physics.app-ph
PØDA: Prompt-driven Zero-shot Domain Adaptation
Inria(法国国家信息与自动化研究所)
本文提出 PØDA,仅凭目标域文本提示,借助 CLIP 和 PIN 调整源特征以实现零样本域适应,并在分割、检测和分类任务上取得显著提升。
2023-08-19 cs.CV cs.LG
Mixture-of-Experts with Gradient Conflict-Driven Subspace Topology Pruning for Emergent Modularity
Independent Researcher(独立研究者);Huazhong University of Science and Technology(华中科技大学)
CDSP-MoE通过梯度冲突驱动子空间拓扑修剪,实现无指令场景下的稳健内容驱动路由和模块化结构演化。
2026-01-19 cs.LG
EXPLORE: Exploration with Guided Search for Analog Topology Generation using Language Models
Duke University(杜克大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
本文针对自动化模拟电路拓扑设计难题,提出EXPLORE框架,集成模拟器引导蒙特卡罗树搜索与基于变压器的解码,利用语言模型先验优化搜索,在6组件基准测试中显著提升成功率、降低均方误差,推动LLM驱动设计自动化。
2026-07-16 cs.LG
Preference-driven Knowledge Distillation for Few-shot Node Classification
College of Electronic and Information Engineering, Tongji University, China(同济大学电子与信息学院);Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University, China(上海智能自主系统研究院);National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University, China(人机混合增强智能国家级重点实验室);School of Computer Science and Technology, Tongji University, China(同济大学计算机科学与技术学院);Department of Computer Science, University of Illinois Chicago, USA(伊利诺伊大学芝加哥分校计算机科学系)
提出偏好驱动知识蒸馏框架,结合LLM与多种GNN,通过双选择器实现少样本节点分类,实验验证有效。
2025-10-24 cs.LG cs.SI
A mechanistic-based data-driven approach to accelerate structural topology optimization through finite element convolutional neural network (FE-CNN)
Dalian University of Technology(大连理工大学);The American University in Cairo(开罗美国大学)
本文提出了一种基于数据驱动的结构拓扑优化方法,采用内部开发的有限元卷积神经网络(FE-CNN)。我们的方法可以分为两个阶段:离线训练和在线优化。在离线训练期间,在给定设计域的高分辨率表示和低分辨率表示之间建立映射函数。该映射由FE-CNN表示,其目标是公共目标函数值(例如,结构顺应性)。在在线优化过程中,通过训练好的映射函数将任意高分辨率的设计域降低到低分辨率。因此,原始的高分辨率域是通过仅对低分辨率版本执行的计算来设计的,然后逆映射回到高分辨率域。数值例子表明,这种方法可以加快优化的数量级的计算时间。因此,我们所提出的方法显示出巨大的潜力,以克服基于密度的结构拓扑优化的维数灾难。我们目前的方法的局限性进行了讨论。
2021-06-25 cs.LG
Topology Recoverability Prediction for Ad-Hoc Robot Networks: A Data-Driven Fault-Tolerant Approach
University of Alberta(阿尔伯塔大学)
本文针对自组织机器人网络故障后的拓扑可恢复性问题,提出一种基于贝叶斯高斯混合模型的双通路数据驱动方法,将可恢复性预测建模为二分类任务,并通过故障前与故障后预测通路整合,在实验中优于现有最佳策略。
2023-10-30 cs.AI cs.LG cs.MA
Queryable Self-Organizing Maps: A Database Abstraction for Topology-Driven Data Exploration
University of Sao Paulo(圣保罗大学);University of Münster(明斯特大学)
研究针对现代数据系统中SOM与关系数据脱节问题,引入可查询数据映射概念,通过MapDB原型实现,使SOM工件可查询,经实验验证其在适度规模下训练可行、查询具交互性且为探索性SQL提供有意义目标。
2026-07-28 cs.DB cs.LG
One Representative-Shot Learning Using a Population-Driven Template with Application to Brain Connectivity Classification and Evolution Prediction
Istanbul Technical University(伊斯坦布尔理工大学)
少样本学习提出了一种具有挑战性的范式,用于在代表要区分的目标类别的少数训练样本上训练判别模型。然而,基于深度学习的分类方法不适合这种学习,因为它们需要大量的训练数据-更不用说一次性学习了。最近,图神经网络(GNN)已经被引入到网络神经科学领域,其中大脑连接被编码在图中。然而,由于罕见疾病和低资源临床设施的神经成像数据集稀缺,这种数据吞噬架构可能无法学习目标任务。在本文中,我们采用了一种非常不同的方法来训练GNN,我们的目标是用一个样本学习并实现最佳性能-这是一个艰巨的挑战。具体来说,我们提出了第一个一次性范例,其中GNN是在单个人口驱动的模板上训练的-即连接大脑模板(CBT)。CBT是一组脑图的紧凑表示,这些脑图捕捉了个体之间共享的独特连接模式。它类似于神经成像数据集的大脑图像图谱。使用一个代表性的CBT作为训练样本,我们减轻了GNN模型的训练负荷,同时提高了它们在各种分类和回归任务中的性能。我们证明,我们的方法在下游分类和时间依赖性脑图数据预测任务中的表现明显优于基准一次性学习方法,同时与所有传统训练策略竞争。我们的源代码可以在https://github.com/basiralab/one-representative-shot-learning上找到。
2021-10-06 cs.CV cs.LG cs.NE
Few-Shot Airway-Tree Modeling using Data-Driven Sparse Priors
LTCI, Telecom Paris, Institut Polytechnique de Paris(巴黎理工学院电信巴黎LTCI实验室)
本文提出利用数据驱动的稀疏化模块增强肺部CT中的气道表示,并将其作为预训练步骤引入监督分割流程,在ATM数据集上使Dice分数在全量及少样本场景下分别提升1%至10%。
2024-07-05 cs.CV cs.LG eess.IV
CoWs on Pasture: Baselines and Benchmarks for Language-Driven Zero-Shot Object Navigation
Columbia University(哥伦比亚大学);University of Washington(华盛顿大学)
为了使机器人普遍有用,它们必须能够找到人描述的任意对象(即,是语言驱动的)即使没有关于域内数据的昂贵的导航训练(即,执行zero-shot推断)。我们在一个统一的环境中探索这些功能:语言驱动的zero-shot对象导航(L-STARON)。受最近成功的开放词汇表模型的图像分类,我们调查了一个简单的框架,CLIP车轮(CoW),以适应开放词汇表模型,这项任务没有微调。为了更好地评估L-RightON,我们引入了Painting基准,该基准考虑查找不常见的对象,由空间和外观属性描述的对象,以及相对于可见对象描述的隐藏对象。我们通过在Habitat、RoboTHOR和Pasteur上直接部署21个CoW基线来进行深入的实证研究。总的来说,我们评估了超过90 k个导航片段,发现(1)CoW基线通常很难利用语言描述,但擅长寻找不常见的对象。(2)一个简单的CoW,具有基于CLIP的对象定位和经典探索-并且没有额外的训练-与最先进的基于Habitat MP 3D数据训练了5亿步的WARKON方法的导航效率相匹配。与最先进的RoboTHOR EQUIPON模型相比,同样的CoW在成功率上提高了15.6个百分点。
2022-12-14 cs.CV cs.LG cs.RO
Few Shot Adaptive Normalization Driven Multi-Speaker Speech Synthesis
Hike Private Limited(Hike私人有限公司);IIT Delhi(印度理工学院德里分校)
演讲风格因人而异,每个人都有自己的演讲风格,这是由语言、地理、文化等因素决定的。风格最好通过信号的韵律来捕捉。高质量的多说话人语音合成,同时考虑韵律和在一个Few Shot的方式是一个积极的研究领域,许多现实世界的应用。虽然在这方面已经作出了多种努力,但这仍然是一个令人感兴趣和具有挑战性的问题。在本文中,我们提出了一种新的Few Shot多扬声器语音合成方法(FSM-SS),利用自适应归一化架构与非自回归多头注意力模型。给定输入文本和未见过的人的参考语音样本,FSM-SS可以以Few Shot方式生成该人风格的语音。此外,我们演示了如何规范化的仿射参数帮助捕获的韵律特征,如能量和基频在一个解开的方式,并可用于生成变形的语音输出。我们证明了我们提出的架构在多扬声器VCTK和LibriTTS数据集上的有效性,使用多个定量指标来测量生成的语音失真和MoS,以及生成的语音与实际语音样本的扬声器嵌入分析。
2020-12-14 cs.LG eess.AS
M-GLC: Motif-Driven Global-Local Context Graphs for Few-shot Molecular Property Prediction
Iowa State University(爱荷华州立大学)
提出基序驱动全局-局部上下文图(M-GLC),通过全局三方异构图和局部子图编码增强少样本分子性质预测,在五个基准上超越现有方法。
2025-10-24 cs.AI cs.LG
Remixing Functionally Graded Structures: Data-Driven Topology Optimization with Multiclass Shape Blending
Northwestern University(西北大学);Shanghai Jiao Tong University(上海交通大学)
为了创建具有前所未有的功能的异构多尺度结构,最近的拓扑优化方法设计完全非周期系统或功能梯度结构,在设计自由度和效率方面进行竞争。我们建议通过一个数据驱动的框架来继承两者的优点,该框架用于混合了几个家族的多类功能梯度结构,即,类,微结构拓扑结构,以创造空间变化的设计与保证可行性。关键是一个新的多类形状混合方案,生成平滑渐变的微观结构,而不需要兼容的类或连接性和可行性约束。此外,它转换成一个有效的,低维的微尺度问题,而不限制设计预定义的形状。合规性和形状匹配的例子,使用常见的桁架几何形状和多样性为基础的自由形式的拓扑结构证明了我们的框架的多功能性,而类的数量和多样性的影响的研究说明了有效性。所提出的方法的一般性支持未来的扩展超出线性应用程序。
2022-04-02 cs.CE cs.LG
Face-Driven Zero-Shot Voice Conversion with Memory-based Face-Voice Alignment
University of Science and Technology of China(中国科学技术大学)
本文提出基于单张人脸图像的零样本语音转换任务,并设计基于记忆的人脸-语音对齐模块与混合监督策略,通过知识迁移和系统评估验证了方法的有效性。
2023-09-18 cs.LG cs.MM cs.SD
Data-driven topology design based on principal component analysis for 3D structural design problems
针对数据驱动拓扑设计中深度生成模型输入尺寸受限与高自由度结构表征需求的矛盾,提出基于主成分分析的方法,有效解决了三维结构力学最大应力最小化设计问题。
2024-09-03 cs.LG math.OC
Geometry Driven Progressive Warping for One-Shot Face Animation
Microsoft(微软)
人脸动画旨在创建具有动画姿势和表情的照片级逼真的肖像视频。常见的做法是生成用于将像素和特征从源扭曲到目标的位移场。然而,先前的尝试经常产生次优位移。在这项工作中,我们提出了一个几何驱动的模型,并提出了两个几何模式作为指导:三维人脸渲染位移映射和构成神经代码。该模型可以选择使用其中一种模式作为位移估计的指导。为了对面部模型未覆盖的位置处的位移(例如,头发),我们诉诸于源图像特征的上下文信息,并提出了一个渐进的扭曲模块,交替之间的特征扭曲和位移估计在增加的分辨率。我们表明,该模型可以合成具有高保真度的人像视频,并在VoxCeleb1和VoxCeleb2数据集上实现交叉身份和相同身份重建的新的最先进的结果。
2022-10-05 cs.CV cs.LG cs.MM
CLIP-driven Outliers Synthesis for few-shot OOD detection
Shandong University(山东大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对少样本OOD检测中缺乏可靠OOD监督信息的问题,本文提出CLIP-OS方法,通过分块均匀卷积和CLIP-surgery-discrepancy分离ID相关特征,混合合成OOD数据并结合未知感知提示学习,在多个基准上取得优越检测性能。
2024-03-30 cs.CV cs.LG
Beyond Data Scarcity: A Frequency-Driven Framework for Zero-Shot Forecasting
Ben-Gurion University(本古里安大学);Bosch Center of AI(博世人工智能中心)
针对时间序列预测在数据稀缺场景下的挑战,本文提出基于傅里叶分析的频率驱动框架Freq-Synth,通过生成任务特定频率的合成数据,提升基础与非基础模型在零/少样本场景的鲁棒性与预测可靠性。
2024-11-24 cs.AI cs.LG
Language-Driven Anchors for Zero-Shot Adversarial Robustness
Tsinghua University(清华大学);Harbin Institute of Technology(哈尔滨工业大学);Chinese Institute for Brain Research(中国脑科学研究院)
针对零样本对抗鲁棒性研究空白,提出语言驱动的基于锚点的对抗训练策略LAAT,通过文本编码器类别特征作锚点训练,结合扩展算法与对齐交叉熵损失解决特征相似度高的问题,显著提升零样本对抗鲁棒性,适用于无标注数据场景。
2024-03-10 cs.AI cs.CV cs.LG
ZS-MSTM: Zero-Shot Style Transfer for Gesture Animation driven by Text and Speech using Adversarial Disentanglement of Multimodal Style Encoding
ISIR(智能系统与机器人研究所);STMS(科学技术与音乐声音实验室);Sorbonne University(索邦大学);CNRS(法国国家科学研究中心)
本研究提出一种基于多模态风格编码对抗解耦的零样本手势动画风格迁移方法,利用韵律特征和文本驱动,无需额外训练即可生成未见说话人的风格化手势。
2023-05-22 cs.AI cs.LG cs.SD
PFlow-T: A Persistence-Driven Forward Process for Topology-Controlled Generation
Independent Researcher(独立研究者)
本文提出PFlow-T,一种基于持续性的前向过程生成模型,通过持续同调来控制拓扑结构,实现了对Betti数的生成和处理非分布任务的改进。
2026-05-17 cs.CV cs.LG
Zero-Shot Decision Tree Construction via Large Language Models
University of Chile(智利大学);National Center for Artificial Intelligence (CENIA)(国家人工智能中心(CENIA))
本文提出一种基于CART原则利用大语言模型预训练知识构建零样本决策树的新算法,无需训练数据即可执行属性离散化和Gini指数计算,在表格数据集上性能优于基线零样本方法且媲美有监督方法,为低数据机器学习提供了可解释的知识驱动新基线。
2025-01-27 cs.CL cs.LG
SIDA: Synthetic Image Driven Zero-shot Domain Adaptation
Hanyang University(汉阳大学)
提出SIDA方法,利用合成图像生成目标域风格特征,通过域混合和补丁风格转移模块实现高效零样本域适应,在多个场景中达到最优性能。
2026-06-29 cs.AI cs.CV cs.LG
FENAS: A Few-Shot Meta-Ensembling Framework for Efficient Neural Architecture Search with Synergized Zero-Cost Proxies
Beijing University of Technology(北京工业大学)
FENAS是结合零成本代理的小样本元集成框架,通过核心组件CAST将异构ZCP映射为紧凑特征流形,在NAS-Bench-201低标签 regime 中以0.5%带标签样本实现0.70的Kendall's Tau,高效完成神经架构搜索。
2026-10-14 cs.LG cs.LO cs.NE
Single-shot reconstruction of three-dimensional morphology of biological cells in digital holographic microscopy using a physics-driven neural network
Pohang University of Science and Technology(浦项科技大学);Sogang University(西江大学)
本文提出物理驱动与坐标神经网络结合的MorpHoLoNet,从单次全息图直接重建生物细胞三维形态和折射率分布,并验证其在动态行为分析中的有效性。
2024-09-30 cs.CV cs.LG physics.optics