Boost Event-Driven Tactile Learning with Location Spiking Neurons
触觉感知对于各种日常任务至关重要。而事件驱动触觉传感器和脉冲神经网络(SNNs)的最新进展又推动了相关领域的研究。然而,SNN使能的事件驱动的触觉学习仍然处于起步阶段,由于现有的尖峰神经元的有限的表示能力和事件驱动的触觉数据的高时空复杂性。在本文中,以提高现有的尖峰神经元的表示能力,我们提出了一种新的神经元模型称为“位置尖峰神经元”,它使我们能够提取特征的事件为基础的数据在一个新的方式。具体地说,我们在经典的时间峰电位反应模型(TSRM)的基础上,发展了位置峰电位反应模型(LSRM)。此外,在最常用的时间泄漏积分触发(TLIF)模型的基础上,我们开发了位置泄漏积分触发(LLIF)模型。此外,为了证明我们提出的神经元的表示有效性,并捕捉事件驱动的触觉数据中复杂的时空依赖关系,我们利用位置尖峰神经元提出了两个混合模型的事件驱动的触觉学习。具体而言,第一混合模型将全连接SNN与TSRM神经元和全连接SNN与LSRM神经元相结合。第二种混合模型融合了TLIF神经元和空间脉冲图神经网络以及LLIF神经元和时间脉冲图神经网络。大量的实验表明,我们的模型的显着改善了国家的最先进的方法对事件驱动的触觉学习。此外,与相应的人工神经网络(ANN)相比,我们的SNN模型是10倍到100倍的能量效率,这表明我们的模型具有优越的能量效率,并可能为基于尖峰的学习社区和神经形态工程带来新的机会。
2022-12-19 cs.AI cs.LG cs.NE
ARENA: A Data-driven Radio Access Networks Analysis of Football Events
NEC Laboratories Europe GmbH(欧洲电气股份有限公司实验室);Technische Universität Kaiserslautern(凯撒斯劳滕工业大学);i2CAT Foundation(i2CAT基金会);ICREA(加泰罗尼亚高等研究院);OTE(希腊电信组织)
群体事件代表了移动网络最具挑战性的场景之一,因为尽管它们的日期和时间通常是提前知道的,但由于其依赖于许多不同的因素,对资源的实际需求难以预测。基于欧洲一家主要运营商在足球场举办大型活动期间提供的数据,该体育场包括多达30.000人、16个基站扇区和$1$ Km $^2$区域,我们对此类活动期间的无线电接入网络基础设施动态进行了数据驱动分析。鉴于从分析中获得的见解,我们开发了ARENA,这是一种无模型的深度学习无线电接入网(RAN)容量预测解决方案,它将过去的网络监测数据和事件上下文信息作为输入,为移动运营商提供未来事件期间所需的预期RAN容量的指导。我们的结果,验证对数据集中包含的真实事件,说明了我们提出的解决方案的有效性。
2020-10-19 cs.LG
An Integrated and Scalable Platform for Proactive Event-Driven Traffic Management
本文提出一个集成平台,通过事件驱动方法预测拥堵,提升交通管理效率。
2017-03-08 cs.AI cs.LG cs.SY
REST: Relational Event-driven Stock Trend Forecasting
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);Microsoft Research Asia(微软亚洲研究院);School of Artificial Intelligence, Sun Yat-sen University(中山大学人工智能学院)
股票趋势预测是为了预测股票未来的走势,是投资者从股票市场中寻求最大利润的关键。近年来,许多事件驱动方法利用从新闻、社交媒体和讨论板中提取的事件来预测股票趋势。然而,现有的事件驱动方法存在两个主要缺点:1)忽视了因股票依赖性而区分的事件信息的影响; 2)忽视了其他相关股票的事件信息的影响。本文提出了一种基于关系事件驱动的股票趋势预测框架,可以解决现有方法的不足。为了弥补第一个缺点,我们建议对股票上下文进行建模,并学习不同上下文下事件信息对股票的影响。为了解决第二个缺点,我们构造了一个股票图,并设计了一个新的传播层来传播相关股票的事件信息的影响。对真实数据的实验研究表明了该框架的有效性。投资模拟的结果表明,我们的框架可以实现比基线更高的投资回报率。
2021-02-19 cs.LG q-fin.ST
EHHN: An Event-driven Heterogeneous Hypergraph Network for Object-Centric Next Activity Prediction
College of Computer Science and Technology, Zhejiang University of Technology(浙江工业大学计算机科学与技术学院);University of Southern Queensland(南昆士兰大学)
提出EHHN,一种事件驱动异质超图网络,通过超边绑定多对象事件并融合微观状态演化与宏观时间动态,实现对象中心的下一个活动预测,在多个基准上取得最优性能。
2026-07-03 cs.LG
CMSBERT-CLR: Context-driven Modality Shifting BERT with Contrastive Learning for linguistic, visual, acoustic Representations
Dongguk University(东国大学)
随着对多模态在线内容的需求不断增长,多模态情感分析已经成为越来越受欢迎的研究领域。对于多模态情感分析,词语可以根据语言上下文和非语言信息而具有不同的含义,因此理解词语的含义是至关重要的。此外,词义的理解应在包含非言语信息的整个话语语境中进行。本文提出了一种基于对比学习的语境驱动的语言、视觉、听觉表征的模态转换BERT(CMSBERT-STABILITY)方法,该方法通过对比学习整合了整个语境中的非言语和言语信息,从而更有效地调整了模态。首先,我们介绍了一种语境驱动的情态转换(CMS),将非言语信息和言语信息整合到句子话语的整个语境中。然后,为了改善在一个共同的嵌入空间内的不同模态的对齐,我们应用对比学习。此外,我们使用指数移动平均参数和标签平滑作为优化策略,这可以使网络的收敛更稳定,增加对齐的灵活性。在我们的实验中,我们证明了我们的方法达到了最先进的结果。
2022-08-21 cs.CL cs.LG cs.SD
Data-Driven Stochastic Modeling Using Autoregressive Sequence Models: Translating Event Tables to Queueing Dynamics
Columbia University, Graduate School of Business(哥伦比亚大学商学院)
本文提出基于自回归序列模型的数据驱动框架,从事件流学习条件分布,自动构建排队网络仿真器,实现高保真仿真、不确定性量化与反事实评估。
2025-09-06 cs.LG
Analysis of key flavors of event-driven predictive maintenance using logs of phenomena described by Weibull distributions
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Atlantis Engineering(亚特兰蒂斯工程公司)
这项工作探索了工业4.0中事件驱动的预测性维护的两种方法,分别将手头的问题作为分类或回归问题,并使用两种最先进的解决方案作为起点。对于这两种方法中的每一种,我们研究了不同的数据预处理技术,不同的预测算法以及集成和采样方法的影响。通过对上述方面的系统实验,我们旨在了解替代品的优势,更重要的是,阐明如何以知情的方式浏览大量此类替代品。我们的工作是了解迄今为止这种数据驱动的预测性维护的真正潜力的关键一步,并帮助从业者专注于影响最大的方面。
2021-01-18 cs.LG
Equipment-centric workpiece localization in near real-time using deep learning-based vision and event-driven finite state machines
本研究针对热锻造中工件直接跟踪不可靠的问题,提出结合深度学习视觉与事件驱动有限状态机的设备中心式工件定位框架,在实际工厂实现高事件检测准确率与可靠定位,支持可视化与定量分析。
2026-08-07 cs.LG
Event-Driven Learning of Systematic Behaviours in Stock Markets
NVIDIA(英伟达)
据报道,金融新闻,特别是新闻中表达的金融事件,为投资者的做多/做空决策提供信息,并影响股票市场的走势。基于此,我们利用金融事件流来训练一个分类神经网络,该网络可以检测美国股票市场中潜在的事件-股票联系和股票市场的系统行为。我们提出的流水线包括(1)一个组合的事件提取方法,利用开放信息提取和神经共指消解,(2)一个BERT/ALBERT增强的事件表示,和(3)一个扩展的分层注意力网络,包括对事件,新闻和时间水平的关注。与最先进的模型相比,我们的管道在预测标准普尔500指数、道琼斯指数、纳斯达克指数和10只个股时实现了更高的准确性和更高的模拟年化回报。
2020-10-23 cs.LG q-fin.ST
DAMNED: A Distributed and Multithreaded Neural Event-Driven simulation framework
在脉冲神经网络(SNN)中,脉冲发射在时间和网络结构上都是稀疏和不规则的。由于SNN的当前特征是低平均活动,SNN的有效实现通常基于事件驱动模拟(EDS)。另一方面,大规模神经网络的仿真可以利用将神经元分布在一组处理器(工作站集群或并行计算机)上的优势。本文介绍了DAMNED,一个大规模的SNN仿真框架,能够收集EDS和并行计算的好处。两个层次的并行性相结合:分布式映射的神经拓扑结构,在网络级,和本地多线程的资源分配同时处理的事件,在神经元级。基于事件的因果关系,提出了一种分布式解决方案,以解决无同步障碍的复杂调度问题。
2006-03-21 cs.LG cs.NE
Always-On, Sub-300-nW, Event-Driven Spiking Neural Network based on Spike-Driven Clock-Generation and Clock- and Power-Gating for an Ultra-Low-Power Intelligent Device
Columbia University(哥伦比亚大学);Samsung Electronics(三星电子)
始终在线的人工智能(AI)功能,如关键字识别(KWS)和视觉唤醒,往往主导着超低功耗设备的总功耗。一个关键的观察结果是,始终开启功能的信号在时间上是稀疏的,脉冲神经网络(SNN)分类器可以利用这一点来节省功率,因为SNN的切换活动和功耗往往随着脉冲速率而缩放。为了实现这一目标,我们提出了一种新型的SNN分类器架构,用于始终在线的功能,在KWS和其他始终在线的分类工作负载的竞争性推理精度下,功耗低于300 nW。
2020-06-23 cs.LG cs.NE
Learning event-driven switched linear systems
Indian Institute of Science Bangalore(班加罗尔印度科学院);Kansas State University(堪萨斯州立大学)
提出了一种自动机理论学习算法,用于识别开关逻辑为事件驱动的黑箱开关线性系统。切换系统用一个确定性有限自动机(FA)表示,其节点标号是子系统矩阵。有了关于矩阵和事件集的维度的信息,并且可以访问两个预言机,该预言机可以在给定的输入上模拟系统,并且在给定不正确的假设自动机时提供反例,我们提供了一种输出未知FA的算法。我们的算法首先使用的oracle获得的节点标签的系统运行在一个给定的输入序列的事件,然后扩展Angluin的\(L^*\) -算法,以确定FA,接受给定的FA的语言。我们证明了我们的学习算法的性能在一组基准的例子。
2020-09-27 cs.LG cs.SY eess.SY
Audio-Visual Target Speaker Enhancement on Multi-Talker Environment using Event-Driven Cameras
Istituto Italiano di Tecnologia(意大利技术研究院);University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学)
我们提出了一种方法,以解决视听目标扬声器增强多说话人环境中使用事件驱动的摄像机。最先进的视听语音分离方法表明,关键信息是与语音产生相关的面部标志的运动。然而,迄今为止提出的所有方法都是离线工作的,使用基于帧的视频输入,使得难以以低延迟处理用于在线应用的视听信号。为了克服这一局限性,我们提出了使用事件驱动的摄像机,并利用压缩,高时间分辨率和低延迟,低成本和低延迟的运动特征提取,走向在线嵌入式视听语音处理。我们使用面部标志的事件驱动光流估计作为堆栈双向LSTM的输入,该LSTM被训练用于预测理想幅度掩码,然后用于过滤嘈杂的音频,以获得目标说话者的音频信号。所提出的方法几乎与基于帧的方法相当,具有非常低的延迟和计算成本。
2021-02-22 cs.LG eess.AS eess.IV
Model-free prediction of emergence of extreme events in a parametrically driven nonlinear dynamical system by Deep Learning
Bharathidasan University(巴拉蒂达桑大学)
我们使用三种深度学习模型,即多层感知器,卷积神经网络和长短期记忆,预测参数驱动的非线性动力系统中极端事件的出现。使用训练集训练深度学习模型,并允许其预测测试集数据。预测后,实际值和预测值的时间序列被绘制成一个在另一个之上,以可视化模型的性能。通过对三种模型的预测值与实际值的均方根误差的比较,我们发现长短期记忆模型可以作为混沌时间序列预测和极端事件发生预测的最佳模型。
2021-07-14 cs.LG nlin.CD physics.data-an
Vulnerabilities of Deep Learning-Driven Semantic Communications to Backdoor (Trojan) Attacks
Virginia Tech(弗吉尼亚理工大学);University of Maryland(马里兰大学);The Ohio State University(俄亥俄州立大学)
本文重点介绍了深度学习驱动的语义通信对后门(特洛伊木马)攻击的脆弱性。语义通信的目的是在将信息从发送者传递到接收者的同时传达期望的含义。由作为自动编码器的一部分的两个深度神经网络(DNN)表示的编码器-解码器对被训练以通过在有限数量的信道使用上传输小尺寸的潜在特征来在接收器处重构诸如图像的信号。同时,接收器处的语义任务分类器的另一个DNN与自动编码器联合训练,以检查传达给接收器的含义。DNN的复杂决策空间使得语义通信容易受到对抗性操纵的影响。在后门(特洛伊木马)攻击中,攻击者将触发器添加到一小部分训练样本中,并将标签更改为目标标签。当考虑图像的传输时,触发器可以被添加到图像或等同地添加到对应的发送或接收的信号。在测试时间,对手通过提供中毒样本作为语义通信的编码器(或解码器)的输入来激活这些触发器。后门攻击可以有效地将针对中毒输入样本传递的语义信息改变为目标含义。随着语义通信的性能随着信噪比和信道使用次数的提高而提高,后门攻击的成功率也会提高。此外,增加训练数据中的特洛伊木马比率使攻击更成功。与此同时,这种攻击对未中毒输入样本的影响仍然有限。总体而言,本文表明,后门攻击构成了严重的威胁,语义通信,并提出了新的设计准则,以保持传输的信息的含义存在的后门攻击。
2022-12-21 cs.CR cs.IT cs.LG