Deep Learning in the Automotive Industry: Recent Advances and Application Examples
Goodyear Innovation Center(固特异创新中心)
过去几年最令人兴奋的技术突破之一是深度学习的兴起。最先进的深度学习模型正在学术界和工业界广泛部署,涉及从图像分析到自然语言处理的各个领域。这些模型已经从羽翼未丰的研究对象发展成为现实世界中使用的成熟技术。不断增长的数据规模、计算能力和相关的算法创新是我们在这一领域取得进展的主要驱动力。这些发展对汽车行业也有巨大的潜力,因此对基于深度学习的技术的兴趣正在增长。许多产品创新,如自动驾驶汽车、停车和变道辅助或安全功能,如自动紧急制动,都是由深度学习算法驱动的。深度学习有望为大多数ADAS(高级驾驶辅助系统)解决方案提供性能和功能方面的提升。用于车辆动力学应用的虚拟传感、车辆检测/健康监测、自动驾驶和数据驱动的产品开发是预计最受关注的关键领域。本文概述了汽车应用背景下深度学习技术的最新进展和一些相关挑战。
2019-06-24 cs.LG cs.RO eess.SP
Advances in Quantum Deep Learning: An Overview
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
在过去的几十年里,深度学习和量子计算领域取得了重大突破。这两个领域结合的研究引起了越来越多的兴趣,这导致了量子深度学习和量子启发的深度学习技术的发展。在这项工作中,我们通过讨论该领域各种研究工作的技术贡献,优势和相似性,概述了量子计算和深度学习交叉领域的进展。为此,我们回顾并总结了为量子神经网络(QNN)和其他变体(如量子卷积网络(QCNN))建模而提出的不同方案。我们还简要描述了量子启发的经典深度学习算法及其在自然语言处理中的应用的最新进展。
2020-05-08 cs.LG quant-ph
Deep Bayesian Active Learning, A Brief Survey on Recent Advances
West Virginia University(西弗吉尼亚大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
主动学习框架提供了有效的数据注释,而没有显著的准确性降低。换句话说,主动学习开始用少量的标记数据训练模型,同时探索未标记数据的空间,以便选择要标记的信息量最大的样本。一般来说,表示不确定性在任何主动学习框架中都是至关重要的,然而,深度学习方法不能表示或操纵模型的不确定性。另一方面,从现实世界的应用角度看,不确定性表示在机器学习界越来越受到关注。深度贝叶斯主动学习框架和通常任何贝叶斯主动学习设置在模型中提供实际考虑,其允许使用小数据进行训练,同时表示模型不确定性以用于进一步有效训练。在本文中,我们简要介绍了贝叶斯主动学习,特别是深度贝叶斯主动学习框架的最新进展。
2022-04-21 cs.LG
Recent advances in deep learning applied to skin cancer detection
Federal University of Espírito Santo, UFES(圣埃斯皮里图联邦大学(UFES))
皮肤癌是世界范围内的一个主要公共卫生问题。早期发现对提高患者的生存率具有重要意义。然而,缺乏合格的专业人员和医疗器械是这一领域的重大问题。在这种背景下,过去几年,深度学习模型应用于皮肤癌自动检测已经成为一种趋势。在本文中,我们提出了一个概述,在这一领域的最新进展报告,以及讨论的挑战和机遇,以改善目前的模型。此外,我们还介绍了在智能手机中使用这些模型的一些重要方面,并指出了我们认为该领域未来的发展方向。
2019-12-06 cs.CV cs.LG eess.IV
Recent Advances of Differential Privacy in Centralized Deep Learning: A Systematic Survey
Graz University of Technology (Austria)(格拉茨技术大学);Know-Center GmbH (Austria)(Know-Center公司);University of Graz (Austria)(格拉茨大学)
该综述系统性梳理了集中式深度学习中差分隐私的研究现状,分析了现有进展与开放问题,涵盖模型审计、隐私效用权衡等多方向内容,并展望了未来发展。
2023-09-28 cs.LG
How can deep learning advance computational modeling of sensory information processing?
International Laboratory for Brain, Music and Sound(国际大脑、音乐与声音实验室);University of Montreal(蒙特利尔大学);Montreal Institute for Learning Algorithms(蒙特利尔学习算法研究所);Maastricht University(马斯特里赫特大学);Leipzig University(莱比锡大学)
深度学习、计算神经科学和认知科学都有与理解智能相关的重叠目标,以便在计算系统中模拟感知和行为。在神经成像中,机器学习方法已被用于测试感觉信息处理的计算模型。最近,这些模型比较技术已被用于评估作为感觉信息处理模型的深度神经网络(DNN)。然而,这种模式的评价的解释是模糊的不精确的统计结论。在这里,我们明确了可以从这些现有模型比较技术中得出的结论类型,以及当所讨论的模型是DNN时这些结论如何变化。我们讨论了DNN如何适用于新的模型比较技术,允许更强的结论,使有关的计算机制的感觉信息处理。
2018-09-25 cs.LG cs.NE stat.ML
Deep Learning in Human Activity Recognition with Wearable Sensors: A Review on Advances
Northwestern University(西北大学);McGill University(麦吉尔大学);Georgia Institute of Technology(佐治亚理工学院);Columbia University(哥伦比亚大学)
移动和可穿戴设备已经实现了许多应用,包括活动跟踪、健康监测和人机交互,这些应用测量并改善了我们的日常生活。其中许多应用是通过利用许多移动和可穿戴设备中的丰富低功耗传感器集合来执行人类活动识别(HAR)而实现的。最近,深度学习极大地推动了HAR在移动和可穿戴设备上的边界。本文系统地梳理和总结了可穿戴HAR领域深度学习方法的研究现状,分析了其发展趋势和面临的主要挑战。我们还提出了基于深度学习的HAR的前沿和未来方向。
2022-03-03 cs.HC cs.LG eess.SP
A Survey on Recent Advances in Named Entity Recognition from Deep Learning models
University of Arizona(亚利桑那大学)
命名实体识别(NER)是用于问答、信息检索、关系抽取等的NLP系统中的关键组件。NER系统已经被广泛研究和开发了几十年,但是使用深度神经网络(NN)的精确系统仅在最近几年才被引入。我们对NER的深度神经网络架构进行了全面的调查,并将其与以前基于特征工程和其他监督或半监督学习算法的NER方法进行了对比。我们的研究结果突出了神经网络所取得的进步,并显示了如何将一些从过去的工作中学到的经验教训,基于特征的NER系统可以产生进一步的改进。
2019-10-25 cs.CL cs.LG
Deep Learning for Radio-based Human Sensing: Recent Advances and Future Directions
虽然长达十年的研究已经清楚地证明了射频(RF)在许多人类感知任务中的巨大潜力,但将这种技术扩展到大型场景仍然存在问题。最近,研究人员成功地应用了深度学习,将基于无线电的传感技术提升到了一个新的水平。已经提出了许多不同类型的深度学习模型,以在大量人口和活动集以及看不见的环境中实现高感知精度。深度学习还可以检测到以前不可能的新的人类感知现象。在本次调查中,我们对最近基于深度学习的射频传感研究工作进行了全面的回顾和分类。我们还识别和比较了几个公开发布的标记RF传感数据集,这些数据集可以促进这种深度学习研究。最后,我们总结了经验教训,并讨论了基于深度学习的RF传感的当前局限性和未来发展方向。
2021-02-07 cs.LG eess.SP
Which Deep Learner? A Systematic Evaluation of Advanced Deep Forecasting Models Accuracy and Efficiency for Network Traffic Prediction
Kyushu University(九州大学)
本文系统评估了十二种先进深度预测模型在网络流量预测中的准确性和效率,揭示了性能范围、效率阈值及平衡准确与效率的架构。
2026-11-04 cs.LG cs.NI
The Promise of Analog Deep Learning: Recent Advances, Challenges and Opportunities
University of Oxford(牛津大学)
针对现有AI硬件综述对模拟深度学习进展讨论不足的问题,本文从精度、能效等多维度系统评估八种模拟深度学习方法的优劣与进展,指出其消费级应用潜力大但可扩展性仍待突破。
2024-06-13 cs.AI cs.CV cs.LG
Deep learning for reconstructing protein structures from cryo-EM density maps: recent advances and future directions
University of Missouri(密苏里大学)
本综述概述了从 cryo-EM 密度图重构蛋白质结构的深度学习方法,分析了其影响与高质量数据集准备的挑战,并指出未来需开发整合 cryo-EM 数据与互补数据源的先进模型以推动领域发展。
2022-09-16 cs.AI cs.LG q-bio.BM
Recent Advances in Deep Learning for Object Detection
Singapore Management University(新加坡管理大学);Salesforce Research Asia(Salesforce亚洲研究院)
目标检测是计算机视觉中的一个基本的视觉识别问题,在过去的几十年里得到了广泛的研究。视觉目标检测的目的是在给定的图像中找到具有精确定位的特定目标类别的对象,并为每个对象实例分配相应的类别标签。由于基于深度学习的图像分类的巨大成功,近年来已经积极地研究了使用深度学习的目标检测技术。在本文中,我们全面综述了深度学习在视觉目标检测方面的最新进展。通过回顾大量最近的相关文献,我们系统地分析了现有的目标检测框架,并将调查分为三个主要部分:(i)检测组件,(ii)学习策略,(iii)应用程序和基准。在调查中,我们详细介绍了影响检测性能的各种因素,如检测器架构,特征学习,建议生成,采样策略等。最后,我们讨论了几个未来的方向,以促进和刺激未来的研究与深度学习的视觉目标检测。关键词:目标检测,深度学习,深度卷积神经网络
2019-08-10 cs.CV cs.LG cs.MM
Recent Advances in Understanding Adversarial Robustness of Deep Neural Networks
Nanyang Technological University, Singapore(新加坡南洋理工大学)
在深度神经网络(DNN)的普及应用道路上,对抗性样本是不可避免的。应用于自然样本的不可感知的扰动可能会导致基于DNN的分类器输出错误的预测,并具有公平的置信度得分。越来越重要的是获得具有高鲁棒性的模型,以抵抗对抗性的例子。在本文中,我们从不同的角度调查了如何理解这种有趣的属性,即对抗鲁棒性的最新进展。我们给出了对抗攻击和鲁棒性的初步定义。在此之后,我们研究了常用的基准测试,并提到了理论上证明的对抗鲁棒性界限。然后,我们概述了分析对抗鲁棒性和DNN模型的其他关键指标之间的相关性。最后,我们介绍了最近的争论的潜在成本的对抗性训练,引起了研究界的广泛关注。
2020-11-03 cs.CV cs.LG
Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022
Universiti Teknologi Malaysia(马来西亚理工大学)
本文综述2020–2022年金融时间序列价格预测的深度学习进展,梳理模型架构、应用与优劣,并指出复杂模型、区间预测、分解集成和数据量影响等未来方向。
2023-09-28 cs.AI cs.LG q-fin.ST
Towards energy-efficient Deep Learning: An overview of energy-efficient approaches along the Deep Learning Lifecycle
University of Applied Science Ansbach(安斯巴赫应用科学大学);University of Applied Science Heilbronn(海尔布隆应用科学大学)
在过去的几年里,深度学习在机器学习应用中取得了许多进展。然而,由于当前的深度学习算法需要大量的计算能量,因此人们越来越担心相关的环境成本。高能效的深度学习受到了研究人员的广泛关注,并在过去几年中取得了很大进展。本文旨在从文献中收集有关这些进展的信息,并展示如何以及在深度学习生命周期(IT基础设施,数据,建模,培训,部署,评估)的哪些点上可以降低能耗。
2023-02-05 cs.LG
Imitation Learning in the Deep Learning Era: A Novel Taxonomy and Recent Advances
Technical University of Crete(塞萨洛尼基技术大学)
本文综述了深度学习时代模仿学习的最新进展,提出一种新型分类法,系统分析代表性方法的优势、局限与评估实践,并指出未来研究的关键挑战与开放方向。
2025-11-05 cs.AI cs.LG
Leveraging Recent Advances in Deep Learning for Audio-Visual Emotion Recognition
Powder AI Research(Powder AI 研究院);Université Paris-Est, LISSI, UPEC(巴黎东大学 LISSI 实验室 / 巴黎东克雷泰伊大学)
情绪表达是将我们的情绪状态或态度传达给他人的行为。它们通过语言和非语言交流来表达。复杂的人类行为可以通过研究多种形式的身体特征来理解;主要是面部,声音和身体姿势。近年来,自发多模态情感识别在人类行为分析中得到了广泛的研究。在本文中,我们提出了一种新的基于深度学习的视听情感识别方法。我们的方法利用了深度学习的最新进展,如知识蒸馏和高性能深度架构。基于模型级融合策略,融合了音频和视觉模态的深度特征表示。然后使用递归神经网络来捕获时间动态。我们提出的方法在预测RECOLA数据集的效价方面大大优于最先进的方法。此外,我们提出的视觉面部表情特征提取网络在AffectNet和Google面部表情比较数据集上的表现优于最先进的结果。
2021-09-14 cs.CV cs.LG cs.SD
Recent advances in deep learning and language models for studying the microbiome
Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院);Vanderbilt University Medical Center(范德堡大学医学中心);University of South Florida(南佛罗里达大学);University of Pittsburgh(匹兹堡大学)
本文综述深度学习尤其是大语言模型在微生物组与宏基因组学数据分析中的应用,涵盖问题表述、数据集、技术整合及多类应用场景。
2024-09-15 cs.AI cs.LG q-bio.QM
Recent Advancements in Microscopy Image Enhancement using Deep Learning: A Survey
Dept. of Computer Science(计算机科学系);Gauhati University(果阿大学)
本文综述了深度学习在显微镜图像增强中的最新进展,涵盖超分辨率、重建和去噪三大领域,总结了其演变、应用、挑战及未来方向。
2025-09-26 cs.AI cs.CV cs.LG
Recent Advances in Reliable Deep Graph Learning: Inherent Noise, Distribution Shift, and Adversarial Attack
Sun Yat-sen University(中山大学);Tencent AI Lab(腾讯人工智能实验室);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
本综述全面回顾了深度图学习在应对固有噪声、分布偏移和对抗攻击方面的可靠性提升方法,并探讨了这些威胁间的关联及未来研究方向。
2023-05-08 cs.CR cs.IR cs.LG
A Survey on Deep Learning-based Non-Invasive Brain Signals:Recent Advances and New Frontiers
University of New South Wales(新南威尔士大学);Harvard University(哈佛大学);University of Technology Sydney(悉尼科技大学);Macquarie university(麦考瑞大学);Lehigh University(里海大学)
脑机接口(Brain-Computer Interface,BCI)通过将人的大脑信号解码为计算机设备可识别的指令,将人的神经世界与外部物理世界连接起来。近年来,深度学习显著提升了脑机接口系统的性能。在这篇文章中,我们系统地研究了脑机接口的脑信号类型和脑信号分析的相关深度学习概念。然后,我们提出了一个全面的调查深度学习技术用于脑机接口,通过总结超过230的贡献,最在过去五年中发表。最后,我们讨论了基于深度学习的脑机接口的应用领域,开放的挑战和未来的发展方向。
2020-10-21 cs.HC cs.LG eess.SP
Meta-learning approaches for few-shot learning: A survey of recent advances
University of Technology Sydney(悉尼科技大学);Western Sydney University(西悉尼大学);Óbuda University(欧布达大学)
尽管深度学习在学习更深层次的多维数据方面取得了惊人的成功,但它在新的未知任务上的性能下降,主要是因为它专注于相同分布的预测。此外,深度学习因对少量样本的泛化能力差而臭名昭著。元学习是一种很有前途的方法,它通过适应具有Few-Shot数据集的新任务来解决这些问题。本调查首先简要介绍了元学习,然后调查了最先进的元学习方法和最新进展:(I)基于度量,(II)基于记忆,(III)和基于学习的方法。最后,讨论了当前的挑战和未来研究的见解。
2023-03-13 cs.AI cs.LG
Deep Architectures for Modulation Recognition
U.S. Naval Research Laboratory(美国海军研究实验室);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
我们通过将深度神经网络应用于无线电调制识别任务来调查机器学习的最新进展。结果表明,无线电调制识别不受网络深度的限制,进一步的工作应该集中在提高学习的同步和均衡。这些领域的进步可能来自为这些任务设计的新架构或新的训练方法。
2017-03-27 cs.LG
Brain Signals Analysis Based Deep Learning Methods: Recent advances in the study of non-invasive brain signals
Cleveland State University(克利夫兰州立大学)
大脑信号构成了由数百万大脑神经元(神经细胞和脑细胞)处理的信息。这些脑信号可以使用各种非侵入性技术记录和分析,如脑电图(EEG),脑磁图(MEG)以及脑成像技术,如磁共振成像(MRI),计算机断层扫描(CT)和其他,这将在本文中简要讨论。本文讨论了目前新兴的技术,例如使用不同的深度学习(DL)算法来分析这些大脑信号,以及这些算法如何通过应用信号解码策略来帮助确定一个人的神经状态。
2021-12-30 cs.AI cs.CV cs.LG
Opportunities in deep learning methods development for computational biology
University of California, San Francisco(加州大学旧金山分校)
本文综述可微编程与深度学习架构的最新进展及其在生物科学中的典型应用,指出其尚未充分普及,并倡导融合专家知识以把握计算生物学方法开发的新机遇。
2024-06-12 cs.LG q-bio.QM
Advances in Electron Microscopy with Deep Learning
Warwick(华威大学)
这篇博士论文涵盖了我在电子显微镜与深度学习方面的一些进展。重点包括对电子显微镜深度学习的全面回顾;用于机器学习的大型新电子显微镜数据集,基于变分自编码器的数据集搜索引擎,以及通过t分布随机邻居嵌入的自动数据聚类;自适应学习率裁剪以稳定学习;具有螺旋,均匀间隔和其他固定稀疏扫描路径的压缩感知的生成对抗网络;通过强化学习训练递归神经网络以分段适应样本的稀疏扫描路径;改善信噪比;以及用于从单透射电子显微照片重建出射波函数的条件生成对抗网络。本论文通过呈现它们的关系、反思和整体结论来补充我的出版物。我的论文的这个版本是为了提高可读性而在网上传播的,而提交给华威大学以支持我申请物理学博士学位的论文是为了物理印刷和装订的。
2021-03-11 cond-mat.mtrl-sci cs.CV cs.LG
Hadamard product in deep learning: Introduction, Advances and Challenges
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Ecole Polytechnique Federale de Lausanne (EPFL)(洛桑联邦理工学院);DeepMind;University of Oxford(牛津大学)
本研究针对深度学习中被忽视的哈达玛积原语,首次提出其应用的全面分类法(含4个领域),分析其线性复杂度建模非线性交互的优势,为资源受限场景提供价值并奠定未来架构创新基础。
2025-04-17 cs.LG
Deep Learning in Computational Biology: Advancements, Challenges, and Future Outlook
Faculty of Health and Life Sciences, Management and Science University(管理与科学大学健康与生命科学学院)
该综述梳理了计算生物学中深度学习的发展历程、优势与挑战,聚焦其在DNA序列分析、蛋白质结构预测等领域的应用进展,并展望了该领域突破现有瓶颈、深化生物系统研究的前景。
2023-10-02 cs.AI cs.LG q-bio.QM
Advances in Deep Learning for Hyperspectral Image Analysis--Addressing Challenges Arising in Practical Imaging Scenarios
Amazon Web Service(亚马逊云服务);University of Houston(休斯顿大学)
深度神经网络已被证明对计算机视觉任务非常有效,例如图像分类,目标检测和语义分割-这些主要应用于彩色图像和视频。近年来,出现了深度学习算法被应用于高光谱和多光谱图像的遥感和生物医学任务。这些多通道图像具有其独特的一系列挑战,必须解决这些挑战才能进行有效的图像分析。挑战包括有限的地面实况(注释是昂贵的,广泛的标记通常是不可行的),以及数据的高维性质(每个像素由数百个光谱带表示),尽管由大量未标记的数据呈现,并且有可能利用观察同一场景的多个传感器/源。在本章中,我们将回顾社区中利用深度学习进行强大的高光谱图像分析的最新进展,尽管存在这些独特的挑战-特别是,我们将回顾图像分析的无监督,半监督和主动学习方法,以及多源(例如多传感器或多时相)图像分析的迁移学习方法。
2020-07-16 cs.CV cs.LG eess.IV
A Review of Deep Transfer Learning and Recent Advancements
University of Georgia(佐治亚大学)
在过去的二十年里,深度学习一直是许多机器学习问题的答案。然而,它有两个主要的限制:对大量标记数据的依赖和训练成本。深度学习中的迁移学习(称为深度迁移学习(DTL))试图通过在目标数据/任务的训练中重用从源数据/任务获得的知识来减少这种依赖性和成本。大多数应用的DTL技术是基于网络/模型的方法。这些方法降低了深度学习模型对大量训练数据的依赖性,并大幅降低了训练成本。因此,研究人员使用DTL技术在大流行开始时以最少的数据高精度地检测到胸部X光片上的Covid-19感染。此外,培训成本的降低使得DTL在资源有限的边缘设备上可行。与任何新的进步一样,DTL方法也有其自身的局限性,成功的转移取决于针对不同场景的一些调整。在本文中,我们回顾了深度迁移学习的定义和分类以及众所周知的方法。然后,我们通过回顾过去五年中应用的DTL技术来研究DTL方法。此外,我们回顾了DTL的一些实验分析,以了解在不同场景中应用DTL的最佳实践。此外,DTLs(灾难性遗忘困境和过度偏见的预训练模型)的局限性进行了讨论,以及可能的解决方案和研究趋势。
2022-12-22 cs.AI cs.CV cs.LG
Deep Learning in EEG: Advance of the Last Ten-Year Critical Period
Sichuan University(四川大学);Skolkovo Institute of Science and Technology(斯科尔科沃科技学院);Polish Academy of Sciences(波兰科学院);University of Essex(埃塞克斯大学);Wuyi University(五邑大学)
深度学习在广泛的领域取得了优异的性能,特别是在语音识别和计算机视觉方面。EEG的研究相对较少,但在过去十年中仍然取得了重大进展。由于缺乏对EEG深度学习的全面和广泛覆盖的调查,我们试图总结最近的进展,以提供概述,以及未来发展的前景。我们首先简要介绍了EEG信号的伪影去除,然后介绍了已用于EEG处理和分类的深度学习模型。随后,通过将其分类为脑机接口,疾病检测和情感识别等组,回顾了深度学习在EEG中的应用。随后进行了讨论,其中提出了深度学习的优点和缺点,并提出了EEG深度学习的未来方向和挑战。希望本文能够作为对过去脑电深度学习研究的一个总结,也是基于深度学习的脑电研究进一步发展和取得成果的开始。
2021-05-20 cs.LG eess.SP q-bio.NC
Recent Advances in Deep Learning-Based Drug-Target Binding Affinity Prediction
Prairie View A&M University(普雷里维尤农工大学)
本文综述近期基于深度学习的药物-靶点结合亲和力预测方法,分析其优势、局限与研究缺口,指出当前方法存在数据集偏差等问题,探讨未来研究方向。
2026-08-17 cs.LG
Deep spatio-temporal point processes: Advances and new directions
Department/Institute, University, City, Country, Postal code(大学院系)
本文综述了深度时空点过程中深度影响核方法的最新进展,重点介绍其结合统计可解释性与强大表达能力的建模框架、估计方法及可扩展性,并展望了在犯罪分析、余震预测和脓毒症建模等领域的应用前景。
2025-08-22 cs.LG math.ST stat.ML
Deep Learning to advance the Eigenspace Perturbation Method for Turbulence Model Uncertainty Quantification
University of Tabriz(大不里士大学)
雷诺平均Navier Stokes(RANS)模型是湍流模拟中最常用的模型形式。它们被用来计算雷诺应力张量,并给出工程流动的鲁棒结果。但RANS模型预测存在较大的误差和不确定性。在过去,已经有一些关于使用数据驱动的方法来提高其准确性的工作。在这项工作中,我们概述了一个机器学习的方法,以帮助使用的特征空间扰动方法来预测湍流模型预测的不确定性。我们使用一个训练有素的神经网络来预测的RANS预测雷诺应力椭球的形状的差异。我们将该模型应用到一些湍流,并展示了如何正确识别的方法相比,直接数值模拟(DNS),大涡模拟(LES)或实验结果从以前的作品时,发生建模误差的区域。
2022-03-16 cs.CE cs.LG
Deep Learning Innovations for Energy Efficiency: Advances in Non-Intrusive Load Monitoring and EV Charging Optimization for a Sustainable Grid
National Technical University of Athens(雅典国立技术大学)
本论文针对能源转型中住宅能耗和道路交通两大高耗能领域,研究新型深度学习技术,通过非侵入式负荷监测降低住宅能耗,并利用深度强化学习优化电动汽车充电以推动交通脱碳。
2025-05-07 cs.LG
An Analysis of Recent Advances in Deepfake Image Detection in an Evolving Threat Landscape
Virginia Tech(弗吉尼亚理工大学)
分析了8种深度伪造检测器在定制生成模型和视觉基础模型威胁下的泛化与防御漏洞,提出了基于内容无关特征、集成建模及对抗训练的防御改进方向。
2024-04-24 cs.CR cs.CV cs.LG
Deep learning for unsupervised domain adaptation in medical imaging: Recent advancements and future perspectives
Indian Institute of Technology Roorkee(印度理工学院鲁尔基分校)
本文从技术角度综述了医学图像中深度无监督域适应(UDA)的最新进展,将现有方法分为六大类并细分,探讨了相关数据集与域差异评估,并提出了未来研究方向。
2023-07-18 cs.CV cs.LG eess.IV
Advanced Customer Activity Prediction based on Deep Hierarchic Encoder-Decoders
产品推荐系统和客户分析技术一直是在线零售的优先事项。最近机器学习研究的进展以及大规模并行数值计算的广泛可用性使得推荐系统的发展具有各种方法和方向。值得一提的是,在过去几年中,多个传统的“离线”零售业务越来越倾向于采用推理甚至预测分析来解决与库存相关的问题,如预测补货,同时也丰富了客户互动体验。推荐系统研究和开发的最重要领域之一是基于深度学习的模型,其采用代表性学习来建模消费者行为模式。基于深度学习的推荐系统的现有技术使用多种方法,从已经经典的方法(例如基于学习产品表示向量的方法)到客户交易时间序列的循环分析以及基于对抗训练的生成模型。这些方法中的每一种都具有多个优点和固有的弱点,例如无法理解实际的用户旅程,能够仅提出单个产品推荐或top-k产品推荐而不预测实际的下一个最佳报价。在我们的工作中,我们将提出一个新的和创新的架构方法,应用国家的最先进的分层多模块编码器-解码器架构,以解决一些当前国家的最先进的推荐系统的问题。我们的方法还将产生副产品,如基于产品需求的细分和客户行为细分-所有这些都是端到端的可培训方法。最后,我们将提出几种方法,解决已知的零售和分销痛点的基础上提出的架构。
2019-06-21 cs.IR cs.LG
Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey
Indian Institute of Technology Roorkee(印度理工学院鲁尔基分校)
本文综述了基于深度学习的端到端自动驾驶最新进展,系统梳理了从感知到控制的全流程任务分类、学习方法与评估技术,并讨论了可解释性、安全性及未来方向。
2023-09-19 cs.AI cs.CV cs.LG
Advances in Very Deep Convolutional Neural Networks for LVCSR
IBM T.J Watson Research Center(IBM托马斯·J·沃森研究中心)
具有小的3x 3内核的非常深的CNN最近被证明在混合NN-HMM语音识别系统中作为声学模型实现非常强的性能。在本文中,我们将研究如何有效地将这些模型扩展到更大的数据集。具体来说,我们解决了沿着时间维度的池化和填充的设计选择,这使得序列的卷积评估非常低效。我们提出了一种新的CNN设计,没有时间填充和时间池,这是稍微次优的准确性,但有两个显着的优势:它使序列训练和部署,允许有效的卷积评估的完整的话语,它允许批量归一化直接采用CNN的序列数据。通过批量归一化,我们恢复了由于删除时间池而丢失的概率,同时保持了高效卷积计算的好处。我们展示了我们的模型在比以前更大规模的数据上以及在序列训练之后的性能。我们在2000 h交换机数据集上训练的非常深的CNN模型序列在Hub 5测试集上获得了9.4字的出错率,与2015 IBM系统组合的性能相匹配,这是之前公布的最佳结果。
2016-06-25 cs.CL cs.LG cs.NE
Recent Advances in Predictive Modeling with Electronic Health Records
Pennsylvania State University(宾夕法尼亚州立大学);GE Healthcare(GE医疗);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本综述系统梳理基于深度学习的电子健康记录预测建模最新进展,介绍背景与任务定义,分类总结模型,列出相关基准与工具,探讨挑战并指明未来方向。
2024-08-13 cs.AI cs.LG
New Advances in Body Composition Assessment with ShapedNet: A Single Image Deep Regression Approach
ShapedNet通过单图像深度回归方法实现体脂肪百分比的高精度估计,其在体成分评估领域表现出优于现有方法的性能。
2023-10-15 cs.AI cs.CV cs.LG
A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning
University of Chicago(芝加哥大学);Argonne National Laboratory(阿贡国家实验室);Frederick National Laboratory for Cancer Research(弗雷德里克国家癌症研究实验室)
通过结合各种癌细胞系(CCL)药物筛选小组,数据的大小显着增加,开始了解深度学习的进步如何促进药物反应预测。在本文中,我们训练了超过35,000个神经网络模型,涵盖了常见的特征化技术。我们发现RNA-seq是高度冗余和信息丰富的,即使子集大于128个特征。我们发现包含编码为计数矩阵的单核苷酸多态性(SNP)显著提高了模型性能,并且在常见的开源MORDRED描述符和Dragon 7描述符之间的分子特征化方面,模型性能没有实质性差异。除了这种分析,我们还概述了CCL筛选数据集之间的数据集成,并提出证据表明,需要开发新的指标和不平衡的数据技术,以及数据标准化的进展。
2020-05-04 cs.LG q-bio.GN q-bio.QM
Recent Advances and Challenges in Deep Audio-Visual Correlation Learning
National Institute of Informatics(日本信息学研究所);Polytechnic of Porto(波尔图理工学院);INESC TEC(INESC TEC科技与创新研究所)
本文综述了深度音频-视觉相关性学习的最新进展,分析了现有模型、优化方法及未来研究方向。
2022-02-28 cs.CV cs.IR cs.LG
A Comprehensive Survey on Architectural Advances in Deep CNNs: Challenges, Applications, and Emerging Research Directions
University of Engineering and Applied Sciences (UEAS)(工程与应用科学大学(UEAS))
该综述提出统一分类体系梳理2015-2025年深度CNN的架构创新、优化策略与多领域应用,同时总结新兴学习范式与未来研究方向,为CNN领域发展提供全景视角。
2025-03-19 cs.AI cs.CV cs.LG