Are there intelligent Turing machines?
University of Debrecen(德布勒森大学)
本文介绍了一种新的计算模型,该模型是基于协调机器之间的协作的图灵机。与通用图灵机一样,编排机器也被设计为模拟图灵机,但它们也可以修改所包含的图灵机的原始操作,以创建某种集体行为的新层。利用这个新模型,我们可以定义一些与图灵机合作能力有关的有趣概念,如图灵机的智商或情绪智商。
2015-03-12 cs.AI
On Ensuring that Intelligent Machines Are Well-Behaved
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Universidade Federal do Rio Grande do Sul(南里奥格兰德联邦大学);Stanford University(斯坦福大学)
机器学习算法无处不在,从简单的数据分析和跨学科使用的模式识别工具,到在各种任务上实现超人性能的复杂系统。因此,确保他们行为良好-例如,他们不对人类造成伤害或以种族主义或性别歧视的方式行事-不是一个将来要处理的假设问题,而是我们在这里处理的一个紧迫问题。我们提出了一个新的框架设计机器学习算法,简化了指定和调节不良行为的问题。为了展示这个新框架的可行性,我们使用它来创建新的机器学习算法,这些算法在我们的实验中排除了标准机器学习算法所表现出的性别歧视和有害行为。我们设计机器学习算法的框架简化了机器学习的安全和负责任的应用。
2017-08-17 cs.AI
When is it right and good for an intelligent autonomous vehicle to take over control (and hand it back)?
Auckland University of Technology(奥克兰理工大学)
机器伦理学中有很多关于将伦理推理能力引入智能自主机器的最合适方式的争论。最近发生的涉及自动驾驶汽车的人员伤亡事件引发了人们的疑问,即我们如何确保这些车辆的行为具有道德层面,因此值得信赖。主要的问题是,将这些机器与不造成伤害或损害的规则硬连接起来,与自主和智能的概念不一致。此外,如果智能自主机器遇到它们没有被编程的情况或困境,或者无论采取什么行动都会造成一些伤害,这种道德硬连线不会让它们采取任何行动。教机器学习道德也可能是有问题的,因为机器学习的最新研究发现,机器会接受嵌入其学习算法或数据中的偏见和偏见。本文介绍了一种模糊推理方法的机器伦理。本文展示了当从人类驾驶员手中接管在道德上是合理的时,道德架构如何进行推理。这种伦理推理机背后的设计也适用于一个伦理困境解决案例。这种方法的一个主要优点是,伦理推理者可以生成自己的数据来学习道德规则(因此,自动测量),从而减少了拾取人类偏见和偏见的可能性。结果表明,一种新的基于度量的伦理学适合于自主智能机器是可行的,我们目前的概念,伦理推理主要是定性的性质可能需要修改,如果要构建未来的自主机器,有一个道德的维度,他们的推理,使他们成为道德的机器。
2019-01-24 cs.AI
A knowledge-based intelligent system for control of dirt recognition process in the smart washing machines
Sharif University of Technology(谢里夫理工大学);University of Neyshabur(内沙布尔大学);Azad University of Mashhad(马什哈德阿扎德大学);Brown University(布朗大学);Bahar Institute of higher education(巴哈尔高等教育学院)
本文提出了一种基于模糊逻辑的智能方法来模拟人在洗衣过程中的智能。首先,设计了一个智能反馈回路,用于基于感知的污垢感测,其灵感来自于人类对颜色的理解。然后,当彩色污渍泄漏出一些彩色衣服的人类概率决策的计算模型,以检测这种污渍泄漏,从而识别污垢的问题,可以考虑在洗涤过程中。最后,对洗衣过程的模糊控制进行了探讨,设计并仿真了一个基于模糊智能反馈回路的智能控制器。
2019-05-07 cs.AI
AI-Oracle Machines for Intelligent Computing
School of Computer and Information Sciences, University of Massachusetts(马萨诸塞大学计算机与信息科学学院)
本文提出了用于智能计算的AI-Oracle机器概念,通过多个应用展示其潜力,并倡导开发综合平台以简化其实施。
2024-10-16 cs.AI cs.CL cs.FL
On Formally Undecidable Traits of Intelligent Machines
University of Colorado, Boulder(科罗拉多大学博尔德分校)
基于 Alfonseca 等人的研究,本文提出一种数学上独立于形式语言理论的形式化体系,用于判定机器特征,并证明 Rice 定理不能一般性地判定机器是否具备特定特征,故判定机器智能或道德等并非逻辑不可能。
2024-02-14 cs.AI cs.LO
Intelligent Spark Agents: A Modular LangGraph Framework for Scalable, Visualized, and Enhanced Big Data Machine Learning Workflows
Ferret Relationship Intelligence(雪貂关系智能公司);China Telecom Shanghai Company(中国电信上海公司)
本文提出基于 Spark 与 LangGraph 的模块化智能 agent 框架,通过可视化编排、分布式执行和 LLM 集成增强大数据机器学习工作流。
2024-12-06 cs.AI
Bayes in the age of intelligent machines
Princeton University(普林斯顿大学);University College London(伦敦大学学院)
本文论证贝叶斯推断与人工神经网络处于不同分析层面且互补,并主张贝叶斯方法对理解大型不透明神经网络行为具有独特价值。
2023-11-16 cs.AI cs.LG
From Conception to Deployment: Intelligent Stroke Prediction Framework using Machine Learning and Performance Evaluation
United Arab Emirates University(阿拉伯联合酋长国大学);College of Information Technology(信息技术学院);National Water and Energy Center(国家水利与能源中心)
本文提出了一种基于机器学习的智能中风预测框架,通过统一设置评估五种常用算法,发现Random Forest算法最适合中风预测。
2023-04-01 cs.AI cs.LG
FML-based Dynamic Assessment Agent for Human-Machine Cooperative System on Game of Go
National University of Tainan(台南大学);Tokyo Metropolitan University(东京都立大学);Haifong Weiqi Academy(海峰围棋学院)
在本文中,我们展示了应用模糊置标语言(FML)构建一个基于FML的动态评估代理(FDAA),我们提出了一个基于FML的人机合作系统(FHMCS)的围棋比赛。提出的FDAA包括一个智能决策和学习机制,智能游戏机器人,近端开发代理,和智能代理。智能游戏机器人基于Facebook Darkforest的开源代码,它具有代表性的状态转移应用程序编程接口机制。最接近的开发代理包含一个动态评估机制,GoSocket机制,和一个模糊知识库和规则库的FML引擎。智能代理包含一个GoSocket引擎和一个汇总代理,该汇总代理基于估计的胜率、实时模拟数量和预测移动的匹配度。此外,还给出了用于玩家性能评估的FML和用于游戏结果评论的语言描述.我们在2016年测试了5场比赛,并在2017年1月测试了60场Google Master Go(AlphaGo程序的新版本)的比赛,通过实验验证和验证了FDAA和FHMCS变体的性能。实验结果表明,FDAA算法可以有效地应用于Go语言的应用程序。
2017-07-16 cs.AI
Large Scale Foundation Models for Intelligent Manufacturing Applications: A Survey
Northeastern University(东北大学);South China University of Technology(华南理工大学);Qinghai University of Science and Technology(青海大学);Midea Group(美的集团)
本文系统综述大规模基础模型在智能制造中的应用,分析其解决深度学习泛化差、数据难建等挑战的优势,并给出应用路线图与案例。
2023-12-22 cs.AI
Machine Learning and Deep Learning Methods for Building Intelligent Systems in Medicine and Drug Discovery: A Comprehensive Survey
Vellore Institute of Technology(韦洛尔理工学院)
随着计算机技术的进步,智能系统迅速发展,可以理解数据中的复杂关系,从而进行预测和分类。基于智能的框架正在迅速改变医疗保健行业。这些智能系统采用基于机器学习和深度学习的鲁棒模型构建,用于疾病的早期诊断,并为一线临床医生和外科医生展示了一种有前途的补充诊断方法。基于机器学习和深度学习的系统可以简化和简化从临床和基于图像的数据诊断疾病所涉及的步骤,从而提供重要的临床医生支持和工作流程优化。它们模仿人类认知,甚至能够诊断出人类智能无法诊断的疾病。本文重点介绍了机器学习和深度学习在16个医学专业中的应用,即牙科医学、血液学、外科学、心脏病学、肺病学、骨科学、放射学、肿瘤学、全科医学、精神病学、内分泌学、神经病学、皮肤病学、肝病学、肾病学、眼科学和药物发现。在本文中,随着调查,我们讨论了这些系统的医疗实践的进步,以及这些系统对医疗专业人员的影响。
2021-07-19 cs.AI cs.LG
From Robotic Process Automation to Intelligent Process Automation: Emerging Trends
IBM Research AI(IBM研究院人工智能)
在这项调查中,我们研究了机器智能的最新进展如何破坏业务流程的世界。在过去的十年中,在“机器人流程自动化”(RPA)的保护伞下,业务流程的自动化取得了稳步进展。然而,我们目前正处于这一演变的转折点,因为出现了一种称为“智能流程自动化”(IPA)的新范式,将机器学习(ML)和人工智能(AI)技术引入其中,以改善业务流程结果。本文的目的是对这一新兴主题进行调查,并确定人工智能和业务流程交叉点的关键开放研究挑战。我们希望这一新兴主题将在RPA论坛上引发引人入胜的对话。
2020-07-27 cs.AI
A Nascent Taxonomy of Machine Learning in Intelligent Robotic Process Automation
TU Dortmund University(多特蒙德工业大学)
本文通过文献综述提出智能RPA分类法,以RPA-ML集成与交互为元特征,涵盖八个维度,为机器学习增强RPA能力提供系统化框架。
2025-09-19 cs.AI cs.RO
Intermediate Deep Feature Compression: the Next Battlefield of Intelligent Sensing
Nanyang Technological University(南洋理工大学);City University of Hong Kong(香港城市大学);Peking University(北京大学)
近年来硬件技术的进步,使得前端配备深度学习的智能分析更加普及和实用。为了更好地实现前端的智能感知,我们建议将具有高泛化能力的中间层深度学习特征进行压缩表示和传达,而不是压缩和传输视觉信号或最终使用的顶层深度学习特征,以促进前端和云端之间的协作方法。该策略在部署深度神经网络进行大规模基于云的可视化分析时,能够在云服务器的计算负载、传输负载和泛化能力之间实现良好的平衡。此外,所提出的策略还使深度特征编码的标准化更具可行性和前景,因为一系列任务可以同时受益于传输的中间层。我们还介绍了四种基准数据压缩方法对无损深度特征压缩的评估结果,这为未来的研究和标准化活动提供了有意义的调查和基线。
2018-09-17 cs.AI cs.MM
Intelligent Resource Allocation Optimization for Cloud Computing via Machine Learning
Microsoft(微软公司);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出结合LSTM需求预测与DQN动态调度的智能云资源分配算法,在生产环境中显著提升资源利用率并降低响应时间与成本。
2025-03-21 cs.AI cs.DC cs.LG
A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning
Institute of Computer Science, Foundation for Research and Technology, Hellas(希腊研究与技术基金会计算机科学研究所);Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
物体感知是计算机视觉的一个基本子领域,涵盖了许多单独的领域,并贡献了高影响力的结果。虽然机器学习传统上已被应用于解决相关问题,最近的作品也寻求方法来整合知识工程,以扩大智能水平的视觉解释的对象,其属性和它们与环境的关系。在本文中,我们试图系统地调查如何基于知识的方法有助于不同的对象感知任务。我们回顾了最新的成就,并确定了突出的研究方向。
2020-03-17 cs.AI cs.CV cs.LG
Driving Intelligent IoT Monitoring and Control through Cloud Computing and Machine Learning
New York University(纽约大学);University of Texas at Arlington(德克萨斯大学阿灵顿分校);Duke University(杜克大学);San Diego State University(圣地亚哥州立大学)
本文研究如何利用云计算、边缘计算和机器学习推动智能物联网监控与控制,通过实际案例验证其在工业、农业和医疗等领域的应用效果。
2024-03-26 cs.AI cs.LG
Do Artificial Intelligence Systems Understand?
Universidad Pontificia de Comillas(科米利亚斯主教大学)
智能机器真的有智能吗?智能的基本哲学概念是否足以描述当前系统的工作方式?理解是智力的充分必要条件吗?如果一台机器能够理解,我们应该把主观性归因于它吗?本文讨论的问题,决定是否所谓的“智能机器”能够理解,而不仅仅是处理的迹象。它涉及句法和语义的关系。主要论点涉及语义的不可避免性的任何讨论的可能性建立有意识的机器,浓缩成以下两个原则:“如果一台机器能够理解(在强意义上),那么它必须能够结合规则和直觉”;“如果语义不能减少到syntaxis,那么机器不能理解。我们的结论指出,没有必要将理解归因于机器,以解释其表现出的“智能”行为;仅仅将智能作为任务解决工具的句法和机械方法就足以证明它在当前技术发展状态下可以显示的操作范围。
2022-07-22 cs.AI cs.LG
Decentralized Machine Learning for Intelligent Health Care Systems on the Computing Continuum
University of Klagenfurt(克拉根福大学);University of Innsbruck(因斯布鲁克大学)
电子个人健康记录(EHR)的引入使不同医疗保健系统之间的全国信息交换和管理成为可能。然而,当前的EHR系统不提供用于诊断支持、医学研究的透明手段,或者可以利用由个人医疗设备产生的无所不在的数据。此外,EHR系统是集中编排的,这可能导致单点故障。因此,在这篇文章中,我们探索了在分布式账本上分散机器学习的新方法,以创建智能EHR系统,该系统可以利用来自个人医疗设备的信息来改进知识提取。因此,我们提出并评估了一个概念性的EHR,以实现跨多个医疗机构的匿名预测分析。评估结果表明,分散的EHR可以部署在计算连续体上,减少机器学习时间高达60%,共识延迟低于8秒。
2022-10-03 cs.AI cs.DC cs.ET
When to (or not to) trust intelligent machines: Insights from an evolutionary game theory analysis of trust in repeated games
Teesside University(提赛德大学);Edinburgh Napier University(爱丁堡纳皮尔大学)
智能代理(如聊天机器人、推荐系统和虚拟助手)的操作通常对用户不完全透明。因此,使用这样的代理涉及用户将自己暴露于代理可能以与用户的目标相反的方式行动的风险。人们经常认为,信任是一种认知捷径,可以降低这种互动的复杂性。在这里,我们正式使用进化博弈论的方法来研究重复游戏中基于信任的策略的可行性。这些是互惠策略,只要观察到另一个参与者合作,它们就会合作。与经典的互惠策略不同,一旦观察到相互合作达到阈值数量的回合,他们就不再检查每一轮的合作者行为,而是只检查一定的概率。通过这样做,他们减少了验证他们的合作者的行为是否实际上是合作的机会成本。我们证明,这些信任为基础的战略可以胜过战略,总是有条件的,如针锋相对,当机会成本是不可忽略的。我们认为,这种成本很可能是更大的人和智能代理之间的互动,因为代理的透明度降低。因此,我们希望人们在与智能代理的交互中更频繁地使用基于信任的策略。我们的研究结果提供了新的,重要的见解,促进人类和智能代理之间的相互作用的机制的设计,其中信任是一个必不可少的因素。
2020-07-22 cs.AI cs.GT
Multi-Agent Target Assignment and Path Finding for Intelligent Warehouse: A Cooperative Multi-Agent Deep Reinforcement Learning Perspective
Harbin Institute of Technology Shenzhen(哈尔滨工业大学(深圳));School of Mechanical Engineering and Automation(机械工程与自动化学院);Tsinghua University(清华大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
针对智能仓库中目标分配与路径规划常被分开求解且忽略智能体物理动力学的问题,提出协作式多智能体深度RL方法同时建模并求解TAPF,在多种任务设置下实现合理分配、近最短路径及更高时间效率。
2024-10-27 cs.AI cs.MA
Machine Learning Towards Intelligent Systems: Applications, Challenges, and Opportunities
University of Sharjah(沙迦大学);University of Western Ontario(西安大略大学)
因特网和相关技术的出现和持续依赖,导致产生了可供分析的大量数据。然而,人类不具备理解如此大量数据的认知能力。机器学习(ML)为人类提供了一种处理大量数据的机制,获得有关数据行为的见解,并根据结果分析做出更明智的决策。ML在各个领域都有应用。本文重点介绍了一些领域和应用,如教育,医疗保健,网络安全,银行和金融以及社交媒体。在这些领域中,存在着多种独特的挑战。然而,ML可以为这些挑战提供解决方案,并创造进一步的研究机会。因此,这项工作调查了上述领域面临的一些挑战,并提出了一些以前的文学作品,解决了这些问题。此外,它还提出了几个研究机会,这些机会可以从使用ML来解决这些挑战中受益。
2021-01-11 cs.AI cs.LG
Research Directions in Democratizing Innovation through Design Automation, One-Click Manufacturing Services and Intelligent Machines
North Carolina State University(北卡罗来纳州立大学)
制造业的数字化为消费者定制适合其个性化需求的产品创造了机会,这反过来又会推动对制造服务的需求。然而,这种基于拉动的制造系统生产的产品数量极低,品种无限,实施起来很昂贵。由数据驱动的计算设计、制造即服务市场和数字化微型工厂驱动的设计自动化领域的新兴技术有望实现创新的民主化。在本文中,科学,技术和基础设施的挑战,如果解决,这些新兴技术对产品创新和未来的工厂组织的影响进行了讨论。
2019-09-23 cs.AI cs.CV cs.CY
Towards a copilot in BIM authoring tool using a large language model-based agent for intelligent human-machine interaction
Technical University of Munich(慕尼黑工业大学)
为降低BIM软件学习成本,提出基于LLM的自主智能体框架作为copilot,通过自然语言理解意图并调用工具自主执行建模任务,并在Vectorworks中验证了其规划与推理能力。
2024-06-02 cs.AI cs.CL cs.HC
A Perspective on Large Language Models, Intelligent Machines, and Knowledge Acquisition
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
该研究从哲学视角分析大语言模型的推理局限,通过GPT-4的多领域回答案例说明其能模仿推理但缺乏真正理解,对比人机知识基础的差异并探讨其对知识获取与教育的影响。
2024-08-13 cs.AI cs.CL
Traffic Management of Autonomous Vehicles using Policy Based Deep Reinforcement Learning and Intelligent Routing
Pakistan Institute of Engineering and Applied Sciences(巴基斯坦工程与应用科学学院);Carleton University(卡尔顿大学)
深度强化学习(DRL)使用多样化的非结构化数据,使RL能够在高维环境中学习复杂的策略。基于自主车辆的智能交通系统(ITS)为基于策略的日间行车提供了一个很好的平台。深度学习架构解决了传统算法的计算挑战,同时有助于AV的实际采用和部署。自动驾驶汽车实施的主要挑战之一是,如果不可靠和有效地管理,它可能会加剧道路上的交通拥堵。考虑每辆车的整体影响,使用高效可靠的技术,可以真正帮助优化交通流量管理和减少拥堵。为此,我们提出了一个智能交通控制系统,处理复杂的交通拥堵的情况下,在交叉口和交叉口后面。提出了一种基于日间行车灯的信号控制系统,该系统能够根据交叉口当前的拥堵状况动态调整交通信号。针对交叉口后道路的拥堵问题,采用重路由技术对路网中的车辆进行负载均衡。为了实现所提出的方法的实际好处,我们打破了数据孤岛,并结合使用来自传感器、探测器、车辆和道路的所有数据,以实现可持续的结果。我们使用SUMO微模拟器进行模拟。我们所提出的方法的意义体现在结果。
2022-06-28 cs.AI cs.LG
DRL-M4MR: An Intelligent Multicast Routing Approach Based on DQN Deep Reinforcement Learning in SDN
Guilin University of Electronic Technology(桂林电子科技大学);Fujian University of Technology(福建工程学院);Peng Cheng Lab.(鹏城实验室)
传统的组播路由方法在构建组播树时存在对网络状态信息获取受限、对网络动态复杂变化的适应性差、数据转发不灵活等问题。针对这些缺陷,将软件定义网络(SDN)中的最优组播路由问题裁剪为多目标优化问题,设计了一种基于深度Q网络(DQN)深度强化学习(DRL)方法的智能组播路由算法DRL-M4 MR,用于构建SDN中的组播树。首先,结合SDN的全局视图和全局控制,设计了DRL代理的状态空间:组播树状态矩阵、链路带宽矩阵、链路时延矩阵和链路丢包率矩阵。第二,代理的动作空间是网络中的所有链路,并在四种情况下设计了将链路添加到当前组播树的动作选择策略。第三,设计了单步和最终的奖励函数形式来指导智能决策以构造最优的组播树。实验结果表明,与现有算法相比,DRL-M4 MR构造的组播树在训练后能获得更好的带宽、时延和丢包率性能,并能在动态网络环境下做出更智能的组播路由决策。
2022-07-31 cs.AI cs.NI
Contextual Intelligent Decisions: Expert Moderation of Machine Outputs for Fair Assessment of Commercial Driving
The University of Nottingham(诺丁汉大学);University of St Andrews(圣安德鲁斯大学);Microlise
商业驾驶是一项复杂的多方面任务,受个人特质和外部环境因素(如天气,交通,道路状况等)的影响,以前的智能商业驾驶员评估系统在分析驾驶行为对道路安全的影响时没有考虑这些因素,可能会产生偏见,不准确和不公平的评估。在本文中,我们介绍了一种方法(以专家为中心的驾驶员评估)对驾驶员的行为进行更公平的自动道路安全评估,考虑到行为作为对环境因素的反应。智能决策过程中嵌入的上下文调节由专家输入支持,包括行业中的一系列相关利益相关者。在文献和专家意见的指导下,我们确定了影响驾驶的关键因素,并开发了一个区间值响应格式的问卷调查,以捕捉专家意见之间的因素和方差的影响的不确定性。问卷调查数据建模和分析使用模糊集,因为它们提供了一个合适的计算方法被纳入决策系统的不确定性。该方法使我们能够确定在调节驾驶员传感器数据时需要考虑的因素,并有效地捕捉专家对因素影响的意见。我们的方法使用重型货车专业人士输入的一个例子,以展示如何以专家为中心的适度可以嵌入到智能驾驶员评估系统。
2022-02-20 cs.AI cs.HC cs.LO
Deep Reinforcement Learning for Intelligent Reflecting Surface-assisted D2D Communications
Queen’s University Belfast(贝尔法斯特女王大学);Duy Tan University(阮攸大学);Memorial University(纪念大学)
在本文中,我们提出了一种深度强化学习(DRL)方法,用于解决智能反射面(IRS)支持的设备到设备(D2D)通信中网络总速率的优化问题。IRS被部署为减轻干扰并增强D2D发射机和相关联的D2D接收机之间的信号。我们的目标是联合优化D2D发射机的发射功率和IRS的相移矩阵,以最大化网络总速率。我们制定了一个马尔可夫决策过程,然后提出了解决最大化博弈的最接近的政策优化。仿真结果表明,令人印象深刻的性能方面的可实现的速率和处理时间。
2021-08-06 cs.AI cs.GT cs.LG
Machine Learning-Driven Intelligent Memory System Design: From On-Chip Caches to Storage
本文提出利用轻量级机器学习方法设计内存系统,通过三种ML引导的架构策略提升性能与效率,优于传统人工设计策略。
2026-03-15 cs.AI cs.AR cs.DC
AAAI 2022 Fall Symposium: Lessons Learned for Autonomous Assessment of Machine Abilities (LLAAMA)
现代民用和军用系统对能够在不确定的动态环境中运行的复杂智能自主机器产生了需求。这些系统的实现在很大程度上要归功于感知和决策技术的重大进步,而这些进步又被现代机器学习工具所推动。然而,这些新形式的智能自治提出了关于何时/如何沟通的操作意图和评估的实际与假定的能力的自主智能体影响整体性能的问题。本次研讨会探讨了使智能自主系统能够自我评估和交流其有效执行指定任务的能力的可能性,以及对其能力的总体限制进行推理并在这些限制内保持可操作性。研讨会汇集了在这一新兴研究领域工作的研究人员,分享经验教训,确定迄今为止遇到的主要理论和实践挑战,以及未来研究和现实应用的潜在途径。
2023-01-13 cs.AI cs.HC cs.LG
Genes in Intelligent Agents
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院)
本文提出遗传强化学习(GRL)框架,将机器“基因”定义为可跨代遗传的神经网络片段,使智能体获得祖先经验、本能和更强学习能力,推动机器智能向生物智能演进。
2023-10-27 cs.AI cs.LG cs.NE
A Machine Learning Based Intrusion Detection System for Software Defined 5G Network
College of Information Science & Electronic Engineering, Zhejiang University(浙江大学信息科学与电子工程学院)
作为未来5G网络的必然趋势,软件定义架构在提供集中控制和灵活资源管理方面具有诸多优势。但它也面临着各种安全挑战和新兴服务和技术的潜在威胁。入侵检测系统(IDS)作为网络安全的焦点,通常是分散部署,缺乏协作.它们也无法检测到智能能力有限的新型攻击,这难以满足软件定义的5G需求。本文提出了一种基于软件定义5G架构的智能入侵系统,该系统结合了软件定义技术和人工智能的先进技术。它灵活地将安全功能模块与全局视图相结合,在集中管理和控制下自适应地调用。它还可以通过使用机器学习算法来处理未知的入侵。评估结果表明,智能入侵检测系统达到了较好的性能。
2017-07-10 cs.AI cs.CR cs.NI
Enhancing Machine Learning Performance through Intelligent Data Quality Assessment: An Unsupervised Data-centric Framework
Karlstad University(卡尔斯塔德大学);Czech Technical University(捷克技术大学)
针对数据质量低下限制机器学习性能的问题,提出一个结合质量度量整合与无监督学习的智能数据中心评估框架,在分析化学真实用例中验证,能识别高质量数据特征、指导实验并提升ML系统性能。
2025-02-18 cs.AI cs.LG stat.ML
Intelligent Chemical Purification Technique Based on Machine Learning
School of Materials Science and Engineering, Peking University(北京大学材料科学与工程学院);College of Engineering, Peking University(北京大学工学院);Ningbo Institute of Digital Twin, Eastern Institute of Technology(东方理工大学宁波数字孪生研究院);School of Advanced Materials, Peking University Shenzhen Graduate School(北京大学深圳研究生院先进材料学院);AI for Science (AI4S)-Preferred Program, Peking University Shenzhen Graduate School(北京大学深圳研究生院AI for Science(AI4S)优选计划)
本研究将AI与柱色谱结合,搭建自动化数据采集平台,用机器学习及迁移学习构建分离参数预测模型,提出分离概率$S_p$指标并实验验证,提升化学纯化效率,为相关领域发展奠基。
2024-04-14 cs.AI cs.LG physics.chem-ph
Intelligent Offloading in Vehicular Edge Computing: A Comprehensive Review of Deep Reinforcement Learning Approaches and Architectures
Department of Electrical and Computer Engineering, University of Windsor(滑铁卢大学电气与计算机工程系)
本文综述了基于深度强化学习的车辆边缘计算卸载方法,分类比较了学习范式、系统架构和优化目标,并分析了马尔可夫决策过程的应用及未来研究方向。
2026-05-25 cs.AI cs.DC cs.LG