Visual Explanations From Deep 3D Convolutional Neural Networks for Alzheimer's Disease Classification
University of Florida(佛罗里达大学)
我们开发了三种有效的方法,用于从3D卷积神经网络(3D-CNN)中生成用于阿尔茨海默病分类的视觉解释。一种方法对分层3D图像分割进行敏感性分析,另两种方法在空间图上可视化网络激活。视觉检查和定量定位基准表明,所有方法都可以识别阿尔茨海默病诊断的重要大脑部位。对比分析表明,基于敏感性分析的方法难以处理松散分布的大脑皮层,基于激活可视化的方法受到卷积层分辨率的限制。这些方法的互补性从不同角度提高了对3D-CNN在阿尔茨海默病分类中的理解。
2018-07-06 cs.AI cs.CV cs.LG
Solving Constrained Stochastic Shortest Path Problems with Scalarisation
Saarland University(萨尔兰大学);Australian National University(澳大利亚国立大学)
针对约束随机最短路径问题(CSSPs),提出CARL算法,通过标量化构建无约束随机最短路径子问题,用启发式搜索求解并结合次梯度法优化标量化,生成最优策略,在现有基准上解决的问题数量比最先进方法多50%。
2025-08-24 cs.AI
GNN-CNN: An Efficient Hybrid Model of Convolutional and Graph Neural Networks for Text Representation
针对长文本处理效率问题,提出结合GNN和CNN并集成实时图生成机制的混合模型,利用LLMs信息提升性能,在多个文本分类任务中表现出高效与竞争力。
2025-07-10 cs.AI cs.CL
Hierarchical Constrained Stochastic Shortest Path Planning via Cost Budget Allocation
Massachusetts Institute of Technology(麻省理工学院)
随机序贯决策往往需要层次结构的问题,每个高层次的行动应进一步计划与原始状态和行动。此外,许多现实世界的应用程序需要一个计划,满足约束的二次成本,如风险措施或燃料消耗。在本文中,我们提出了一个分层约束随机最短路径问题(HC-SSP),满足这两个关键的要求,在一个单一的框架。虽然HC-SSP提供了一个有用的框架,在许多现实世界的应用程序中,这样的规划要求建模,由此产生的问题具有很高的复杂性,并使得它很难找到一个最佳的解决方案,快速,这阻止了用户将其应用到实时和风险敏感的应用程序。为了解决这个问题,我们提出了一个算法,迭代分配成本预算的基础上分支定界计划的低层次规划问题,找到一个可行的解决方案快速和增量更新现任解决方案。我们证明了所提出的算法在疏散的情况下,并证明了一个国家的最先进的数学规划为基础的方法的优势。
2022-05-11 cs.AI
A Fully Polynomial Time Approximation Scheme for Constrained MDPs and Stochastic Shortest Path under Local Transitions
Khalifa University(哈利法大学)
针对局部转移下即使视界为2仍NP难的约束MDP及CC-MDP/SSP变体,提出可计算近优确定性策略的完全多项式时间近似方案。
2023-04-18 cs.AI
Enhanced Methods for the Weight Constrained Shortest Path Problem
RMIT University(皇家墨尔本理工大学);Monash University(莫纳什大学);CSIRO Data61(澳大利亚联邦科学与工业研究组织 Data61)
针对权重约束最短路径问题,本文结合约束路径规划与双目标搜索前沿技术,提出两种基于A*搜索的新方法,可求解大规模图难题,在时空指标上优于现有最优算法,同时验证了无平局打破的桶式队列对穷举式A*双准则搜索的性能提升作用。
2023-06-30 cs.AI cs.DS
Multi-Agent Chance-Constrained Stochastic Shortest Path with Application to Risk-Aware Intelligent Intersection
Khalifa University(哈利法大学);University of Oxford(牛津大学);Massachusetts Institute of Technology(麻省理工学院)
在交通网络中,交通信号灯传统上用于车辆协调,交叉路口是天然的瓶颈。现有的自动交叉口的一个巨大挑战在于检测和推理的不确定性,从操作环境和人类驾驶的车辆。在本文中,我们提出了一个具有风险意识的智能交叉口系统的自动驾驶汽车(AV)以及人类驾驶的车辆(HV)。我们将该问题转换为一类新的多智能体机会约束随机最短路径(MCC-SSP)问题,并设计了一个精确的线性规划(ILP)公式,该公式在智能体的交互点(例如,交叉点处的潜在碰撞点)。特别是,当交互点内的代理数量很小时,这通常是在交叉口的情况下,ILP具有多项式数量的变量和约束。为了进一步提高运行时间的性能,我们表明,碰撞风险计算可以离线执行。另外,提供轨迹优化工作流程以生成针对任何给定交叉点的风险感知轨迹。该框架在CARLA仿真器中实现,并在一个完全自主的交叉口下进行评估,只有自动驾驶汽车,以及在一个混合设置与信号交叉口的HV和智能计划的自动驾驶汽车。通过仿真验证,该方法提高了交叉口的效率高达$200\%$,同时也符合指定的可调风险阈值。
2022-10-03 cs.AI
Logic-Constrained Shortest Paths for Flight Planning
Zuse Institute Berlin(柏林楚泽研究所);Lufthansa Systems GmbH(汉莎系统有限公司)
针对带交通流量限制的飞行规划场景,提出适配逻辑约束最短路径问题的分支定界算法,公开含2万条真实限制的数据集,验证合理配置算法组件可带来数量级性能提升。
2025-06-11 cs.AI cs.DM
SPAGAN: Shortest Path Graph Attention Network
Stevens Institute of Technology(斯蒂文斯理工学院);Zhejiang University(浙江大学);State University of New York at Buffalo(纽约州立大学布法罗分校);University of Sydney(悉尼大学)
图卷积网络(GCN)最近已经证明了它们在分析可以表示为图的非网格结构数据中的潜力。其核心思想是通过卷积将图的局部拓扑编码为中心节点的特征。在本文中,我们提出了一种新的GCN模型,我们称之为最短路径图注意力网络(SPAGAN)。与传统的GCN模型,进行基于节点的注意力在每一层内,建议SPAGAN进行基于路径的注意力,明确占的一系列节点产生的最小成本,或最短路径,中心节点和它的高阶邻居之间的影响。因此,与基于节点的GCN方法相比,SPAGAN允许对图结构进行更多信息和完整的探索,并且进一步{a}更有效地将来自远距离邻居的信息聚合到中心节点中。我们在几个标准数据集上测试了SPAGAN的下游分类任务,并实现了优于现有技术的性能。代码可在https://github.com/ihollywhy/SPAGAN上公开获得。
2021-01-10 cs.AI cs.LG
Grid-based angle-constrained path planning
Institute for Systems Analysis of Russian Academy of Sciences(俄罗斯科学院系统分析研究所)
正方形网格通常用于机器人和游戏开发中作为空间模型,并且在AI社区的启发式搜索算法(例如A*,JPS,Theta* 等)中众所周知。广泛用于网格上的路径规划。大量的研究集中在寻找最短的(在几何意义上)路径,而在许多应用中,寻找平滑的路径(而不是最短的,但包含急转弯)是更可取的。本文研究了光滑路径的生成问题,重点研究了角度约束的路径规划问题。将角度约束路径规划问题形式化,提出了一种新的求解算法-- LIAN算法。我们从理论和实证两个方面对LIAN进行了研究。我们证明它是健全的和完整的(在一定的限制下)。我们还表明,LIAN在解决城市户外导航场景中的众多路径规划任务时优于类似物。
2015-08-25 cs.AI
SciNets: Graph-Constrained Multi-Hop Reasoning for Scientific Literature Synthesis
Jaypee Institute of Information Technology(杰伊佩 Institute 信息科技学院)
SciNets通过图约束多跳推理实现科学文献综合,通过多跳路径连接罕见共现的概念,提升机制解释的稳定性和多样性。
2025-12-28 cs.AI cs.CL cs.IR
Convolutional Experts Constrained Local Model for Facial Landmark Detection
Carnegie Mellon University(卡内基梅隆大学)
约束局部模型(CLM)是一个完善的家庭的方法,面部标志检测。然而,他们最近已经失宠级联回归为基础的方法。这部分是由于现有的CLM本地检测器无法对受表情、照明、面部毛发、化妆和配饰影响的非常复杂的个体地标外观进行建模。在我们的工作中,我们提出了一种新的本地检测器-卷积专家网络(CEN)-它汇集了神经架构和专家混合在一个端到端的框架的优势。我们进一步提出了一个卷积专家约束局部模型(CE-CLM)算法,使用CEN作为本地检测器。我们证明了我们提出的CE-CLM算法在四个公开数据集上的面部标志检测性能优于竞争对手的最先进基线。我们的方法在具有挑战性的轮廓图像上特别准确和强大。
2017-07-26 cs.AI cs.CV
S-Path-RAG: Semantic-Aware Shortest-Path Retrieval Augmented Generation for Multi-Hop Knowledge Graph Question Answering
University of Macau(澳门大学);Xiamen University(厦门大学);Peking University(北京大学);Hanyang University(翰阳大学);University of Liverpool(利物浦大学);Zhejiang University(浙江大学)
S-Path-RAG通过混合加权k最短路径、束搜索和约束随机游走策略,实现语义感知的多跳知识图谱问答,提升检索效率与生成准确性。
2026-03-05 cs.AI cs.CL cs.IR
Multi-dimensional Parametric Mincuts for Constrained MAP Inference
Korea Advanced Institute of Science and Technology(韩国高等科学技术院);Microsoft Research Cambridge(微软研究院剑桥实验室)
在本文中,我们提出了新的算法推断的最大后验概率(MAP)解的离散成对随机场模型下的多个约束。我们展示了如何约束离散优化问题可以制定为一个多维参数mincut问题,通过其拉格朗日对偶,并证明我们的算法隔离的所有约束的情况下,该问题可以得到准确的解决。这些多个解决方案使我们甚至能够处理"软约束"(高阶罚函数)。此外,我们提出了两个实用的变种,我们的算法来解决问题的硬约束。我们还展示了我们的方法可以应用于解决各种约束离散优化问题,如子模块最小化和最短路径计算。使用前景-背景图像分割问题与统计约束的实验评估表明,我们的方法是更快,其结果是更接近地面真理标记相比,流行的连续松弛为基础的方法。
2013-07-30 cs.AI cs.LG
Resource Constrained Pathfinding with Enhanced Bidirectional A* Search
RMIT University(皇家墨尔本理工大学);University of Auckland(奥克兰大学);Monash University(莫纳什大学)
针对资源受限最短路径(RCSP)问题,提出基于双向A*搜索的增强约束搜索框架,通过高效剪枝策略加速大规模网络搜索,较现有最优方法搜索时间显著减少,速度提升达两个数量级以上。
2024-12-18 cs.AI
Customizable and Jointly Optimized Route Planning: A Deep Architecture Enabling Differentiable Shortest-Path Search
Alibaba Group(阿里巴巴集团)
针对现有路线规划方法无法兼顾用户偏好和最优性的问题,提出一种联合优化成本函数与路线排序的深度架构,实现可微最短路径搜索,在真实数据集上显著提升路线质量与可定制性。
2026-09-18 cs.AI
Resource Constrained Pathfinding with A* and Negative Weights
School of Engineering, RMIT University(工程学院,皇家墨尔本理工大学);Department of Engineering Science, University of Auckland(工程科学系,奥克兰大学)
针对资源约束最短路径问题(RCSP),该研究提出基于A*的新型资源约束搜索框架,可处理含负成本、负资源的大型网络RCSP,性能较现有最优算法最高提升两个数量级。
2025-03-14 cs.AI
Probing Equivariance and Symmetry Breaking in Convolutional Networks
University of Amsterdam(阿姆斯特丹大学);New Theory AI;UC, Berkeley(加州大学伯克利分校)
本文通过理论分析与实证研究,引入统一的群卷积架构Rapidash,探究了等变性与对称性破缺在卷积网络中的权衡,发现与任务几何对齐的等变模型及显式对称性破缺能显著提升性能,为模型选择提供了更细致的依据。
2025-06-02 cs.AI cs.CV cs.LG
Robust Stochastic Shortest-Path Planning via Risk-Sensitive Incremental Sampling
University of Maryland(马里兰大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对现有随机最短路径增量采样方法保守、未考虑尾部风险的问题,提出结合CVaR的风险敏感RRT*算法,在保证复杂度相近的同时提升路径鲁棒性、降低故障率。
2024-08-16 cs.AI cs.RO cs.SY
WiSM: Windowing Surrogate Model for Evaluation of Curvature-Constrained Tours with Dubins vehicle
Czech Technical University(捷克技术大学)
Dubins tours表示Dubins旅行商问题(DTSP)的解决方案,DTSP是优化路由问题的变体,以确定访问一组位置的曲率约束最短路径,使得该路径对于Dubins车辆是可行的,其仅向前移动并且具有有限的转弯半径。DTSP将NP难组合优化与位置处的航向角的连续优化相结合,以确定对位置的最优访问序列,如在常规TSP中那样,其中最优航向值取决于访问序列,反之亦然。我们解决了计算上具有挑战性的DTSP的访问序列的快速评估建议的窗口代理模型(WiSM),估计的最佳Dubins路径连接的Dubins旅游的位置序列的长度。估计是加快了回归模型训练使用接近最佳的解决方案的小Dubins旅游,一般化的大规模的实例的解决DTSP利用滑动窗口技术和缓存已经计算的结果。报告的结果支持,建议WiSM使一个相对简单的进化算法的DTSP的高质量的解决方案的快速收敛。我们表明,随着位置数量的增加,我们的算法的规模显着优于其他国家的最先进的DTSP求解器。
2020-02-03 cs.AI cs.NE cs.RO
Practical Fixed-Parameter Algorithms for Defending Active Directory Style Attack Graphs
University of Adelaide(阿德莱德大学)
Active Directory是Windows域网络的默认安全管理系统。我们研究了防御活动目录式攻击图的最短路径边阻断问题。该问题被公式化为一个防御者和一个攻击者之间的Stackelberg博弈。攻击图包含一个目的节点和多个入口节点。攻击者的入口节点是自然选择的。防守者选择阻挡一组受预算限制的边。然后攻击者选择最短的无阻塞攻击路径,防御者的目标是最大化攻击者的期望最短路径长度,其中期望是在入口节点上实现的。我们观察到,实际的Active Directory攻击图有小的最大攻击路径长度,在结构上接近树。我们首先表明,即使最大攻击路径长度是一个常数,问题仍然是$W[1]$ -硬相对于防御者的预算。具有较小的最大攻击路径长度和较小的预算不足以设计固定参数算法。如果我们进一步假设入口节点的数量是小的,那么我们得到一个固定参数的易处理的算法。然后,我们提出了其他两个固定参数的算法,利用树状特征。一种是基于树分解,需要一个小的树的宽度。另一个假设有少量的分裂节点(具有多个向外边的节点)。最后,最后一个算法被转换成一个基于图卷积神经网络的启发式算法,该算法可以扩展到具有更多分裂节点的更大的图。
2021-12-25 cs.AI cs.DS cs.GT