Topology-Aware Knowledge Propagation in Decentralized Learning
University of Chicago(芝加哥大学);Argonne National Laboratory(阿贡国家实验室)
本文研究去中心化学习中 OOD 知识受拓扑影响而传播不足的问题,提出拓扑感知聚合策略,使各模型 OOD 准确率较基线平均提升123%。
2025-05-16 cs.AI cs.DC cs.LG
Topology-Aware Revival for Efficient Sparse Training
TAR通过拓扑感知的后剪枝方法提升静态稀疏训练的效率和鲁棒性,实验证明其在连续控制任务中表现优于传统方法。
2026-02-04 cs.AI cs.LG
Clustering-based Source-aware Assessment of True Robustness for Learning Models
University of South Florida(南佛罗里达大学)
我们引入了一个新的验证框架,通过聚类在数据集中创建包含源和排除源的分区来测量真实应用程序的学习模型的真实鲁棒性。我们开发了一个鲁棒性度量来源于源感知的模型精度的下限和上限,即使数据源标签不容易获得。我们清楚地表明,即使在像MNIST这样经过充分探索的数据集上,也可以在所提出的评估框架下为两个独立但同样重要的应用构建具有挑战性的训练场景:i)更严格的学习模型比较和ii)数据集充分性评估。此外,我们的研究结果不仅承诺更完整地识别模型复杂性,准确性和鲁棒性之间的权衡,而且还可以帮助研究人员通过识别不太鲁棒和更具挑战性的类别标签来优化他们在数据汇集中的努力。
2017-04-01 cs.LG
Group-aware Contrastive Regression for Action Quality Assessment
Tsinghua University(清华大学);State Key Lab of Intelligent Technologies and Systems(智能技术与系统国家重点实验室);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心)
由于视频之间的细微差异和分数的巨大变化,评估动作质量具有挑战性。大多数现有的方法通过从单个视频回归质量分数来解决这个问题,受到大的视频间分数变化的影响。在本文中,我们证明了视频之间的关系可以为训练和推理过程中更准确的动作质量评估提供重要线索。具体地,我们将动作质量评估的问题重新表述为参考具有共享属性的另一视频(例如,类别和难度),而不是学习未引用的分数。根据这一公式,我们提出了一个新的对比回归(Core)框架,通过成对比较来学习相对分数,突出了视频之间的差异,并指导模型学习评估的关键提示。为了进一步利用两个视频之间的相关信息,我们设计了一个组感知回归树,将传统的分数回归转换为两个更容易的子问题:粗到细分类和小区间回归。为了证明CoRe的有效性,我们在三个主流的AQA数据集上进行了广泛的实验,包括AQA-7,MTL-AQA和JIGSAWS。我们的方法远远优于以前的方法,并在所有三个基准上建立了新的最先进的方法。
2021-08-17 cs.AI cs.CV cs.LG
Pitfalls of topology-aware image segmentation
Chair for AI in Healthcare and Medicine, Technical University of Munich (TUM)(慕尼黑工业大学医疗保健与医学人工智能教席);TUM University Hospital(慕尼黑工业大学医院);School of Computation, Information and Technology, TUM(慕尼黑工业大学计算、信息与技术学院);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);Department of Computing, Imperial College London(伦敦帝国理工学院计算机系);Weill Cornell Medicine, Cornell University(康奈尔大学威尔医学院)
本文指出了拓扑感知医学图像分割在模型评估中存在的连通性选择、标注伪影和指标误用等陷阱,并通过实证分析揭示其影响,提出了建立公平稳健评估标准的建议。
2024-12-19 cs.AI cs.CV cs.LG
Topology-aware Robust Optimization for Out-of-distribution Generalization
University of Delaware(特拉华大学)
本文提出拓扑感知鲁棒优化(TRO),通过拓扑学习揭示分布拓扑并约束鲁棒优化,在分类、回归和语义分割等任务中显著提升分布外泛化性能。
2023-07-26 cs.LG
TrajDLM: Topology-Aware Block Diffusion Language Model for Trajectory Generation
University of New South Wales(新南威尔士大学);Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
TrajDLM结合块扩散模型与拓扑感知嵌入,实现高效且真实的轨迹生成,优于现有方法,在速度和细粒度相似性上表现优异,并在跨领域迁移中表现出色。
2026-11-03 cs.LG
Multi-scale Frequency-Aware Adversarial Network for Parkinson's Disease Assessment Using Wearable Sensors
National Pilot School of Software Yunnan University(云南大学软件试点学校);School of Computer Science University of Sheffield(计算机科学学院谢菲尔德大学);Department of Computing Xi'an JiaoTong-Liverpool University(计算学院西安交通大学-利物浦大学)
提出多尺度频率感知对抗多实例网络(MFAM),通过医学先验知识引导的频率分解模块和基于注意力的MIL框架,解决PD症状时间稀疏性导致的特征稀释问题,在二分类和四分类评估中优于通用模型。
2025-10-12 cs.LG
Topology-Aware Activation Functions in Neural Networks
University of Texas Rio Grande Valley - School of Mathematical and Statistical Sciences(德克萨斯大学里奥格兰德谷大学-数学与统计科学学院)
本文提出拓扑感知激活函数 SmoothSplit 和 ParametricSplit,通过引入拓扑切割能力提升神经网络在低维层中的流形变换与性能。
2025-07-17 cs.LG cs.NE
MARS: A Momentum-Aware Adaptive Rating System for Personalized Assessment
Indian Institute of Technology Bhilai(印度理工学院比莱分校)
本文提出MARS动量感知自适应评分系统,将题库表示为有向加权知识图谱,结合动态评分敏感度等更新学习者熟练度,在ASSISTments 2009等数据集上验证其评分更平滑、总分更高且超时违规更少,适用于可解释自适应评估。
2026-10-16 cs.CY cs.LG
TopoLoRA-SAM: Topology-Aware Parameter-Efficient Adaptation of Foundation Segmenters for Thin-Structure and Cross-Domain Binary Semantic Segmentation
Talan Research \& Innovation Center, Paris, France
TopoLoRA-SAM通过拓扑感知的参数高效方法,在细长结构和跨域二分类语义分割中实现最佳性能。
2026-01-05 cs.AI cs.CV cs.LG
Activity-Aware Deep Cognitive Fatigue Assessment using Wearables
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
自COVID-19成为全球大流行以来,认知疲劳一直是工人的常见问题,并已成为日益严重的全球问题。虽然现有的多模态可穿戴传感器辅助自动认知疲劳监测工具专注于对特定人群(如游戏玩家,运动员,建筑工人)进行物理和生理传感器(ECG,PPG,Activography)分析,但由于其对不同人的生理反应不同,活动意识至关重要。在本文中,我们提出了一个新的框架,活动感知循环神经网络(\emph{AcRoNN}),可以推广个人活动识别和提高认知疲劳估计显着。我们使用来自5个人的一个实时收集的数据集和来自27个人的另一个公开可用的数据集来评估和比较我们提出的方法与最先进的方法。19%的改善。
2021-05-05 cs.LG cs.MM eess.SP
ARCS: Autoregressive Circuit Synthesis with Topology-Aware Graph Attention and Spec Conditioning
New York University(纽约大学)
ARCS通过结合图变分自编码器和流匹配模型,实现快速生成高精度模拟电路,其在拓扑和组件值上达到99.9%的模拟有效性,效率比传统方法提升40倍。
2026-04-19 cs.AR cs.LG
Multi-vessel Interaction-Aware Trajectory Prediction and Collision Risk Assessment
Faculty of Computer Science, Dalhousie University, Halifax, Canada(计算机科学学院,达尔豪斯大学,加拿大哈利法克斯);Computer Science Department, University of São Paulo, São Carlos, Brazil(计算机科学系,圣保罗大学,巴西萨昂卡尔)
本文提出基于 transformer 的多 vessel 轨迹预测框架,结合碰撞风险分析,提升海上态势感知与安全决策
2025-09-01 cs.AI cs.LG cs.RO
TMTE: Effective Multimodal Graph Learning with Task-aware Modality and Topology Co-evolution
Sun Yat-sen University(中山大学);Beijing Institute of Technology(北京理工大学)
本文提出TMTE框架,通过任务感知的模态与拓扑共进化方法,解决多模态图学习中图拓扑质量不足的问题,实现多视角度量学习与跨模态对齐,提升下游任务性能。
2026-08-10 cs.LG
CCATMos: Convolutional Context-aware Transformer Network for Non-intrusive Speech Quality Assessment
Bose Corporation(博士公司);Indiana University(印第安纳大学)
语音质量评估已经成为许多语音通信相关应用(如电话和在线会议)的关键组成部分。传统的侵入式语音质量评估需要退化话语的干净参考来提供准确的质量测量。这一要求限制了这些方法在真实场景中的可用性。另一方面,非侵入式主观测量是评估语音质量的“金标准”,因为人类听众可以轻松地从本质上评估任何降级语音的质量。在本文中,我们提出了一种新的端到端的模型结构,称为卷积上下文感知Transformer(CCAT)网络来预测人类评分员的平均意见得分(MOS)。我们在跨越多种语言和失真类型的三个MOS注释数据集上评估了我们的模型,并将结果提交给ConferencingSpeech 2022挑战赛。我们的实验表明,CCAT提供了有前途的MOS预测相比,目前最先进的非侵入性语音评估模型的平均皮尔逊相关系数(PCC)从0.530增加到0.697和平均RMSE从0.768下降到0.570相比,挑战评估测试集的基线模型。
2022-11-04 cs.LG cs.SD eess.AS
Resource-Aware Network Topology Management Framework
Foundation University(费登大学);Ton Duc Thang University(同塔大学);Wuhan University(武汉大学);Wuhan University of Technology(武汉理工大学);Palestine Technical University(巴勒斯坦技术大学);Oxford Brookes University(牛津布鲁克斯大学);Obuda University(欧布达大学);Bauhaus University Weimar(魏玛包豪斯大学)
云基础设施提供计算服务,其中可以按需调整计算资源。然而,云基础设施的采用带来了对服务提供商网络的依赖、可靠性、服务水平协议的合规性等问题。软件定义网络(SDN)是建议网络数据平面与控制平面分离的网络概念。这个概念改善了网络行为。在本文中,我们提出了一个支持SDN的资源感知拓扑框架。该框架采用SLA兼容性,路径计算元素(PCE)和共享公平负载,以实现更好的拓扑功能。我们还提出了一个评估,展示了我们的框架的潜力。
2020-02-26 cs.LG cs.NI
Distilling and Adapting: A Topology-Aware Framework for Zero-Shot Interaction Prediction in Multiplex Biological Networks
Department of Computer Science, Western University(计算机科学系,西部大学);Department of Biochemistry, Western University(生物化学系,西部大学)
本文提出了一种拓扑感知的框架,通过上下文感知表示学习和知识蒸馏,提升多重生物网络中零样本交互预测的性能。
2026-02-20 cs.AI cs.LG q-bio.QM
Persona-aware and Explainable Bikeability Assessment: A Vision-Language Model Approach
University of Alabama(阿拉巴马大学);University of Maryland, College Park(马里兰大学学院公园分校);Stony Brook University(石溪大学);University of Florida(佛罗里达大学);Johns Hopkins University(约翰霍普金斯大学)
本文提出一种视觉-语言模型框架,通过人格意识和可解释性方法评估自行车适应性,解决道路环境复杂性和用户感知异质性问题。
2026-01-07 cs.CL cs.CV cs.HC
RAIR: A Rule-Aware Benchmark Uniting Challenging Long-Tail and Visual Salience Subset for E-commerce Relevance Assessment
Taobao \& Tmall Group of Alibaba Beijing China;Taobao \& Tmall Group of Alibaba
RAIR提出了一种融合长尾和视觉显著子集的规则感知基准,用于评估电商相关性,通过标准化框架和多子集数据提升模型评估的全面性与挑战性。
2026-02-23 cs.AI cs.CL cs.IR
FedTAD: Topology-aware Data-free Knowledge Distillation for Subgraph Federated Learning
Sun Yat-sen University(中山大学);Beijing Institute of Technology(北京理工大学)
针对子图联邦学习中子图异质性导致全局图神经网络性能受损的问题,提出拓扑感知无数据知识蒸馏技术FedTAD,通过解耦节点与拓扑变化增强可靠知识转移,在六个数据集上优于基线方法。
2024-04-25 cs.AI cs.DB cs.LG
Just Read the Question: Enabling Generalization to New Assessment Items with Text Awareness
Carleton College(卡罗尔顿学院)
本研究扩展LENS部分变分自编码器开发了Text-LENS,利用项目文本嵌入提升机器学习在教育评估中对未见项目的泛化能力,实验证明其在未见项目上表现优于LENS。
2025-07-10 cs.LG
Topology-aware Graph Neural Networks for Learning Feasible and Adaptive ac-OPF Solutions
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
最优潮流问题的求解是保证电网实时运行的有效性和可靠性的基础性工作。提出了一种新的拓扑信息图神经网络(GNN)方法,用于预测实时交流最优潮流问题的最优解。为了将电网拓扑结构的NN模型,建议GNN-for-OPF框架创新地利用位置边际价格和电压幅度的局部属性。此外,我们开发了一个物理感知(交流)流可行性正则化方法一般OPF学习。我们提出的设计的优点包括降低模型的复杂性,提高了泛化能力和可行性保证。通过对网格拓扑偶然性下图子空间稳定性的分析理解,我们表明所提出的GNN可以通过有效的再训练策略快速适应变化的网格拓扑。在不同规模的测试系统上进行的数值测试验证了我们提出的基于GNN的学习框架的预测精度、改进的流可行性和拓扑自适应能力。
2022-11-01 cs.LG cs.SY eess.SP
Confidence-Filtered Relevance (CFR): An Interpretable and Uncertainty-Aware Machine Learning Framework for Naturalness Assessment in Satellite Imagery
University of Bonn(波恩大学);Forschungszentrum Jülich(尤利希研究中心)
本文提出置信度过滤相关性(CFR)框架,结合LRP注意力展开与深度确定性不确定性估计,系统分析模型不确定性对卫星影像自然度评估可解释性的影响,并在AnthroProtect数据集上验证了其有效性。
2025-07-17 cs.LG
Topology-aware Differential Privacy for Decentralized Image Classification
Chongqing University(重庆大学);Nanyang Technological University(南洋理工大学)
在本文中,我们设计了Top-DP,一种新的解决方案,以优化分散的图像分类系统的差分隐私保护。我们的解决方案的关键见解是利用分散式通信拓扑的独特功能来降低噪声规模并提高模型可用性。(1)我们增强了DP-SGD算法与这种拓扑意识的降噪策略,并集成了时间意识的噪声衰减技术。(2)我们设计了两个新的学习协议(同步和异步),以保护不同的网络连接和拓扑结构的系统。我们正式分析和证明我们提出的解决方案的DP要求。实验评估表明,我们的解决方案实现了更好的可用性和隐私之间的权衡比以前的作品。据我们所知,这是第一次从网络拓扑的角度进行DP优化工作。
2021-09-02 cs.CR cs.LG
HTNet: Human Topology Aware Network for 3D Human Pose Estimation
Key Laboratory of Machine Perception, Shenzhen Graduate School, Peking University(北京大学深圳研究生院机器感知重点实验室)
三维人体位姿估计误差会沿着人体拓扑结构传播,并在肢体末端关节处积累。受自动控制系统中回溯机制的启发,设计了一个以父结点为参照的零件内约束模块,在零件级建立端部连接的拓扑约束。进一步考虑人体拓扑结构的层次性,分别通过图卷积网络和自注意力捕获关节级和身体级依赖性。基于这些设计,我们提出了一种新的人类拓扑感知网络(HTNet),它采用了通道分裂渐进策略,顺序学习的结构先验的人类拓扑结构从多个语义层次:关节,部分,和身体。大量实验表明,该方法提高了18.7%的四肢末端关节的估计精度,并在Human3.6M和MPI-INF-3DHP数据集上取得了最先进的结果。代码可在https://github.com/vefalun/HTNet上获得。
2023-02-20 cs.CV cs.HC cs.LG
Topology-Aware Graph Pooling Networks
Iowa State University(爱荷华州立大学);Texas A&M University(得克萨斯农工大学)
池化操作已被证明对计算机视觉和自然语言处理任务有效。在图数据上执行池化操作的一个挑战是缺乏在图上没有良好定义的局部性。以前的研究使用全局排序方法对一些重要节点进行采样,但大多数都不能结合图的拓扑结构。在这项工作中,我们提出了拓扑感知池(TAP)层,明确考虑图形拓扑。我们的TAP层是一个两阶段的投票过程,选择图中更重要的节点。它首先执行本地投票,通过让每个节点参加其相邻节点来为每个节点生成分数。分数在本地生成,使得拓扑信息被明确地考虑。此外,图的拓扑结构被纳入到全局投票中,以计算整个图中每个节点的全局重要性得分。总而言之,每个节点的最终排名得分是通过结合其本地和全局投票得分来计算的。为了鼓励更好的图形连接的采样图,我们建议添加一个图形连接项的排名分数的计算。图分类任务的结果表明,我们的方法比以前的方法实现了更好的性能。
2020-10-19 cs.LG cs.SI
Enhancing anomaly detection with topology-aware autoencoders
Durham University(杜伦大学);University of Warsaw(华沙大学)
提出将自编码器潜在空间设计为反映能量-动量守恒的球面、乘积和射影流形,并在强子顶夸克衰变模拟中证明其可提升异常事件检测的灵敏度与鲁棒性。
2025-02-14 cs.LG hep-ex hep-ph
Topology-Aware Graph Reinforcement Learning for Dynamic Routing in Cloud Networks
Carnegie Mellon University(卡内基梅隆大学);Northeastern University(东北大学);Northwestern University(西北大学);New York University(纽约大学)
针对云网络动态路由优化中拓扑感知不足、决策不稳定的问题,提出融合SASE模块与PAGU机制的拓扑感知图强化学习方法,在GEANT数据集上多项指标优于现有模型,实现高效鲁棒的动态路由。
2025-09-05 cs.LG
COBRA: Context-aware Bernoulli Neural Networks for Reputation Assessment
Nanyang Technological University(南洋理工大学);Missouri University of Science and Technology(密苏里科技大学)
信任和声誉管理(TRM)在多代理系统(MAS)和物联网(IoT)等大规模在线环境中发挥着越来越重要的作用。TRM的一个主要目标是实现对代理或物联网服务提供商等实体的准确信任评估。然而,这遇到了一个准确性,隐私的困境,我们在本文中确定,我们提出了一个框架,称为上下文感知伯努利神经网络的信誉评估(COBRA),以解决这一挑战。COBRA将代理交互或事务封装在机器学习模型中,这些交互或事务易于隐私泄漏,并且使用伯努利神经网络来聚合多个这样的模型以预测代理的信任得分。COBRA通过机器学习模型保护代理隐私并保留交互上下文,并实现比完全连接的神经网络更准确的信任预测。COBRA还可以抵御注入虚假机器学习模型的代理的安全攻击;值得注意的是,它可以抵抗51%的攻击。COBRA的性能通过我们使用真实数据集的实验进行了验证,并且通过我们的模拟,我们还表明COBRA优于其他最先进的TRM系统。
2020-01-06 cs.LG cs.MA
FedRings: A Scalable and Topology-Aware Federated Learning Framework for LEO Satellite Constellations
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
针对低轨卫星网络联邦学习的动态拓扑与通信限制,提出FedRings环形去中心化框架,通过感知链路的路由调度、自适应聚合及历史补偿实现高效稳定学习,性能优于现有方法。
2026-08-05 cs.DC cs.LG
DA-SegFormer: Damage-Aware Semantic Segmentation for Fine-Grained Disaster Assessment
Bina Labs, Lehigh University(Bina实验室,莱斯大学)
本文提出DA-SegFormer,通过类感知采样和动态聚焦技术提升UAV影像中细粒度灾害评估的准确性,实现74.61%的mIoU,关键类别提升显著。
2026-05-11 cs.CV cs.LG
Graph neural networks for power grid operational risk assessment under evolving grid topology
Vanderbilt University(范德堡大学)
该研究提出用图神经网络在无未来电网拓扑与调度明确信息的情况下预测电网关注量,开展提前数小时的风险评估,验证了其精度与效率优势,可提升电网态势感知能力。
2024-05-12 cs.LG cs.SY eess.SY
Expediting Distributed DNN Training with Device Topology-Aware Graph Deployment
本文介绍了TAG,这是一个自动系统,用于导出优化的DNN训练图及其部署到任何设备拓扑结构上,以加快设备和拓扑异构ML集群的训练。我们新颖地将DNN计算图和设备拓扑图作为输入组合到图神经网络(GNN)中,并将GNN与基于搜索的方法相结合,以快速识别优化的分布式训练策略。为了减少异构集群中的通信,我们进一步探索了无损梯度压缩技术,并解决了一个组合优化问题,以自动应用该技术的训练时间最小化。我们使用各种具有代表性的DNN模型和设备拓扑来评估TAG,结果表明,与现有方案相比,它可以实现高达4.56倍的训练速度。TAG可以为看不见的DNN模型和看不见的设备拓扑生成有效的部署策略,而无需进行大量的微调。
2023-02-13 cs.DC cs.LG
Beyond the Federation: Topology-aware Federated Learning for Generalization to Unseen Clients
University of Delaware(特拉华大学)
针对联邦学习在未知客户端上泛化差且难以扩展的问题,提出利用隐私保护客户端拓扑的 TFL 框架,并验证其 OOF 鲁棒性与可扩展性。
2024-07-06 cs.DC cs.LG
Cross-View Topology-Aware Graph Representation Learning
Dept. of Mathematics, Georgia Institute of Technology, Atlanta, GA, USA Dept. of Computer Science \& Engineering, Texas A \& M University, College Station, TX, USA Dept. of Mathematical Sciences, The University of Texas at Dallas, Richardson, TX, USA
GraphTCL通过整合结构嵌入与拓扑嵌入,利用跨视图对比学习提升图表示学习的鲁棒性和分类性能。
2025-12-01 cs.LG
Adaptive Sampling for Automated Post-Disaster Rapid Damage Assessment via Level-Set Cost-Aware Bayesian Optimization
School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院);University of Florida(佛罗里达大学);Stevens Institute of Technology(史蒂文斯理工学院)
针对灾后损伤评估的传统方法成本高且难以适应动态条件,本研究提出结合水平集估计的成本感知贝叶斯优化框架,引导自主数据采集器流向高信息区域,经模拟和R2D数据验证可高效评估损伤以支持应急响应。
2026-08-05 cs.LG
Topology-Aware Gaussian Graph Repair for Robust Graph Neural Networks
Computing Science/Financial Computing and Data Analytics Group, Tampere University(计算科学/金融计算与数据分析组,塔尔皮奥大学)
提出拓扑感知高斯修复(TAGR)框架,通过自适应高斯核构建稀疏特征邻域图并结合拓扑感知残差校正,在不改变网络架构的情况下提升图神经网络在噪声边和缺失边场景下的鲁棒性。
2026-06-02 cs.LG cs.SI
Stabilizing Decentralized Federated Fine-Tuning via Topology-Aware Alternating LoRA
Department of Electrical and Computer Engineering, New York University, Brooklyn, NY, USA(电气与计算机工程系,纽约大学,布鲁克林,纽约,美国)
TAD-LoRA通过拓扑感知的交替LoRA方法,在去中心化联邦学习中稳定参数高效微调,提升不同通信拓扑下的性能。
2026-01-31 cs.DC cs.LG
TAGTorch: A PyTorch Library for Geometry, Topology, and Symmetry-Aware Machine Learning
Pacific Northwest National Laboratory(西北太平洋国家实验室);University of Texas at El Paso(德克萨斯大学埃尔帕索分校);University of Washington(华盛顿大学)
针对几何拓扑对称感知机器学习软件生态碎片化问题,推出基于PyTorch的开源库TAGTorch,统一相关工具并阐述其设计架构与未来开发重点。
2026-08-03 cs.LG
Topology-aware Federated Learning in Edge Computing: A Comprehensive Survey
University of Calgary(卡尔加里大学);Michigan State University(密歇根州立大学)
本文系统综述了边缘计算中拓扑感知的联邦学习方法,分析了星形拓扑的局限及其他边缘网络拓扑的优劣,并总结了该领域面临的挑战与未来研究方向。
2024-06-17 cs.DC cs.LG
PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids
Stanford University(斯坦福大学)
本文提出PowerGNN,一种结合GraphSAGE与GRU的拓扑感知图神经网络框架,通过将电网母线和线路建模为图结构,在NREL 118系统上实现了优于基线方法的时空状态预测,为高可再生能源并网下的电网运行提供可扩展且鲁棒的预测方案。
2025-03-26 cs.LG cs.SY eess.SY
Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders
提出拓扑感知图增强框架,通过保留枢纽节点和重要边来增强脑网络,提升神经认知障碍临床轨迹预测的泛化能力。
2024-10-31 cs.CV cs.LG eess.IV
On the Need for Topology-Aware Generative Models for Manifold-Based Defenses
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);SRI International(斯坦福国际研究院);XaiPient(赛派恩特)
机器学习(ML)算法或模型,特别是深度神经网络(DNN),在几个领域显示出了巨大的前景。然而,研究人员最近证明,ML算法,特别是DNN,容易受到对抗性样本(导致错误分类的轻微扰动样本)的影响。对抗性示例的存在阻碍了ML算法在安全关键领域(如安全)的部署。在文献中有几种对抗性例子的辩护。其中一类重要的防御是基于流形的防御,其中样本在分类之前被“拉回”到数据流形中。这些防御依赖于数据位于比输入空间更低维度的流形中的假设。这些防御使用生成模型来近似输入分布。在本文中,我们调查了以下问题:在流形为基础的防御中使用的生成模型需要拓扑感知?我们认为答案是肯定的,我们提供了理论和经验证据来支持我们的主张。
2020-02-17 cs.CR cs.LG stat.ML
Maturity-Aware Active Learning for Semantic Segmentation with Hierarchically-Adaptive Sample Assessment
The Pennsylvania State University(宾夕法尼亚州立大学)
针对语义分割中主动学习面临的类别不平衡和样本定义歧义问题,提出MADBAL方法,通过分层多视图分布和成熟度感知不确定性选择关键像素,在Cityscapes和PASCAL VOC上超越现有方法。
2023-08-28 cs.CV cs.LG
Topology-Aware Network Pruning using Multi-stage Graph Embedding and Reinforcement Learning
Iowa State University(爱荷华州立大学);Technical University of Darmstadt(达姆施塔特工业大学)
模型压缩是在功率和内存受限的资源上部署深度神经网络(DNN)的基本技术。然而,现有的模型压缩方法往往依赖于人类的专业知识,并专注于参数的局部重要性,忽略了DNN中丰富的拓扑信息。在本文中,我们提出了一种新的多阶段图嵌入技术的基础上图神经网络(GNNs)识别DNN拓扑结构,并使用强化学习(RL)找到一个合适的压缩策略。我们进行了资源受限(即,FLOPs)通道修剪,并将我们的方法与最先进的模型压缩方法进行了比较。我们在从典型到移动友好网络的各种模型上评估了我们的方法,例如ResNet系列,VGG-16,MobileNet-v1/v2和ShuffleNet。结果表明,我们的方法可以实现更高的压缩比与最小的微调成本,但产生出色的和有竞争力的性能。
2022-07-01 cs.CV cs.LG
Beyond Passive Aggregation: Active Auditing and Topology-Aware Defense in Decentralized Federated Learning
Yunnan Key Laboratory of Statistical Modeling and Data Analysis(云南统计模型与数据研究所);Yunnan University(云南大学)
本文提出主动审计和拓扑感知防御框架,通过动态模型和新型审计指标检测隐蔽后门,提升去中心化联邦学习的鲁棒性。
2026-03-19 cs.LG stat.ME
Trajectory-Aware Flow Matching for Topology Optimisation
School of Mechanical, Medical and Process Engineering, Queensland University of Technology(昆士兰科技大学机械、医学与过程工程学院);Institute of Biomechanics and Medical Engineering, AML, Department of Engineering Mechanics, Tsinghua University(清华大学工程力学系生物力学与医学工程研究所);School of Civil and Environmental Engineering, Queensland University of Technology(昆士兰科技大学土木与环境工程学院);State Key Laboratory of Advanced Environmental Technology, Guangzhou Institute of Geochemistry, Chinese Academy of Sciences(中国科学院广州地球化学研究所环境技术重点实验室)
研究针对拓扑优化中成本高、现有模型依赖复杂方法的问题,开发基于流匹配的拓扑优化(FMTO)框架,通过轨迹感知公式将物理引导优化历史纳入生成流学习,经分析和示例验证其能提升性能,适用于二维及三维问题。
2026-07-17 cs.LG cs.NA math.NA
Topology-Aware Representation Alignment for Semi-Supervised Vision-Language Learning
KAIST(韩国科学技术院);POSTECH
本文提出ToMA框架,通过持久同调识别拓扑显著边,利用跨模态对应关系对齐多模态表示,提升视觉-语言学习在遥感和时尚检索中的性能。
2026-10-15 cs.CV cs.LG math.AT
Topology-Aware 3D Gaussian Splatting: Leveraging Persistent Homology for Optimized Structural Integrity
CCTEG-BigData(中国煤炭科技集团大数据研究院)
针对现有3D高斯泼溅方法结构完整性不足的问题,提出融合持续同调的Topology-GS,通过LPVI插值和PersLoss正则项提升性能,在新视角合成任务上多项指标优于现有方法,开创了拓扑与3D-GS结合的研究方向。
2025-06-14 cs.CV cs.LG eess.IV