Dual-Attention Neural Transducers for Efficient Wake Word Spotting in Speech Recognition
Amazon Alexa AI(亚马逊Alexa人工智能部门)
本文提出Dual-Attention Neural Biasing架构,通过WW spotting动态选择注意力网络分支,在仅增加1%参数的情况下将WW音频帧计算成本降低90%,WW F1分数相对提升16%。
2023-04-05 cs.CL cs.LG cs.SD
Entity Alignment with Reliable Path Reasoning and Relation-Aware Heterogeneous Graph Transformer
South China Normal University(华南师范大学);Hanshan Normal University(韩山师范学院)
实体对齐是从不同的知识图谱中寻找具有相同意义的实体的一种方法,已引起学术界和工业界的广泛关注。知识库中实体之间存在大量的多步关系路径,反映了实体之间的语义关系。然而,现有的方法很少考虑路径信息,因为不是所有的自然路径有利于EA判断。在本文中,我们提出了一个更有效的实体对齐框架,RPR-RHGT,它集成了关系和路径结构信息,以及在知识库中的异构信息。令人印象深刻的是,一个初始的可靠路径推理算法的发展,产生的路径有利于EA任务的关系结构的KG,这是第一个算法在文献中成功地使用不受限制的路径信息。此外,为了有效地捕捉实体邻域中的异构特征,设计了一个关系感知的异构图转换器Transformer来建模KG的关系和路径结构。在三个知名数据集上的大量实验表明,RPR-RHGT显著优于11种最先进的方法,在Hits@1上超过最佳性能基线高达8.62%。我们还展示了它在不同比例的训练集和更硬的数据集上比基线更好的性能。
2022-08-07 cs.AI cs.CL cs.LG
Active Jammer Localization via Acquisition-Aware Path Planning
1Dept. of Computer Science, University of Massachusetts Boston, Boston, MA, USA 2Dept. of Electrical \& Computer Engineering, Northeastern University, Boston, MA, USA
提出结合贝叶斯优化与采集感知路径规划的主动干扰源定位框架,通过改进A*算法引导移动代理高效收集信号,实现少测量下的准确定位。
2025-10-16 cs.LG
VAMP-Net: An Interpretable Multi-Path Network of Genomic Permutation-Invariant Set Attention and Quality-Aware 1D-CNN for MTB Drug Resistance
National School of Artificial Intelligence (ENSIA)(人工智能国家学校(ENSIA))
VAMP-Net通过双路径方法解决结核药耐药性预测中的复杂基因互作和测序质量问题,利用集合注意力变压器和1D-CNN实现高精度预测和可解释性分析。
2026-04-25 cs.LG
Explaining Algorithmic Fairness Through Fairness-Aware Causal Path Decomposition
Institute for Artificial Intelligence, Tsinghua University(清华大学人工智能研究院);University of Florida(佛罗里达大学);Weill Cornell Medicine(威尔康奈尔医学院)
算法公平性近年来在数据采掘和机器学习领域引起了广泛的关注。到目前为止,现有的研究主要集中在定量指标的发展,以衡量算法的差异在不同的保护组,并调整算法的输出,以减少这种差异的方法。在本文中,我们建议研究的问题,识别模型差异的来源。与现有的解释方法,通常学习特征的重要性,我们认为特征变量之间的因果关系,并提出了一种新的框架,从公平意识的因果路径,这是路径连接的敏感属性和最终的预测,图上的贡献之和分解的差距。我们还考虑的情况下,在这些路径内的某些边缘上的方向无法确定。我们的框架也是模型不可知的,适用于各种定量差异的措施。对合成数据集和真实数据集的实证评估表明,我们的方法可以提供精确和全面的解释模型的差异。
2021-08-11 cs.LG
Pathology-Aware Multi-View Contrastive Learning for Patient-Independent ECG Reconstruction
Department of Computer Science and Engineering, Indian Institute of Technology Roorkee(计算机科学与工程系,印度理工学院Roorkee);Department of Biosciences and Bioengineering, Indian Institute of Technology Roorkee(生物科学与生物工程系,印度理工学院Roorkee)
本文提出考虑病理的多视图对比学习框架,通过病理 manifold 正则化潜在空间,结合高保真时间域波形与病理感知嵌入,减少解剖噪声,实现患者无关的ECG重建。
2026-03-18 cs.AI cs.LG
Path-aware Siamese Graph Neural Network for Link Prediction
Zhejiang Lab(之江实验室)
在本文中,我们提出了一个路径感知的连体图神经网络(PSG)的链接预测任务。首先,PSG捕获节点和给定的两个节点的边缘特征,即k-邻域的结构信息和节点的中继路径信息。此外,提出了一种新的多任务GNN框架与自监督对比学习的区别的积极的链接和消极的链接,而内容和行为的节点可以同时捕获。我们评估所提出的算法PSG上的两个链接属性预测数据集,ogbl-ddi和ogbl-collab。PSG在提交前在ogbl-ddi上获得了前1名的性能,在ogbl-collab上获得了前3名的性能。实验结果验证了我们提出的PSG的优越性
2022-11-17 cs.AI cs.LG
Risk-aware Path Planning via Probabilistic Fusion of Traversability Prediction for Planetary Rovers on Heterogeneous Terrains
Keio University(庆应义塾大学);OMRON SINIC X Corporation(欧姆龙SINIC X公司)
机器学习(ML)在评估自主漫游车在可变形地形上的可通行性方面起着至关重要的作用,但不可避免地存在预测误差。特别是对于地质特征因地而异的异质地形,错误的可通过性预测可能变得更加明显,增加了不可恢复的漫游车车轮打滑和固定的风险。在这项工作中,我们提出了一个新的路径规划算法,明确占这种错误的预测。其关键思想是将用于地形类型分类和滑动预测的独特ML模型概率融合到单个分布中。这给了我们一个多模态滑移分布占异质地形,并进一步允许统计风险评估被应用到获得风险意识的穿越成本的路径规划。大量的仿真实验表明,所提出的方法是能够产生更多的可行路径异构地形相比,现有的方法。
2023-03-02 cs.LG cs.RO
Visual Representation Learning for Preference-Aware Path Planning
The University of Texas at Austin(德克萨斯大学奥斯汀分校);United States Army Research Laboratory (ARL)(美国陆军研究实验室)
部署在户外环境中的自主移动机器人必须考虑不同类型的地形,以确保安全(例如,更喜欢泥土而不是泥浆)和部署者偏好(例如,喜欢泥土小路而不是花坛)。大多数现有的解决方案,这种偏好感知路径规划问题使用语义分割从相机图像的地形类型进行分类,然后归因于每种类型的成本。不幸的是,这种方法存在三个关键限制--它们1)需要预先枚举离散地形类型,2)不能处理混合地形类型(例如,草土),以及3)需要昂贵的标记数据来训练视觉语义分割。我们介绍了视觉表示学习偏好感知路径规划(VRL-PAP),一种替代方法,克服了所有三个限制:VRL-PAP利用未标记的人类导航示范自主生成三元组学习视觉表示的地形是视点不变的,并在一个连续的表示空间编码地形类型。然后,将学习到的表示与相同的未标记的人类导航演示一起使用,以学习从表示空间到地形成本的映射。在运行时间,VRL-PAP从图像映射到表示,然后表示到成本,以执行偏好感知路径规划。我们提出了具有挑战性的户外环境的经验结果,证明VRL-PAP 1)能够成功地选择反映所展示的偏好的路径,2)在执行中与具有高度详细的手动注释地图的几何导航相当(不需要这样的注释),3)能够以最少的额外未标记演示推广到新的地形类型。
2021-09-18 cs.LG cs.RO
Physics-Aware Neural Operators for Direct Inversion in 3D Photoacoustic Tomography
NVIDIA(NVIDIA公司)
PANO通过端到端的物理意识神经算子实现3D光电声成像的高效直接反演,提升重建质量和实时性能。
2026-03-09 cs.LG eess.IV
Obstacle Aware Sampling for Path Planning
University of Haifa(海法大学)
许多路径规划算法都是基于状态空间的采样。虽然这种方法非常简单,但当障碍物未知时,它可能会变得昂贵,因为击中这些障碍物的样本会被浪费。本文的目标是有效地识别地图中的障碍物,并将它们从采样空间中移除。为此,我们提出了一个预处理算法的空间探索,使更有效的采样。我们表明,它可以提高其他空间采样方法和路径规划器的性能。我们的方法是基于这样一个事实,即一个凸的障碍物可以近似证明以及由其最小体积封闭椭球(MVEE),和一个非凸的障碍物可以被分割成凸的形状。我们的主要贡献是一个算法,战略上找到一个小样本,称为\emph{active-coreset},自适应采样的空间,通过成员资格预言,使MVEE的coreset近似MVEE的障碍。实验结果证实了我们的方法在多个规划器的基础上快速探索随机树的有效性,在时间和路径长度方面显着改善。
2022-03-08 cs.LG cs.RO
SHGNN: Structure-Aware Heterogeneous Graph Neural Network
Sun Yat-sen University(中山大学);Microsoft Research Asia(微软亚洲研究院)
许多现实世界的图(网络)是异构的,具有不同类型的节点和边。异构图嵌入旨在学习异构图的低维节点表示,对于各种下游应用至关重要。近年来,人们提出了许多基于元路径的嵌入方法来学习异构图的语义信息。然而,大多数现有的技术忽略了图的结构信息时,学习异构图嵌入。本文提出了一种新的结构感知异构图神经网络(SHGNN),以解决上述限制。具体而言,首先利用特征传播模块获取元路径中中间结点的局部结构信息,然后利用树-注意力聚合器将图结构信息融合到元路径上的聚合模块中,最后利用元路径聚合器对不同元路径上的聚合信息进行融合.我们在节点分类和聚类任务上进行了实验,并在基准数据集上取得了最先进的结果,这表明了我们提出的方法的有效性。
2021-12-14 cs.LG cs.SI
Conv1D Energy-Aware Path Planner for Mobile Robots in Unstructured Environments
University of Surrey(萨里大学);UK Atomic Energy Authority(英国原子能管理局)
驱动能耗在移动机器人在具有挑战性的环境中的导航中起着重要作用,特别是如果它们在有限的车载电源下无人值守。本文报告的第一个结果的能量感知路径规划,它可以提供估计的驱动能量消耗和能量回收的机器人穿越复杂的不平坦的地形。利用自监督学习方法估计轨迹上的能量,其中机器人自主学习如何将感知的地形点云与能量消耗和恢复相关联。该方法的一个新的特点是使用一维卷积神经网络来分析地形顺序在相同的时间顺序,因为它会经历的机器人移动时。所提出的方法的性能进行评估,在模拟从真实的自然场景收集的数字地形模型,并与启发式的基于倾斜的能量模型进行比较。我们证明了我们的方法的好处,增加了66.8%的整体预测r2得分,并减少了5.5%的驾驶能源消耗超过规划的路径。
2021-04-04 cs.LG cs.RO
Actor-Critic Scheduling for Path-Aware Air-to-Ground Multipath Multimedia Delivery
Institute of Information Science and Technologies (ISTI), CNR(意大利国家研究委员会信息科学与技术研究所);CNIT - National Inter-University Consortium for Telecommunications(全国大学间电信联盟);University of Pisa(比萨大学)
强化学习(RL)由于其某些变体不需要网络模型的先验知识,近年来在网络流量管理和控制中得到了广泛的应用。在本文中,我们提出了一种新的调度多路径系统中的实时多媒体传输的演员批评(AC)RL算法的基础上。我们专注于一个具有挑战性的情况下,实时视频流从无人机(UAV)使用多个无线路径。作为RL代理的调度器实时学习用于路径选择、路径速率分配和用于流保护的冗余估计的最优策略。调度器作为GStreamer框架的一个模块实现,可以在真实或模拟设置中使用。仿真结果表明,我们的调度器可以通过实时动态地调整调度策略来适应路径条件,而无需进行训练或依赖于网络信道模型的先验知识,从而在接收机处实现非常低的丢失率。
2022-04-28 cs.LG cs.MM cs.NI
Path-Aware Graph Attention for HD Maps in Motion Prediction
QCraft Inc(QCraft公司)
自动驾驶运动预测的成功依赖于高清地图信息的整合。由于地图是自然的图形结构,近年来对用于编码HD地图的图神经网络(GNN)的研究正在蓬勃发展。然而,与直接部署GNN的许多其他应用程序不同,HD地图是异构图,其中顶点(车道)由各种性质的边缘(车道-车道交互关系)连接,并且大多数基于图的模型并没有设计用于理解各种边缘类型,这些边缘类型为预测智能体将如何行驶车道提供关键线索。为了克服这一挑战,我们提出了路径感知图注意力,一种新的注意力架构,通过解析形成连接它们的路径的边缘序列来推断两个顶点之间的注意力。我们的分析说明了所提出的注意力机制如何促进学习的教学问题,现有的图形网络,如GCN的斗争。通过改进地图编码,该模型在Argoverse运动预测数据集上超越了先前的最新技术水平,并在2021年Argoverse运动预测竞赛中获得第一名。
2022-02-23 cs.AI cs.LG cs.RO
Meta-information-aware Dual-path Transformer for Differential Diagnosis of Multi-type Pancreatic Lesions in Multi-phase CT
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Yale University(耶鲁大学)
胰腺癌是癌症相关死亡的主要原因之一。准确检测、分割和鉴别诊断胰腺病变的完整分类,即,正常、七种主要类型的病变以及其他病变,对于帮助患者管理和治疗的临床决策至关重要。然而,现有的工作集中在非常特定的病变类型(PDAC)或组的分割和分类。此外,没有以前的工作考虑使用病变患病率相关的非成像患者信息,以协助鉴别诊断。为此,我们开发了一种元信息感知的双路径Transformer,并利用胰腺病变完整分类的分类和分割的可行性。具体而言,所提出的方法由基于CNN的分割路径(S路径)和基于变换器的分类路径(C路径)组成。S-路径的重点是使用基于UNet的网络通过语义分割进行初始特征提取。C路径利用提取的特征和元信息进行患者级分类,基于双路径Transformer块的堆栈,其增强了全局上下文信息的建模。收集了3,096例患者的大规模多期CT数据集,这些患者具有病理学证实的胰腺病变类别标签、放射科医生对病变的体素手动注释和患者元信息,用于训练和评价。我们的研究结果表明,我们的方法可以实现胰腺病变的完整分类的准确分类和分割,接近放射科医生报告的准确性,并显着优于以前的基线。结果还表明,添加公共元信息,即,性别和年龄,可以提高模型的性能,从而证明元信息对帮助胰腺疾病诊断的重要性。
2023-03-02 cs.CV cs.LG eess.IV
Optimizing Crowd-Aware Multi-Agent Path Finding through Local Communication with Graph Neural Networks
Purdue University(普渡大学)
本文提出CRAMP,一种基于图神经网络局部通信的人群感知分散式强化学习方法,用于解决拥挤环境下的多智能体路径规划问题,在完工时间、碰撞次数和成功率上显著优于现有方法。
2024-08-09 cs.AI cs.LG cs.MA
PANAMA: A Network-Aware MARL Framework for Multi-Agent Path Finding in Digital Twin Ecosystems
Huawei Canada Advanced Research Center(华为加拿大高级研究中心)
针对数字孪生生态系统中多智能体寻径问题,提出基于CTDE框架和异步架构的网络感知MARL算法PANAMA,显著提升了寻径的准确率、速度和可扩展性。
2025-08-09 cs.AI cs.DC cs.LG