Symbolic Regression via Neural-Guided Genetic Programming Population Seeding
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
符号回归是识别符合黑箱过程的观测输出的数学表达式的过程。这是一个离散优化问题,通常被认为是NP-难的。解决该问题的现有方法包括神经引导搜索(例如,使用强化学习)和遗传编程。在这项工作中,我们介绍了一种混合神经引导/遗传编程的方法,符号回归和其他组合优化问题。我们提出了一个神经元引导的组件用于种子的随机重启遗传编程组件的起始人口,逐渐学习更好的起始人口。在一些常见的基准测试任务中,从数据集中恢复底层表达式,我们的方法比最近发布的使用相同实验设置的最佳模型多恢复65%的表达式。我们证明,在不依赖神经引导组件的情况下运行许多代遗传编程,对于符号回归来说,比两者耦合更强的替代公式表现得更好。最后,我们引入了一组新的22个符号回归基准问题,其难度比现有基准更高。源代码在www.github.com/brendenpetersen/deep-symbolic-optimization上提供。
2021-11-17 cs.AI cs.LG cs.NE
KAN-SR: A Kolmogorov-Arnold Network Guided Symbolic Regression Framework
ETH Zürich(苏黎世联邦理工学院)
本文提出基于Kolmogorov-Arnold网络的KAN-SR框架,通过深度学习技术和简化策略恢复Feynman符号回归科学发现数据集的真实方程,并结合神经控制微分方程精确建模生物过程系统。
2025-09-12 cs.LG
An adaptive shortest-solution guided decimation approach to sparse high-dimensional linear regression
Renmin University of China(中国人民大学);Institute of Theoretical Physics, Chinese Academy of Sciences(中国科学院理论物理研究所);University of Chinese Academy of Sciences(中国科学院大学);MinJiang University(闽江学院)
高维线性回归模型是处理高维数据的最常用的统计模型,但要得到稀疏的回归系数集是一个相当具有挑战性的任务。在本文中,我们提出了一个简单的启发式算法来构建稀疏的高维线性回归模型,这是适应于最短解引导抽取算法,被称为ASSD。该算法在递归抽取线性方程组的最小二乘解的指导下构造回归系数的支持度,并应用早停准则和第二阶段阈值化过程来细化该支持度。我们大量的数值结果表明,ASSD优于LASSO,向量近似消息传递,和其他两个代表性的贪心算法的解决方案的准确性和鲁棒性。ASSD特别适用于现实应用中遇到的具有高度相关测量矩阵的线性回归问题。
2022-11-28 cs.LG stat.CO
Modelling Gas-Phase Reaction Kinetics with Guided Particle Diffusion Sampling
Division of Statistics and Machine Learning (STIMA), Linköping University, Sweden(统计与机器学习系(STIMA),利厄普大学,瑞典);STIMA, Linköping University, Sweden(STIMA,利厄普大学,瑞典);Division of Chemistry, Linköping University, Sweden(化学系,利厄普大学,瑞典)
本文利用引导粒子扩散采样方法解决气相反应动力学问题,展示该方法能重建时空轨迹而非孤立状态,并证明其在未见参数域的泛化能力。
2026-07-07 cs.LG physics.comp-ph
Uncertainty-Guided Alignment for Unsupervised Domain Adaptation in Regression
EPFL(洛桑联邦理工学院);Intelligent Maintenance and Operations Systems(智能维护与运营系统(机构))
本文提出不确定性引导对齐(UGA),将证据深度学习预测的不确定性融入特征对齐过程,以解决回归任务无监督域自适应中传统特征对齐失效和特征坍缩问题,并在多个基准上取得优于现有方法的性能。
2024-11-21 cs.CV cs.LG
Human Guided Learning of Transparent Regression Models
Johannes Gutenberg-Universität Mainz(美因茨约翰内斯古腾堡大学);Institut für Informatik(计算机科学学院)
针对排列回归新任务,提出人在回路的HuGuR方法,将人类可理解的顺序约束作为特征融入梯度提升回归模型,支持交互式调整,小数据集表现优于基线且模型透明可解释。
2025-02-21 cs.LG
Physics-Guided Conditional Diffusion Model for Rare Event Synthesis and Diagnosis for the Water-Gas Shift Reaction
Texas Tech University(德克萨斯理工大学)
提出物理引导的条件扩散模型,结合反应规律生成水煤气变换反应稀有事件轨迹,增强数据平衡,并引入危险评分辅助深度学习诊断,优于数据驱动方法。
2026-09-29 cs.LG
A Reinforcement Learning Approach to Domain-Knowledge Inclusion Using Grammar Guided Symbolic Regression
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);LORIA(洛林计算机科学与应用数学实验室);Réseau de Transport d’Electricité (Rte) R&D(法国电力传输网络研发部)
近年来,符号回归一直受到广泛关注,为潜在的大数据关系提供可解释的符号表示。符号回归方法最初被圈到遗传算法,现在包括各种基于深度学习的替代方法。然而,这些方法仍然不能很好地推广到现实世界的数据,主要是因为它们几乎不包括领域知识,也不考虑变量之间的物理关系,如已知的方程和单位。针对这些问题,我们提出了一种基于强化的语法引导的符号回归(RBG 2-SR)方法,该方法使用上下文无关文法作为强化动作空间,利用领域知识约束表示空间。我们详细介绍了一个部分可观测马尔可夫决策过程(POMDP)建模的问题和基准我们的方法对国家的最先进的方法。我们还分析了POMDP状态定义,并提出了一个物理方程搜索用例,我们比较我们的方法,基于语法和非基于语法的符号回归方法。实验结果表明,我们的方法是有竞争力的对其他国家的最先进的方法的基准,并提供了最好的错误复杂性权衡,突出了在现实世界中使用基于语法的方法的兴趣。
2022-02-09 cs.AI cs.LG
Unveiling Population Heterogeneity in Health Risks Posed by Environmental Hazards Using Regression-Guided Neural Network
University of Southern California(南加州大学);Leonard Davis School of Gerontology, University of Southern California(南加州大学伦纳德·戴维斯老年医学院);University of Minnesota(明尼苏达大学)
提出回归引导神经网络(ReGNN),利用人工神经网络非线性组合预测因子以识别传统调节多重回归难以发现的环境危害健康风险人群异质性,并在PM2.5对认知功能影响中验证其有效性。
2024-09-20 cs.LG
Are we making much progress? Revisiting chemical reaction yield prediction from an imbalanced regression perspective
University of Notre Dame(圣母大学)
本文指出化学反应产率预测中高产率区间性能不足源于数据分布偏向低产率的不平衡问题,并通过实验证明将产率预测重构为不平衡回归任务并采用成本敏感重加权方法可显著提升高产率区间的预测性能。
2025-02-04 cs.LG physics.chem-ph
Neural-Guided Symbolic Regression with Asymptotic Constraints
Google Research(谷歌研究院)
符号回归是一种离散优化问题,涉及搜索适合给定数据点的表达式。在许多情况下,关于未知表达式的其他数学约束不仅提供了除了某些输入处的值之外的更多信息,而且还有效地约束了搜索空间。我们确定的渐近约束的领导多项式权力的功能接近零和无穷大的有用的约束,并创建一个系统,使用它们的符号回归。该系统的第一部分是一个有条件的产生式规则生成神经网络,优先生成产生式规则,以构建表达式所需的领导权力,产生新的表达式外的训练域。第二部分,我们称之为神经引导的蒙特卡罗树搜索,在搜索过程中使用网络来找到符合一组数据点和期望的领先功率的表达式。最后,我们对数千个目标表达式进行了广泛的实验验证,与现有的在训练集之外寻找未知函数的方法相比,我们的系统显示了有效性。
2019-12-23 cs.LG cs.NE stat.ML
Order Matters in Retrosynthesis: Structure-aware Generation via Reaction-Center-Guided Discrete Flow Matching
School of Data Science, The Chinese University of Hong Kong, Shenzhen(数据科学学院,香港中文大学(深圳));Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本研究提出了一种结构感知的模板自由框架,通过反应中心引导的离散流匹配实现高效的 retrosynthesis 生成。
2026-08-12 cs.LG
Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning
Data Analytics Department, Mizuho-DL Financial Technology, Co., Ltd.(摩根大通数字技术财务科技部门)
本文指出,在去偏机器学习中,平衡函数应基于奈曼正交分数推导,而非仅作为协变量函数。协变量平衡在回归误差可由协变量表示时有效,但针对处理效应异质性下的ATE估计,分数误差通常包含处理特定成分,因此提倡通过里斯回归实现回归平衡。
2026-05-07 cs.LG econ.EM math.ST
Neural Network-Guided Symbolic Regression for Interpretable Descriptor Discovery in Perovskite Catalysts
The University of Toledo(托莱多大学)
提出结合神经网络、特征重要性分析和符号回归的两阶段框架,在数据稀缺下发现钙钛矿催化剂OER活性的可解释描述符,兼顾准确性与物理意义。
2025-07-16 cond-mat.mtrl-sci cs.LG physics.comp-ph
Regression Guided Strategy to Automated Facial Beauty Optimization through Image Synthesis
University of California San Diego(加利福尼亚大学圣迭戈分校);Fairmont Preparatory Academy(费尔蒙特预备学院)
本文提出一种回归引导策略,将面部图像投影到预训练GAN潜在空间,并用新开发的面部美感评估回归网络引导潜在点优化,实现数据驱动的自动化面部美感增强,超越现有基于规则的方法。
2025-01-01 cs.CV cs.LG
MOSAIC-SR: Transformer-Guided Symbolic Regression for Scientific Equation Recovery
University of Waterloo(滑铁卢大学)
MOSAIC-SR利用预训练Transformer生成初始草图,引导符号回归搜索,通过尺度感知常数优化和局部符号修复,在多个基准上实现最高符号解率与高预测精度。
2026-09-21 cs.LG
Integrating knowledge-guided symbolic regression and model-based design of experiments to automate process flow diagram development
The University of Manchester(曼彻斯特大学);Unilever R&D Port Sunlight(联合利华研发中心阳光港)
本文提出将符号回归与基于模型的实验设计相结合的数字框架,自动判别工艺机理并兼顾PFD优化,模拟实验表明其可在少数迭代内发现真实机制。
2024-05-07 cs.LG
Asymptotics-guided learning and symbolic regression for dispersive resonances
CMAP;CNRS(法国国家科学研究中心);Ecole polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院)
该研究针对色散介质共振预测的非线性谱问题,以渐近分析为引导,结合亚波长展开特征学习残差并通过符号回归生成紧凑公式,提升了单谐振器与二聚体的共振预测精度,为数据驱动修正提供了可解释的低维特征空间。
2026-08-18 cs.LG cs.NA math-ph
GPT-Guided Monte Carlo Tree Search for Symbolic Regression in Financial Fraud Detection
Vesta Corporation(维斯塔公司)
提出SR-MCTS方法,利用GPT引导蒙特卡洛树搜索进行符号回归,在金融欺诈检测中比业界常用方法更高效,同时增强决策可解释性。
2024-11-07 cs.CE cs.LG
Discovering a reaction-diffusion model for Alzheimer's disease by combining PINNs with symbolic regression
Brown University(布朗大学);Stanford University(斯坦福大学)
本文结合物理信息神经网络与符号回归,从纵向tau PET影像中发现区分阿尔茨海默病患者与健康对照的tau错误折叠反应-扩散方程及参数。
2023-07-16 cs.LG q-bio.QM
Practical Bayesian Optimization with Threshold-Guided Marginal Likelihood Maximization
Pohang University of Science and Technology(浦项科技大学);BARO AI
我们提出了一个实用的贝叶斯优化方法,使用高斯过程回归,其边际似然最大化的模型选择步骤的数量是由一个预先定义的阈值。由于贝叶斯优化在寻找高斯过程回归的最佳自由参数时消耗了很大一部分执行时间,我们简单而直接的方法能够减轻时间复杂度并加快整个贝叶斯优化过程。实验结果表明,该方法在大多数情况下都能有效地减少执行时间,且优化质量损失较小。
2020-10-16 cs.LG stat.ML
Symbolic regression via MDLformer-guided search: from minimizing prediction error to minimizing description length
Department of Electronic Engineering, BNRist Tsinghua University(电子工程系,清华大学)
针对符号回归中预测误差不单调导致恢复率低的问题,提出基于最小描述长度的MDLformer引导搜索目标,实现SR4MDL方法,在基准上恢复率提升43.92%,并具良好泛化性。
2025-09-10 cs.LG
Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback
University of Cambridge(剑桥大学);Thomson Reuters Foundational Research(汤姆森·路透基础研究);U. Colorado, Anschutz Medical Campus(科罗拉多大学安舒茨医疗校区)
提出影响引导符号回归(IGSR)方法,利用大语言模型生成候选函数并通过细粒度影响分数进行剪枝,结合蒙特卡洛树搜索高效探索组合空间,在多个基准和真实生物数据中发现新关系。
2026-05-27 cs.AI cs.LG
ParFam -- (Neural Guided) Symbolic Regression Based on Continuous Global Optimization
Ludwig-Maximilians-Universität München(慕尼黑路德维希-马克西米利安大学)
ParFam通过参数化函数族将离散符号回归转化为连续全局优化问题,并在SRBench上取得最先进结果,结合预训练Transformer的DL-ParFam可加速优化达两个数量级。
2025-05-06 cs.AI cs.LG
Prior-Guided Symbolic Regression: Towards Scientific Consistency in Equation Discovery
College of Computer Science and Technology, National University of Defense Technology, Changsha 410073, China(计算机科学与技术学院,国防科技大学,长沙410073,中国)
PG-SR通过引入先验约束检查器和退火机制,提升符号回归在科学一致性方面的性能,有效避免伪方程问题。
2026-02-16 cs.AI cs.LG
A Priori Sampling of Transition States with Guided Diffusion
Chimie ParisTech, PSL University(巴黎科技学院化学系)
本文提出ASTRA方法,通过引导扩散模型在生成模型推理时间缩放问题中寻找过渡态,结合条件分数和物理力精确定位过渡态并发现多条反应路径。
2026-04-28 cs.LG physics.chem-ph
SHAP-Guided Regularization in Machine Learning Models
Lamarr Institute for Machine Learning and AI(拉马尔机器学习与人工智能研究所)
针对特征归因方法在模型优化中作用未被充分挖掘的问题,提出SHAP引导的正则化框架,通过基于熵的惩罚实现稀疏稳定的特征归因,经实验验证可同时提升树基模型的泛化性能与可解释性。
2025-07-31 cs.LG
LLM-Guided Dynamic Action Spaces for Synthesizable Molecular Optimization
Emory University(埃默里大学);University of Oxford(牛津大学);Independent Researcher(独立研究者)
本文提出MolReAct框架,通过合成约束的动作空间和GRPO算法优化先导分子,提升性质同时保证合成可行性,实现高效分子生成。
2026-09-16 cs.AI cs.CE cs.LG
FunctionEvolve: Structure-Guided Symbolic Regression with LLMs
Bosch Center for Artificial Intelligence(博世人工智能中心);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);Tsinghua-Bosch Joint Center for ML, Tsinghua University(清华大学-博世联合机器学习中心)
提出FunctionEvolve框架,利用表达式树组织符号回归搜索,通过结构摘要、局部树编辑和结构感知系数拟合,在LLM-SRBench合成子集上以Claude Opus 4.6实现82.9%的SA@50,较同基线提升4.5倍。
2026-06-05 cs.AI cs.LG
Saliency-guided Emotion Modeling: Predicting Viewer Reactions from Video Stimuli
HTI Lab, Plaksha University(HTI实验室,普拉克斯大学)
本研究提出基于显著性的深度学习情感预测方法,利用HD2S模型和OpenFace分析视频显著性特征,发现显著区域数量与观众情感效价和唤醒度相关,为情感建模提供高效可解释的替代方案。
2025-05-25 cs.AI cs.CV cs.LG
Optimization of time-consuming experimental conditions using pseudo-experimental data guided by adaptive polynomial regression
Graduate School of Science and Technology, Keio University(庆应义塾大学理工学研究科);Department of Biosciences and Informatics, Keio University(庆应义塾大学生物科学与信息学系)
研究针对实际实验科学中传统贝叶斯优化收敛性差的问题,开发PolyBO方法,利用自适应更新的通用参数模型生成高质量伪实验数据,结合实验数据更新代理模型,有效减少优化时间,在合成函数和实际问题中均有显著效果。
2026-07-27 cs.AI cs.LG
ReACT-Drug: Reaction-Template Guided Reinforcement Learning for de novo Drug Design
Department of Computer Science and Engineering, Shiv Nadar University Chennai(计算机科学与工程系,舍维纳达尔大学钦奈)
ReACT-Drug通过反应模板指导的强化学习实现从头药物设计,结合蛋白质嵌入和片段搜索生成高亲和力、高合成可行性的候选分子。
2025-12-24 cs.AI cs.LG
Deep symbolic regression for physics guided by units constraints: toward the automated discovery of physical laws
Université de Strasbourg(斯特拉斯堡大学);CNRS(法国国家科学研究中心);Observatoire astronomique de Strasbourg(斯特拉斯堡天文台);Data61, CSIRO(澳大利亚联邦科学与工业研究组织Data61)
提出$\Phi$-SO物理符号优化框架,利用深度强化学习并嵌入单位约束,自动发现物理定律,在费曼基准上噪声下性能最优,且对10%噪声稳健。
2023-10-09 astro-ph.IM cs.LG physics.comp-ph
ChemTab: A Physics Guided Chemistry Modeling Framework
University at Buffalo(布法罗大学)
湍流燃烧系统的建模需要对底层化学和湍流流动进行建模。同时求解这两个系统在计算上是不允许的。相反,考虑到两个子系统演化的尺度差异,这两个子系统通常单独(重新)求解。流行的方法,如小火焰生成的流形(FGM)使用两步策略,其中控制反应动力学被预先计算并映射到低维流形,其特征在于一些反应进度变量(模型简化),然后在运行期间“查找”流形,以通过流动系统估计高维系统状态。虽然现有的工作集中在这两个步骤独立,我们表明,联合学习的进度变量和查找模型,可以产生更准确的结果。我们提出了一种深度神经网络架构,称为ChemTab,定制的联合学习任务,并通过实验证明其优于现有的最先进的方法。
2022-02-20 cs.CE cs.LG
Task Agnostic Robust Learning on Corrupt Outputs by Correlation-Guided Mixture Density Networks
Kakao Brain;Seoul National University(首尔大学);UNIST(蔚山科学技术院)
本文在分析了现有文献的基础上,我们针对分类和回归问题,重点研究带噪声训练数据的弱监督学习。我们假设训练输出是从目标分布和相关噪声分布的混合物中收集的。我们提出的方法同时估计目标分布和每个数据的质量,该质量被定义为目标和数据生成分布之间的相关性。该方法的基石是一个Cholesky块,使模型之间的依赖关系的混合分布在一个可微的方式,我们保持分布的网络权重。我们首先提供了说明性的例子,在回归和分类任务,以显示所提出的方法的有效性。然后,所提出的方法在大量的实验中得到了广泛的评价,我们表明,与现有的方法相比,处理噪声数据的基线方法。
2020-04-08 cs.LG stat.ML
Interpret Policies in Deep Reinforcement Learning using SILVER with RL-Guided Labeling: A Model-level Approach to High-dimensional and Multi-action Environments
研究针对深度强化学习缺乏可解释性问题展开,提出带强化学习引导标记的SILVER,通过提取特征、进行归因、生成数据集及训练代理模型来解释策略,在雅达利环境评估并经人体研究验证,提升透明度与人类理解,推进可解释强化学习发展。
2026-11-18 cs.LG
Efficient Implementation of Gaussian Process Regression Accelerated Saddle Point Searches with Application to Molecular Reactions
Science Instiute& Faculty of Physical Sciences Univesity of Iceland(科学研究所与物理科学学院 冰岛大学);SURF, Science Park 140, 1098 XG Amsterdam, The Netherlands(SURF,科学公园140号,1098 XG 阿姆斯特丹,荷兰)
本文将 GPR 代理曲面与二聚体最小模跟随法结合,用于分子反应一阶鞍点搜索,在500个反应上显著减少电子结构计算次数并降低多数案例耗时。
2025-07-08 cs.LG physics.chem-ph physics.comp-ph
Code-Aware Prompting: A study of Coverage Guided Test Generation in Regression Setting using LLM
Columbia University(哥伦比亚大学);AWS AI Labs(亚马逊云科技人工智能实验室)
本文提出代码感知提示策略SymPrompt,通过将测试生成解构为与执行路径对齐的多阶段提示过程,在不额外训练的情况下显著提升LLM的测试覆盖率。
2024-04-02 cs.LG cs.SE
DASyR-LLM: Domain-Aware Symbolic Regression with LLMs for Kinetic Model Discovery
该研究提出了DASyR-LLM框架,将LLM嵌入迭代SR算法,通过领域知识减少41.7%-79.3%的动力学模型发现迭代次数,预测性能与现有方法相当。
2026-08-06 cs.CE cs.LG cs.SC
EEG-Based User Reaction Time Estimation Using Riemannian Geometry Features
DataNova;U.S. Army Research Laboratory(美国陆军研究实验室);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);DCS Corp(DCS公司);University of California San Diego(加利福尼亚大学圣地亚哥分校);University of Technology Sydney(悉尼科技大学)
黎曼几何已成功地应用于许多脑机接口(BCI)分类问题,并表现出优越的性能。本文首次将其应用于BCI应用的重要范畴--BCI回归问题。更具体地说,我们提出了一种新的特征提取方法,脑电(EEG)为基础的BCI回归问题:空间滤波器,首先使用,以提高信号质量的EEG试验,也降低了协方差矩阵的维数,然后黎曼切空间特征提取。在大规模持续注意精神警戒任务中,对所提方法的性能进行了验证,结果表明,与传统的功率带特征相比,切空间特征可将均方根估计误差降低4.30- 8.30%,并将估计相关系数提高6.59- 11.13%.
2017-04-27 cs.HC cs.LG
Data-Efficient Symbolic Regression via Foundation Model Distillation
Institute for Clarity in Documentation(文档清晰研究所);Inria Paris-Rocquencourt(巴黎-罗克琴特研究所);Rajiv Gandhi University(拉吉夫·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕尔默研究实验室);Arizona State University(亚利桑那州立大学);Clemson University(克莱姆森大学)
本文提出EQUATE框架,通过质量对齐的迁移嵌入和评估器引导的嵌入优化,将离散方程搜索转化为连续优化问题,在低数据条件下实现数据高效且鲁棒的符号回归。
2025-08-27 cs.AI cs.LG
A Robust Optimisation Perspective on Counterexample-Guided Repair of Neural Networks
University of Konstanz(康斯坦茨大学)
本文将反例引导神经网络修复视为鲁棒优化算法,分析其终止性条件,并据此提出基于二次规划的线性回归修复新方法。
2023-06-05 cs.LG math.OC
Discovering Mathematical Formulas from Data via GPT-guided Monte Carlo Tree Search
ANNLAB, Institute of Semiconductors, Chinese Academy of Sciences(中国科学院半导体研究所ANNLAB);School of Integrated Circuits, University of Chinese Academy of Sciences(中国科学院大学集成电路学院);School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences(中国科学院大学电子电气与通信工程学院)
针对符号回归中现有MCTS方法搜索效率低、预训练策略网络泛化差的问题,提出SR-GPT算法,将GPT与MCTS耦合互优化,在多数据集上的表达式恢复效果超越当前最优算法。
2024-01-30 cs.AI cs.LG
Correlation-Free Transition Path Sampling through Shooting Point Generation Guided by Committor Learning
University of Vienna(维也纳大学);University of Augsburg(奥格斯堡大学)
本文提出GenAIMMD算法,结合committor学习与条件玻尔兹曼生成器,实现无需先验反应坐标的无相关、可并行过渡路径采样,并在二维模型和聚合物系统中验证了性能提升。
2026-09-18 cond-mat.stat-mech cs.LG physics.comp-ph
AWR: Adaptive Weighting Regression for 3D Hand Pose Estimation
Beijing University of Posts and Telecommunications(北京邮电大学);EBUPT Information Technology Co., Ltd.(东信北邮信息技术有限公司)
在本文中,我们提出了一种自适应加权回归(AWR)方法,以利用基于检测和基于回归的方法的优点。手关节坐标估计为离散积分的所有像素在密集表示,自适应权重映射的指导下。这种可学习的聚合过程引入了密集和联合监督,允许端到端训练,并为权重图带来适应性,使网络更加准确和强大。综合探索实验进行了各种实验设置下,AWR的有效性和通用性,特别是它的有用性,不同类型的密集表示和输入模态。我们的方法在四个公开可用的数据集上优于其他最先进的方法,包括NYU,ICVL,MSRA和HANDS 2017数据集。
2020-07-19 cs.CV cs.LG eess.IV
Estimating Ground Reaction Forces from Inertial Sensors
University of Southern California(南加州大学);Columbia University(哥伦比亚大学);Massachusetts Institute of Technology(麻省理工学院)
本研究提出轻量级SER和KNN方法,利用IMU数据估算地面反作用力,在精度上媲美或超越LSTM,且个人数据可显著降低误差,助力运动损伤风险识别。
2024-09-19 cs.AI cs.LG