检索范围:
排序: 展示方式:
人工智能新方向:类人、机器、仿生和量子智能 Comment
李伟钢,Liriam Michi ENAMOTO,Denise Leyi LI,Geraldo Pereira ROCHA FILHO
《信息与电子工程前沿(英文)》 2022年 第23卷 第6期 页码 984-990 doi: 10.1631/FITEE.2100227
本评论回顾1998年提出的“一次性学习”(once learning,OLM)机制,和随后出现的用于图像分类的“一瞥学习”(one-shot learning基于目前人工智能(AI)研究现状,提出将其划分为以下子学科:人工类人智能、人工机器智能、人工仿生智能和人工量子智能。这些被认为是AI研发的主要方向,并按以下分类标准区分:(1)以类人、机器、仿生或量子计算为本的AI研发;(2)升维或降维的信息输入;(3)小样本或大数据知识学习。
通过行为足迹学习人类习惯的个性化服务机器人 Article
李坤, Max Q.-H. Meng
《工程(英文)》 2015年 第1卷 第1期 页码 79-84 doi: 10.15302/J-ENG-2015024
对家用的私人机器人来说,个性化服务和预先设计的任务同样重要,因为机器人需要根据操作者的习惯调整住宅状况。为了学习由诱因、行为和回报构成的操作者习惯,本文介绍了行为足迹,以描述操作者在家中的行为,并运用逆向增强学习技巧提取用回报函数代表的操作者习惯。本文用一个移动机器人调节室内温度,来实施这个方法,并把该方法和记录操作者所有诱因和行为的基准办法相比较。结果显示,提出的方法可以使机器人准确揭示操作者习惯,并相应地调节环境状况。
机器学习视角下的城市建模计算机图形方法综述 Review Article
冯天1,范非易2,Tomasz BEDNARZ3,4
《信息与电子工程前沿(英文)》 2021年 第22卷 第7期 页码 915-925 doi: 10.1631/FITEE.2000141
机器学习和数据驱动算法在智慧发电系统中的应用——一种不确定性处理的视角 Review
孙立, Fengqi You
《工程(英文)》 2021年 第7卷 第9期 页码 1239-1247 doi: 10.1016/j.eng.2021.04.020
基于机器学习的抄袭源检索的查询生成方法 Article
Lei-lei KONG, Zhi-mao LU, Hao-liang QI, Zhong-yuan HAN
《信息与电子工程前沿(英文)》 2017年 第18卷 第10期 页码 1556-1572 doi: 10.1631/FITEE.1601344
智能过程制造中的数据解析与机器学习——大数据时代的最新进展与展望 Perspective
尚超、 Fengqi You
《工程(英文)》 2019年 第5卷 第6期 页码 1010-1016 doi: 10.1016/j.eng.2019.01.019
通讯式学习——统一的机器学习模式 Review
袁路遥, 朱松纯
《工程(英文)》 2023年 第25卷 第6期 页码 77-100 doi: 10.1016/j.eng.2022.10.017
In this article, we propose a communicative learning (CL) formalism that unifies existing machine learning paradigms, such as passive learning, active learning, algorithmic teaching, and so forth, and facilitates the development of new learning methods. Arising from human cooperative communication, this formalism poses learning as a communicative process and combines pedagogy with the burgeoning field of machine learning. The pedagogical insight facilitates the adoption of alternative information sources in machine learning besides randomly sampled data, such as intentional messages given by a helpful teacher. More specifically, in CL, a teacher and a student exchange information with each other collaboratively to transmit and acquire certain knowledge. Each agent has a mind, which includes the agent's knowledge, utility, and mental dynamics. To establish effective communication, each agent also needs an estimation of its partner's mind. We define expressive mental representations and learning formulation sufficient for such recursive modeling, which endows CL with human-comparable learning efficiency. We demonstrate the application of CL to several prototypical collaboration tasks and illustrate that this formalism allows learning protocols to go beyond Shannon's communication limit. Finally, we present our contribution to the foundations of learning by putting forth hierarchies in learning and defining the halting problem of learning.
关键词: Artificial intelligencehine Cooperative communication Machine learning Pedagogy Theory of mind
高子航, 贾广禄, 谢宏钊, 黄强, 福田敏男, 石青
《工程(英文)》 2022年 第17卷 第10期 页码 232-243 doi: 10.1016/j.eng.2022.05.012
现有的仿生机器鼠仅可以执行一些基本的仿鼠运动基元(MP),并通过这些基元的刚性组合来形成简单的行为。最后,将分层概率模型和泛化的关节轨迹分别作为控制策略和指令映射到机器鼠。本文在机器鼠上实现了6 种典型的仿鼠行为,其结果与实验鼠的行为相比显示出高度相似性。
化学中的机器学习——基础与应用 Review
史云飞, 杨正新, 马思聪, 康沛林, 商城, 胡培君, 刘智攀
《工程(英文)》 2023年 第27卷 第8期 页码 70-83 doi: 10.1016/j.eng.2023.04.013
过去的十年间,机器学习在科学研究中的应用急剧增加。这篇综述介绍了机器学习的基本组成部分,包括数据库、特征和算法,并着重介绍了机器学习在化学领域取得的一些重要成就。综述了决策树和深度学习神经网络算法,重点介绍了它们的框架和典型应用场景。讨论了机器学习在化学中的三个重要应用领域:①逆合成分析,通过机器学习预测有机物的合成途径;②原子模拟,利用机器学习势函数加速势能面采样;③多相催化,使用机器学习辅助催化设计中从合成条件优化到反应机理探索的各个方面最后对机器学习在化学中的应用前景进行了展望。
深度学习中的对抗性攻击和防御 Feature Article
任奎, Tianhang Zheng, 秦湛, Xue Liu
《工程(英文)》 2020年 第6卷 第3期 页码 346-360 doi: 10.1016/j.eng.2019.12.012
在深度学习(deep learning, DL)算法驱动的数据计算时代,确保算法的安全性和鲁棒性至关重要。最近,研究者发现深度学习算法无法有效地处理对抗样本。这些伪造的样本对人类的判断没有太大影响,但会使深度学习模型输出意想不到的结果。最近,在物理世界中成功实施的一系列对抗性攻击证明了此问题是所有基于深度学习系统的安全隐患。因此有关对抗性攻击和防御技术的研究引起了机器学习和安全领域研究者越来越多的关注。本文将介绍深度学习对抗攻击技术的理论基础、算法和应用。然后,讨论了防御方法中的一些代表性研究成果。
Min Gu, Xinyuan Fang, Haoran Ren, Elena Goi
《工程(英文)》 2019年 第5卷 第3期 页码 363-365 doi: 10.1016/j.eng.2019.04.002
标题 作者 时间 类型 操作
第12届机器学习与计算国际会议(ICMLC 2020)
2020年02月15日
会议信息