阐明并准确预测分子的吸毒性和生物活性在药物设计和发现中起关键作用，并且仍然是一个开放的挑战。最近，图神经网络（GNN）在基于图的分子属性预测方面取得了显着进步。但是，当前基于图的深度学习方法忽略了分子的分层信息以及特征通道之间的关系。在这项研究中，我们提出了一个精心设计的分层信息图神经网络框架（称为hignn），用于通过利用分子图和化学合成的可见的无限元素片段来预测分子特性。此外，首先在Hignn体系结构中设计了一个插件功能的注意块，以适应消息传递阶段后自适应重新校准原子特征。广泛的实验表明，Hignn在许多具有挑战性的药物发现相关基准数据集上实现了最先进的预测性能。此外，我们设计了一种分子碎片的相似性机制，以全面研究Hignn模型在子图水平上的解释性，表明Hignn作为强大的深度学习工具可以帮助化学家和药剂师识别出设计更好分子的关键分子，以设计更好的分子，以设计出所需的更好分子。属性或功能。源代码可在https://github.com/idruglab/hignn上公开获得。
translated by 谷歌翻译
安全已成为对现实世界系统应用深度加固学习的主要挑战之一。目前，诸如人类监督等外部知识的纳入唯一可以防止代理人访问灾难性状态的手段。在本文中，我们提出了一种基于安全模型的强化学习的新框架MBHI，可确保状态级安全，可以有效地避免“本地”和“非本地”灾难。监督学习者的合并在MBHI培训，以模仿人类阻止决策。类似于人类决策过程，MBHI将在执行对环境的动作之前在动态模型中推出一个想象的轨迹，并估算其安全性。当想象力遇到灾难时，MBHI将阻止当前的动作并使用高效的MPC方法来输出安全策略。我们在几个安全任务中评估了我们的方法，结果表明，与基线相比，MBHI在样品效率和灾难数方面取得了更好的性能。
translated by 谷歌翻译
Partial MaxSAT (PMS) and Weighted PMS (WPMS) are two practical generalizations of the MaxSAT problem. In this paper, we propose a local search algorithm for these problems, called BandHS, which applies two multi-armed bandits to guide the search directions when escaping local optima. One bandit is combined with all the soft clauses to help the algorithm select to satisfy appropriate soft clauses, and the other bandit with all the literals in hard clauses to help the algorithm select appropriate literals to satisfy the hard clauses. These two bandits can improve the algorithm's search ability in both feasible and infeasible solution spaces. We further propose an initialization method for (W)PMS that prioritizes both unit and binary clauses when producing the initial solutions. Extensive experiments demonstrate the excellent performance and generalization capability of our proposed methods, that greatly boost the state-of-the-art local search algorithm, SATLike3.0, and the state-of-the-art SAT-based incomplete solver, NuWLS-c.
translated by 谷歌翻译
双层金属管（BMT）在工程应用中起着极其至关重要的作用，旋转弯曲弯曲（RDB）可以实现高精度弯曲处理，但是，该产品将进一步弹回。由于BMT的复杂结构和数据集获取的高成本，基于机制研究和机器学习的现有方法无法满足Spresback预测的工程要求。根据初步机制分析，提出了物理逻辑增强网络（PE-NET）。该体系结构包括ES-NET等效BMT与单层管等效，SP-NET用于带有足够的单层管样品的浮回本的最终预测。具体而言，在第一阶段，通过理论驱动的预探测和数据驱动的预处理，ES-NET和SP-NET分别构建。在第二阶段，在物理逻辑下，PE-NET由ES-NET和SP-NET组装，然后与小样本BMT数据集和复合损耗函数进行微调。 FE模拟数据集，小样本数据集BMT BMT弹回角预测验证了所提出方法的有效性和稳定性，并证明了跨性别和工程应用程序的潜在方法。
translated by 谷歌翻译
主流对象检测器通常由两个子任务组成，包括由两个并行头部实现的分类和回归任务。这种经典的设计范式不可避免地会导致分类得分和本地化质量（IOU）之间的空间分布不一致。因此，本文从知识蒸馏的角度来减轻这种错位。首先，我们观察到，与轻量级学生相比，庞大的老师获得的和谐预测比例更高。基于这个有趣的观察，设计了一种新颖的和谐评分（HS），以估计分类和回归质量的一致性。 HS对两个子任务之间的关系进行建模，并被视为先验知识，以促进学生的和谐预测。其次，这种空间未对准将在提炼特征时会导致选择性区域的选择。为了减轻这个问题，通过灵活平衡分类和回归任务的贡献，提出了一种新颖的任务功能蒸馏（TFD）。最终，HD和TFD构成了所提出的方法，称为任务均衡蒸馏（TBD）。广泛的实验证明了该方法的巨大潜力和概括。具体而言，当配备TBD时，带有Resnet-50的视网膜在可可基准下获得41.0地图，表现优于最近的FGD和FRS。
translated by 谷歌翻译
旅行推销员问题（TSP）是许多实用变体的经典NP-HARD组合优化问题。 Lin-Kernighan-Helsgaun（LKH）算法是TSP的最先进的本地搜索算法之一，LKH-3是LKH的强大扩展，可以解决许多TSP变体。 LKH和LKH-3都将一个候选人与每个城市相关联，以提高算法效率，并具有两种不同的方法，称为$ \ alpha $ - 计算和Popmusic，以决定候选人集。在这项工作中，我们首先提出了一种可变策略加强LKH（VSR-LKH）算法，该算法将三种强化学习方法（Q-Learning，SARSA和Monte Carlo）与LKH算法结合在一起，以解决TSP。我们进一步提出了一种称为VSR-LKH-3的新算法，该算法将可变策略强化学习方法与LKH-3结合在一起，用于典型的TSP变体，包括带有时间窗口（TSPTW）和彩色TSP（CTSP）的TSP。所提出的算法取代了LKH和LKH-3中的不灵活的遍历操作，并让算法学会通过增强学习在每个搜索步骤中做出选择。 LKH和LKH-3都具有$ \ alpha $量或Popmusic方法，我们的方法都可以显着改善。具体而言，对236个公共和广泛使用的TSP基准的经验结果具有多达85,900个城市，证明了VSR-LKH的出色表现，扩展的VSR-LKH-3也显着超过了TSPTW和TSPTW和TSPTW和TSPTW的最新启发式方法CTSP。
translated by 谷歌翻译
作为使用最广泛的金属管弯曲方法之一，旋转拉动弯曲（RDB）过程可实现可靠和高精度的金属管弯曲（MTBF）。形成准确性受到回避和其他潜在形成缺陷的严重影响，其机制分析很难处理。同时，现有方法主要是在离线空间中进行的，忽略了物理世界中的实时信息，这是不可靠且效率低下的。为了解决这个问题，提出了基于多源输入多任务学习（MTL）的数字增强（DT增强）金属管弯曲弯曲的实时预测方法。新方法可以实现全面的MTBF实时预测。通过共享多关闭域的共同特征并在功能共享和接受层上采用组正规化策略，可以保证多源输入MTL的准确性和效率。通过DT增强，物理实时变形数据通过改进的格莱美角度场（GAF）转换在图像维度中对齐，从而实现了实际处理的反射。与传统的离线预测方法不同，新方法集成了虚拟和物理数据，以实现更有效，更准确的实时预测结果。可以实现虚拟系统和物理系统之间的DT映射连接。为了排除设备误差的影响，在物理实验验证的FE模拟方案上验证了所提出的方法的有效性。同时，将通用的预训练网络与提出的方法进行比较。结果表明，所提出的DT增强预测方法更准确和有效。
translated by 谷歌翻译
我们解决了部分MaxSat（PMS）和加权PMS（WPM），这是MaxSat问题的两个实际概括，并为这些问题（称为BandMaxSat）提出了一种局部搜索算法，该算法应用了多臂Bantit模型来指导搜索方向。我们方法中的匪徒与输入（w）pms实例中的所有软子句相关联。每个手臂对应于软子句。 Bandit模型可以通过选择要在当前步骤中满足的软子句，即选择要拉的臂来帮助BandmaxSat选择一个良好的方向以逃脱本地Optima。我们进一步提出了一种初始化方法（w）PMS，在生产初始解决方案时优先考虑单元和二进制条款。广泛的实验表明，BandMaxSat显着优于最先进的（W）PMS本地搜索算法SATLIKE3.0。具体而言，BandMaxSat获得更好结果的实例数量大约是Satlike3.0获得的两倍。此外，我们将bandmaxsat与完整的求解器tt-open-wbo-inc相结合。最终的求解器bandmaxsat-c还胜过一些最好的最新完整（W）PMS求解器，包括satlike-c，loandra和tt-open-wbo-inc。
translated by 谷歌翻译
最近出现的联邦学习（FL）是一个有吸引力的分布式学习框架，其中许多无线最终用户设备可以训练全局模型，数据仍然自动加载。与传统的机器学习框架相比，收集集中存储的用户数据，这为数据隐私带来了巨大的沟通负担和担忧，这种方法不仅可以保存网络带宽，还可以保护数据隐私。尽管前景有前景，但拜占庭袭击，传统分布式网络中的棘手威胁，也被发现对FL相当有效。在本文中，我们对佛罗里达州的抗议袭击进行了全面调查了捍卫拜占庭袭击的最先进战略。我们首先根据他们使用的技术为现有的防御解决方案提供分类法，然后是在整个板上的比较和讨论。然后，我们提出了一种新的拜占庭攻击方法，称为重量攻击，以击败这些防御计划，并进行实验以证明其威胁。结果表明，现有的防御解决方案虽然丰富，但仍远未完全保护FL。最后，我们表明体重攻击可能的可能对策，并突出了一些挑战和未来的研究方向，以减轻百灵鱼袭击杂志。
translated by 谷歌翻译
部分MaxSAT（PMS）和加权部分MaxSAT（WPMS）都是MaxSAT典型组合问题的实用概括。在这项工作中，我们提出了一种有效的远视概率采样的基于本地搜索算法，称为FPS，用于解决这两个问题，表示为（W）PMS。 FPS算法替换了每个迭代步骤翻转单个变量的机制，该步骤广泛用于拟议的远视本地搜索策略，并提供更高质量的本地最佳解决方案。远视策略采用概率采样技术，允许该算法广泛有效地寻找。以这种方式，FPS可以提供更多更好的搜索方向并提高性能而不降低效率。关于最近四年的MaxSAT评估的不完整轨迹的所有基准的广泛实验表明，我们的方法显着优于Satlike3.0，最先进的本地搜索算法，用于解决PMS和WPMS问题。我们进一步与Satlike-C的扩展求解器进行比较，这是最近MaxSAT评估中不完全轨道的四个（PMS和WPMS类别相关的三类类别中的三个类别的冠军（MSE2021 ）。我们用拟议的远视采样本地搜索方法替换Satlike-C中的本地搜索组件，并且所产生的求解器FPS-C也优于Satlike-C来解决PMS和WPMS问题。
translated by 谷歌翻译