预后和健康管理（PHM）是一个新兴领域，由于其带来的好处和效率，它引起了制造业的广泛关注。剩余的使用寿命（RUR）预测是任何PHM系统的核心。最新数据驱动的研究要求大量标记的培训数据可以在有监督的学习范式下培训表现模型之前。在这里，转移学习（TL）和域适应（DA）方法介入并使我们有可能将监督模型概括为具有不同数据分布的其他没有标记数据的其他域。在本文中，我们提出了一种基于编码的模型（变压器），该模型（变压器）具有诱导的瓶颈，使用最大平均差异（MMD）的潜在对齐，并提出了歧管学习，以解决无监督的同质域的问题适应Rul预测。 \ textit {lama-net}使用NASA使用C-Mapss Turbofan引擎数据集验证，并将其与DA的其他最新技术进行了比较。结果表明，所提出的方法提供了一种有希望的方法来在RUL预测中进行域适应。一旦纸张退出审查，将提供代码。
translated by 谷歌翻译
机器学习已成为包括运动在内的多个领域的工程设计和决策的组成部分。深度神经网络（DNNS）一直是预测职业体育赛事结果的最新方法。但是，除了对这些体育活动成果进行高度准确的预测外，还必须回答诸如“为什么模型预测A团队会赢得与B队的比赛？”之类的问题？ DNN本质上是本质上的黑框。因此，需要为模型在运动中的预测提供高质量的可解释的解释性解释。本文探讨了两步可解释的人工智能（XAI）方法，以预测巴西排球联盟（Superliga）中比赛的结果。在第一阶段，我们直接使用可解释的基于规则的ML模型，这些模型可以根据布尔规则列的生成（BRCG；提取简单和 - 或分类规则）和逻辑回归（logReg;允许估算）对模型的行为进行全局理解。功能重要性得分）。在第二阶段，我们构建了非线性模型，例如支持向量机（SVM）和深神经网络（DNN），以在排球比赛的结果上获得预测性能。我们使用ProtoDash为每个数据实例构建了“事后”解释，该方法在训练数据集中找到原型，与测试实例最相似，而Shap是一种估计每个功能在模型预测中的贡献的方法。我们使用忠诚度量标准评估了摇摆的解释。我们的结果证明了对模型预测的解释的有效性。
translated by 谷歌翻译
Reasoning is central to human intelligence. However, fallacious arguments are common, and some exacerbate problems such as spreading misinformation about climate change. In this paper, we propose the task of logical fallacy detection, and provide a new dataset (Logic) of logical fallacies generally found in text, together with an additional challenge set for detecting logical fallacies in climate change claims (LogicClimate). Detecting logical fallacies is a hard problem as the model must understand the underlying logical structure of the argument. We find that existing pretrained large language models perform poorly on this task. In contrast, we show that a simple structure-aware classifier outperforms the best language model by 5.46% on Logic and 4.51% on LogicClimate. We encourage future work to explore this task as (a) it can serve as a new reasoning challenge for language models, and (b) it can have potential applications in tackling the spread of misinformation. Our dataset and code are available at https://github.com/causalNLP/logical-fallacy
translated by 谷歌翻译
Quantum退火是求解优化问题的启发式，这些问题由于D波系统的成功而言，已经看到了最近使用的浪涌。本文旨在找到一种解决电动车充电器放置（EVCP）问题的良好启发式，这是一个问题，这是一个非常重要的问题，但由于建立电动汽车（EV）充电器以及电动汽车的预期浪涌世界。同样的问题陈述也可以推广到网格中的任何实体的最佳位置，可以探索进一步用途。最后，作者介绍了一种新的启发式组合Quantum退火和遗传算法来解决问题。所提出的混合方法需要将遗传算法播种与量子退换器的结果。我们的实验表明，与我们样本EVCP数据集上的香草Quantum退火相比，该方法将该方法降低42.89％的距离。
translated by 谷歌翻译