为了解决复杂环境中的任务，机器人需要从经验中学习。深度强化学习是机器人学习的常见方法，但需要大量的试验和错误来学习，限制了其在物理世界中的部署。因此，机器人学习的许多进步都依赖于模拟器 ...

流匹配 (FM) 是一个通用框架，用于通过常微分方程 (ODE) 定义概率路径，以在噪声和数据样本之间进行转换。最近的方法试图拉直这些流动轨迹，以生成具有较少功能评估的高质量样本，通常通过迭代校正方法或最佳传输解决方案。在本文中，我们介绍了一致性流匹配（Consistency-FM），这是一种新颖的 FM 方法，可以明确地强制速度场的自一致性 ...

图卷积网络（GCN）最近引起了人们的广泛兴趣，并在图上实现了最先进的性能，但其成功通常取决于使用大量昂贵且耗时的标记数据进行仔细训练。为了缓解标记数据的稀缺性，自训练方法已在图上广泛采用，通过标记高置信度的未标记节点，然后将其添加到训练步骤中。在这方面，我们对当前的图自训练方法进行了实证研究 ...

去噪噪声模型代表了视觉领域最近出现的一个新兴主题，在生成建模领域展示了显着的成果。噪声模型是一种基于计算机的二阶深度生成模型，即前向噪声级和反向扩散等级。在前向扩散等级，通过在几个步骤中添加高斯噪声逐渐扰动输入数据... ...

由于其实际重要性和方法论兴趣，车辆路径问题是研究最多的组合优化主题之一。然而，尽管方法论取得了广泛的进展，但最近的许多研究仍因简单而高效的开源解决方案的获取有限而受到阻碍。鉴于当前算法的复杂性，重新实现正在成为一项困难且耗时的工作，需要对细节进行广泛关注才能真正成功 ...

生成至关重要但难以收集的安全关键场景提供了评估自动驾驶系统稳健性的有效方法。然而，场景的多样性和生成方法的效率受到安全关键场景的稀有性和结构的严重限制。因此，现有的仅根据观测数据估计分布的生成模型并不能令人满意地解决这个问题 ...

当测试和训练来自相同分布的图数据时，图神经网络（GNN）取得了令人印象深刻的性能。然而，现有的 GNN 缺乏分布外泛化能力，因此当测试图数据和训练图数据之间存在分布变化时，其性能会大幅下降。为了解决这个问题，在这项工作中，我们提出了一种分布外广义图神经网络（OOD-GNN），用于在与训练图具有不同分布的未见测试图上实现令人满意的性能 ...

大脑中的神经元通常针对特定的任务变量进行微调。此外，这种解开的表示在机器学习中受到高度追捧。在这里，我们从数学上证明了对神经元的简单生物约束，即活动和权重的非负性和能量效率，通过强制神经元对任务变化的单一因素具有选择性，促进了这种受追捧的解缠结表示 ...