Latin hypercube sampling
PulseAugur coverage of Latin hypercube sampling — every cluster mentioning Latin hypercube sampling across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
机器学习利用少量数据集预测铜纳米颗粒合成
研究人员开发了一种机器学习方法，利用包含25次合成的少量数据集来预测铜纳米颗粒（Cu NPs）的流体动力学直径。该方法旨在克服可重复和尺寸可控合成的挑战，而这些挑战常常受到大型实验数据集稀缺的阻碍。该研究利用拉丁超立方采样来有效覆盖参数空间，并采用了集成回归模型，这些模型展示了与传统实验设计（DoE）模型相当的泛化能力，取得了比DoE模型0.60更高的R2分数0.74。虽然也评估了使用随机森林和LLM的分类模型，但它们的表现一般，表明…
-
贝叶斯优化改进 PCSEL 设计以用于光通信
研究人员开发了一种可靠性感知的贝叶斯优化方法，以改进 1310 nm 光子晶体表面发射激光器 (PCSELs) 的设计。该方法将有限差分时域求解器与贝叶斯优化循环耦合，在每次模拟后更新代理模型以选择下一个几何形状。该方法将波长和光束质量要求与经过可靠性调整的指标相结合，与传统的差分进化和拉丁超立方采样等方法相比，显著提高了高 Q 值 PCSEL 候选的产量。
-
新的ALLUDE系统评估真实环境中对抗性攻击
研究人员开发了ALLUDE，一个新颖的评估系统，旨在更真实、更多样化的条件下测试视觉模型的对抗性攻击。通过集成可微分渲染，ALLUDE能够跨越不同场景、光照和相机运动进行攻击的端到端优化。初步测试显示，在不断变化的环境因素和连续的相机轨迹下，现有攻击的性能会显著下降，这暴露了当前评估方法的不足。
-
新的采样方法提高了工程领域AI代理模型的准确性
开发了一种新的自适应序列采样方法，用于构建多项式混沌展开代理模型，并将其推广到值域为向量的量。该方法旨在通过选择新的样本来平衡输入空间的探索和多输出方差信息的利用，从而提高代理模型的准确性和稳定性。与传统的拉丁超立方采样相比，该方法在工程问题上更有效，能更可靠地估计二阶统计量。
-
新的 FMQA 方法通过确保完整的边际比特覆盖率来改进优化
研究人员开发了一种新方法来改进带二次优化退火的因子分解机 (FMQA)，通过解决初始训练数据设计中的问题。当 FMQA 与离散变量的独热编码一起使用时，某些二元变量可能永远不会被激活，导致参数更新不完整。所提出的解决方案通过使用拉丁超立方体采样 (LHS) 和 Sobol' 序列来生成初始数据，确保完整的边际比特覆盖率。这种方法在一个由人类驱动的飞机机翼形状优化基准上进行了演示，与基线 FMQA 相比，平均最终巡航速度有所提高，特别是…