Milad Yazdani
PulseAugur coverage of Milad Yazdani — every cluster mentioning Milad Yazdani across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Diffusion models generate synthetic data to improve echocardiography tasks
研究人员探索了使用扩散模型生成合成数据来改进超声心动图任务,例如分割和心脏相位分类。他们的研究比较了三种生成方法,发现基于抽象标记和分割掩码的条件生成方法产生了最低的弗雷歇起始距离(FID)。这种合成数据增强提高了ResNet-18和VGG-16模型的分类准确性,并提高了CAMUS 2D U-Net和CardiacUDC nnU-Net等分割模型的平均Dice分数。
-
LLM-引导的演化自动发现MILP不等式
研究人员开发了一个名为SAGE(Symbolic Acceleration via Generative Evolution)的新框架,用于自动化混合整数线性规划(MILP)不等式族的发现。这种LLM引导的方法使用自然语言问题描述来生成可重用的不等式族,从而提高求解器效率。SAGE在各种MILP基准测试中显示出显著的优化间隙减小和更快地达到目标间隙,优于传统方法。
-
强化学习框架设计和制作折纸结构
研究人员开发了RL-Kirigami,一个使用强化学习和最优传输条件流匹配来设计折纸结构的新颖框架。该方法通过生成满足几何约束且避免重叠的兼容比例场来解决逆向设计中的挑战。该系统实现了94.91%的剪影匹配精度,并与传统的求解器基线相比,显著减少了模拟器评估的需求。原型成功地从聚合物薄片上激光切割出来,展示了折纸超材料的实际制造感知工作流程。
-
新的MASPRM模型在无需人工步级输入的情况下优化多智能体AI系统
研究人员开发了一个多智能体系统过程奖励模型(MASPRM),旨在优化多智能体系统中的计算使用。该模型对智能体之间的中间消息进行评分以识别进展,充当了诸如束搜索和蒙特卡洛树搜索等搜索算法的推理控制器。MASPRM仅使用最终结果奖励进行训练,无需人工步级标注。在GSM8K、MATH、MMLU和LogiQA等基准测试上的评估表明,MASPRM的表现优于尺寸匹配的Oracle奖励模型(ORM),并提高了排名质量。