Youcheng Zong
PulseAugur coverage of Youcheng Zong — every cluster mentioning Youcheng Zong across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的大语言模型框架利用语义数据增强工业预测能力
研究人员开发了一个名为任务-语义场分解（TSF）的新框架，以改进工业过程中的时间序列预测和软测量。这种大语言模型引导的方法利用现有的过程文档和变量描述来提高模型性能，特别是在标记数据稀缺和操作模式变化的场景下。TSF将语义信息整合到每次预测中，在各种工业任务中平均平均绝对误差（MAE）降低了6.4%，部分改进高达25.5%。该框架设计轻量级，参数和推理开销最小，适合部署。
-
新的WPRF方法改进了细长结构的分割
研究人员开发了最宽路径可达性场（WPRF），这是一种新颖的可微分目标函数，旨在改进图像中细长、曲线状结构的分割。该方法解决了拓扑梯度饥饿问题，即标准的像素级损失无法充分训练模型以在分割结构（如血管或道路）中保持连通性。WPRF将梯度流重定向到关键瓶颈像素，在不增加推理时间的情况下提高了拓扑正确性。实验表明，WPRF在各种架构和数据集上显著提高了分割精度，尤其是在结构脆弱的图像上，在clDice得分方面取得了显著的提升。
-
新的 LLM 方法将工业预测准确性提高 30% · 跟踪 2 个来源
一篇新的研究论文介绍了 LLM 引导的测量可信度校正 (MCC) 方法，以提高工业过程推理的准确性。该方法利用大型语言模型将流程文档中的测量含义转换为数值模型可用的语义信息。通过构建独立的流程参考并纠正预测前的局部测量冲突，MCC 提高了输入窗口的可信度，从而显著降低了平均绝对误差 (MAE)。该方法添加的参数和推理时间极少，证明了其在复杂工业预测和软传感任务中的效率。