当前位置:首页 > 今日动态 > 技术与产品
  • 迭代博弈中策略的演化:一种融合混合遗传算法与CMA-ES优化的深度多智能体强化学习方法

    本研究旨在解决自利智能体在社会困境中合作涌现这一演化博弈论、多智能体系统与行为科学领域的核心未解问题。尽管记忆深度为一(memory-one, M1)的互惠策略(如以牙还牙,Tit-for-Tat)已被广泛研究,记忆深度为二(memory-two, M2)的双

    来源:Frontiers in Artificial Intelligence

    时间:2026-06-22

  • 面向数据稀缺流域的多源自适应融合迁移学习径流预报方法

    全球许多区域的流量观测记录仍然稀疏,制约了水文预测能力。迁移学习(Transfer Learning, TL)利用数据丰富源流域的知识以改善数据稀缺目标流域的预测,已成为一种有前景的解决方案。水文领域大多数TL应用在大尺度气象水文数据集上对深度学习(Deep

    来源:Water Resources Research

    时间:2026-06-22

  • 中欧地下水补给湖未来动态模拟:建模与机器学习方法的集成

    中欧淡水系统正日益面临气候变化与人为压力的威胁。本研究以大格利尼克湖(Lake Groß Glienicke)为对象,探究该地下水补给湖的未来动态变化。研究人员采用经率定与验证的全集成水文模型HydroGeoSphere(HGS)模拟地下水-地表水相互作用,并

    来源:Water Resources Research

    时间:2026-06-22

  • 干旱期间媒介对节水时空影响及经济效应:一种可解释人工智能(Explainable AI/XAI)方法——以韩国2022–2023年干旱家庭节水为例

    摘要:干旱期间公众节水参与不足会加剧水资源短缺及其关联影响,而在水文模型中刻画这种人—自然耦合动态仍具挑战性。研究人员构建了人工智能(AI)模型框架,以估算2022–2023年韩国干旱期间家庭节水模式,并整合干旱条件与社会因素(如新闻报道量)。结果表明,干旱相

    来源:Water Resources Research

    时间:2026-06-22

  • 蒸散发(Evapotranspiration, ET)模型功能性能评估中的因果发现(Causal Discovery)方法研究

    摘要:蒸散发(Evapotranspiration, ET)在农业水资源管理中起关键作用,但其受水热有效性及土壤、植被和气象因子共同驱动而难以预测,且各类模型在复杂度和假设上存在显著差异。因果发现(Causal Discovery)方法可基于观测或模型输出的时

    来源:Water Resources Research

    时间:2026-06-22

  • 潜变量模型两步估计方差-协方差矩阵的估计:一种通用基于模拟的方法

    研究人员提出一种通用流程,用于估计潜变量模型中结构参数的两步估计值的方差-协方差矩阵。该方法部分基于模拟,其核心操作是从第一步估计得到的测量参数的抽样分布中抽取模拟值,并利用这些模拟值量化第二步参数估计变异性的组成部分。该方法在渐近意义上等价于两步估计方差-协

    来源:Statistical Analysis and Data Mining: An ASA Data Science Journal

    时间:2026-06-22

  • 基于仅幅度测量的1比特RIS单元素级联信道响应的空中提取方法

    摘要:可重构智能表面技术作为一种通过软件控制被动反射元件来动态调节电磁波传播的关键技术,近年来得到了快速发展。获取各个元件的级联信道响应对于确保RIS能够按预期工作至关重要,这有助于其在传感、通信和定位等领域实现新应用。本文提出了一种全新的无需现场调试即可获取级联信道响应的方法,

    来源:IEEE Antennas and Wireless Propagation Letters

    时间:2026-06-22

  • CurvFed:无需考虑人口统计特征的、基于曲率对齐的公平联邦学习方法

    摘要AI总结要查看此由AI生成的总结,您需要拥有高级访问权限。了解更多登录摘要摘要现代的人体感知应用通常依赖于分布在不同用户和设备上的数据,而隐私问题使得集中式训练难以实现。联邦学习通过允许在不暴露原始数据或属性的情况下进行协作式模型训练,解决了这一难题。然而,在此类环境中实现公

    来源:Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies

    时间:2026-06-22

  • 基于分解特征表示与语义增强方法的传感器驱动活动识别领域泛化

    摘要AI总结要查看此由AI生成的总结,您需要拥有高级访问权限。了解更多登录摘要摘要领域泛化技术为解决基于传感器的人体活动识别中的分布偏移问题提供了有希望的解决方案。尤其是传感器数据增强方法受到了广泛关注,其目的是生成更多样化的特征表示,从而让模型具备跨不同领域的不变性。然而,现有

    来源:Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies

    时间:2026-06-22

  • 利用票务数据进行交通站点时空聚类:降维技术与元启发式优化方法的整合

    尼什塔·拉瓦特|阿米特·阿加瓦尔 印度北方邦哈里德瓦尔鲁尔基印度理工学院数据科学与人工智能梅赫塔家族学校,邮编247667 摘要 本研究提出了一种用于时空数据的集成聚类框架,该框架考虑了诸如占用率、空间坐标以及时间使用模式等多种特征,以识别功能上相似的公交站点群。该

    来源:Big Data Research

    时间:2026-06-22


高级人才招聘专区
最新招聘信息:

知名企业招聘:

    • 国外动态
    • 国内进展
    • 医药/产业
    • 生态环保
    • 科普/健康