报道领域
Papers
44 篇已发布报道
重点报道
本文介绍了一种新颖的框架FDDM，通过结合基础模型和离散扩散模型来桥接分类和分割任务，从而提高WSI分析的整体性能。实验结果显示，FDDM在多个指标上均优于现有方法，在mIOU方面提升了10%，在坏死率估计方面误差降低了32.12%。
编辑精选
本文深入探讨了机器学习操作（MLOps）工具在供应链和AI决策领域中的应用现状，分析了Kubeflow、MLFlow和Iterative Enterprise等主流工具的功能特点，并指出了它们的局限性。通过对这些工具的详细解读，为从业者提供了选择和使用MLOps工具的具体建议。
本文详细解读了Shaoxiong Ji等人的《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》一文，从知识图谱的表示学习、知识获取、时间知识图谱和知识感知应用四个方面进行了深入探讨。文章不仅总结了现有方法的优势和不足，还提出了未来研究的方向。对于供应链管理和AI从业者来说，提供了宝贵的实操启示。
最新进展
本文全面回顾了近年来神经组合优化（NCO）算法在解决车辆路径问题（VRP）方面的最新进展，提出了一个全新的分类体系，并讨论了现有方法的不足及未来研究方向。通过系统地梳理相关文献，本文将NCO求解器分为四类：Learning to Construct (L2C)、Learning to Improve (L2I)、Learning to Predict-Once (L2P-O) 和 Learning to Predict-Multiplicity (L2P-M)。
本文解读了论文《Attention Is All You Need》，该论文提出了完全依赖于注意力机制的Transformer模型，摒弃了传统的递归和卷积结构。实验结果表明，Transformer在机器翻译任务中取得了显著的性能提升，特别是在并行化能力和训练时间方面。本文深入探讨了Transformer的核心架构、多头自注意力机制以及位置编码，并分析了其局限性及实际应用启示。
本文综述了基于知识图谱和图神经网络（GNN）的推荐系统研究进展，提出了新的分类法，并详细描述了代表性模型。通过对比分析，本文揭示了这些模型在解决实际推荐问题如冷启动和可扩展性方面的优势和局限。此外，本文还总结了广泛使用的基准数据集、评估指标和开源代码，并提出了未来的研究方向。
本文提出了一种基于反事实数据增强的高效强化学习算法（CTRL），通过结构因果模型（SCM）来处理机制异质性和数据稀缺问题。实验结果表明，该方法在合成数据和真实数据上均表现出色，能够有效提升策略学习的效果。
本文解读了Biwei Huang等人提出的AdaRL框架，该框架通过紧凑的图形表示来刻画环境变化，并实现高效可靠的策略迁移。实验结果表明，AdaRL在Cartpole和Atari游戏中只需少量样本即可达到与完全训练策略相当的性能，显著提升了数据效率。
本文解读了Xinyue Wang和Biwei Huang提出的World Modeling with Compositional Causal Components (WM3C) 框架，该框架通过学习和利用可组合的因果组件来提高强化学习在新环境中的泛化能力。实验结果显示，WM3C在数值模拟和真实机器人操作任务中显著优于现有方法。
本文通过对北京45名外卖配送员的深入访谈，探讨了他们如何理解和应对算法管理。研究发现，配送员并非仅仅是被动接受数字“全景监狱”的对象，而是通过自己的方式管理和甚至颠覆系统。这种现象不仅揭示了算法在日常工作中的多重角色，还展示了配送员如何在算法管理下创造自己的“有机算法”来管理和对抗系统。
本文深入探讨了表示学习在机器学习中的重要性，特别是在供应链和AI决策场景中的应用。文章通过多层非线性变换、自编码器、概率模型和流形学习等方法，展示了如何自动提取数据的有用特征，从而提高模型的性能。此外，文章还讨论了这些方法的局限性和实际应用中的启示。
美团联合华中科技大学提出多阶段奖金分配（MSBA）框架，通过半黑箱模型、拉格朗日对偶动态规划等技术，实现毫秒级实时奖金决策。实测日均订单取消量下降超25%，餐厅食品浪费补偿减少超30%，已部署于生产环境处理百万级订单。
一篇学术论文拆解美团的三重动态定价引擎（时间×用户×竞争），揭示O2O平台定价策略如何同时侵蚀和创造消费者剩余，以及对供应链从业者的四条实操启示。
MIT、Stanford、Wharton等顶尖商学院40位运营管理学者联合发布愿景声明，提出AI与供应链交互的五层框架。本文深度解读核心洞察与实践者批评。
