序列到序列大小单双倍投公式是NLP的强大主力。大多数变体在其注意机制和输出层中都采用softmax变换,导致密集对齐和严格正输出概率。这种密度是浪费的,使得大小单双倍投公式可解释性较差,并为许多难以置信的输出分配概率质量。在本文中,我们提出了sparsese序列到序列大小单双倍投公式,植根于$ \ alpha $ -entmaxtransformations的新系列,其中包括softmax和sparsemax作为特定情况,并且对于任何$ \ alpha> 1 $都是稀疏的。我们提供快速算法来评估这些变换及其渐变,这些算法可以很好地扩展到大型词汇表。我们的大小单双倍投公式能够生成稀疏对齐并将非非可置性分配给可能输出的简短列表,有时会使波束搜索精确。形态学变形和机器平移的实验揭示了密集大小单双倍投公式的一致增益。
translated by 谷歌翻译
目标识别是在给定一组目标假设,域大小单双倍投公式和正在执行的计划的(可能是嘈杂的)样本的情况下推断出针对执行计划的正确目标的问题。这是合作和竞争性代理人互动中的关键问题,并且最近的方法产生了快速且准确的目标识别算法。在本文中,使用线性程序计算的算子计数启发式算法在经典规划问题的约束下计算,以解决目标识别问题。我们的方法使用从观察中导出的附加的算子计数约束来有效地推断出正确的目标,并且作为具有附加约束的许多其他方法的基础。
translated by 谷歌翻译
基于时间延迟的储层计算设置在实验和模拟方面取得了巨大成功。它允许构建只有很少组件的大型超晶形计算系统。然而,到目前为止,尚未对不同时间尺度的相互作用进行彻底调查。在本手稿中,我们研究了一般大小单双倍投公式的时间延迟和时钟周期之间不匹配的影响。通常,这两个时间尺度被认为是相等的。在这里,我们表明等时间相关的时间延迟和时钟周期的情况可能是积极有害的,并导致储层的近似误差的增加。特别地,我们可以证明这些时间尺度的非共振比具有最大的记忆容量。我们通过将周期性驱动的延迟动力系统转换为等效网络来实现这一目标。从具有共振延迟时间和时钟周期的系统中产生的网络无法充分利用它们的所有自由度,这导致其性能的下降。
translated by 谷歌翻译
大小单双倍投公式 在多目标优化算法领域,除了进化的多目标优化算法(EMOA)之外,多目标贝叶斯全局优化(MOBGO)是一个重要的分支。 MOBGO利用从先前的目标函数评估中学习的高斯过程大小单双倍投公式,通过最大化或最小化infillcriterion来确定下一个评估站点。 MOBGO的一个共同标准是预期的超级体积改进(EHVI),它在广泛的问题上表现出良好的性能,涉及勘探和开发。然而,到目前为止,有效地计算精确的EHVI值一直是一个挑战。在本文中,提出了一种用于计算一般情况的精确EHVI的有效算法。这种有效的算法基于将积分体积划分为一组轴平行切片。从理论上讲,上限时间复杂度从之前的$ O(n ^ 2)$和$ O(n ^ 3)$分别改为$ 2和$ 3目标问题$ $ Theta(n \ log n)$,是偶然的最佳。本文通过利用D {\“a} chert等人,EJOR,2017提出的新的超盒分解技术,在更高维的情况下概括了该方案。它还利用了多层集成方案的推广,该方案在多个集合方案中线性扩展。速度对比表明,本文提出的算法显着缩短了计算时间,最后将该分解技术应用于改进概率(PoI)的计算中。
translated by 谷歌翻译
对于我们提交到ZeroSpeech 2019挑战,我们将离散的变量神经网络应用于未标记的语音,并将发现的单元用于语音合成。无监督离散子字建模可用于婴儿语音类别学习的研究或需要符号输入的低资源语言技术。我们使用具有中间离散化的自动编码器(AE)架构。我们通过调整AE的解码器来训练扬声器身份,从而将声学单元发现与扬声器建模分离。在测试时,对来自未见扬声器的语音进行单元发现,然后以已知目标扬声器为条件进行单元解码,以获得重建的滤波器组。该输出被馈送到神经调节器以合成目标讲话者的语音中的语音。对于离散化,分类变量自动编码器(CatVAE),矢量量化VAE(VQ-VAE)和直通估计在两种语言的不同压缩级别进行比较。我们的最终大小单双倍投公式使用卷积编码,VQ-VAE分散,反卷积解码和FFTNet声码器。我们表明,耦合扬声器调节本质上改善了离散声学表示,与挑战基线相比产生了竞争性合成质量。
translated by 谷歌翻译
由于城市车队中摩托车的大量增长以及对其行为的研究的增长以及该车辆如何影响交通流量的必要性,开发了与常规车辆不同的工具和技术以确定其在交通流中的存在并且是能够提取您的信息。该文章试图通过组合LBP技术以创建特征向量和分类技术LinearSVC来执行预测来生成摩托车图像库并开发和校准摩托车分类器,从而有助于对这种类型的车辆的研究。通过这种方式,本研究中开发的摩托车类型的分类器可以对两类摩托车和非摩托车之间的监控视频提取的车辆的图像进行分类,精度和精度优于0.9。
translated by 谷歌翻译
直线是人造环境中的常见特征。它们比点更具有特征性,因为它们产生更多关于环境的信息(这些是一度特征而不是零度点)。此外,它们更容易在图像传感器中检测和跟踪。具有对从图像测量的线的3D参数的稳健估计对于诸如视觉伺服的若干控制应用是有利的。在这项工作中,提出了模拟移动相机图像中线条的明显运动的经典动力系统。为了获得线的三维结构,提出了一种非线性观测器。然而,为了保证收敛,动力系统必须与代数方程耦合。这是通过使用球面坐标来表示线的矩向量和基础的变化来实现的,这允许直接在系统的动态上引入代数约束。最后,提出了一种试图优化观察者收敛行为的控制律。这种方法经过了验证,并且配备了带有摄像头的真实机器人平台。
translated by 谷歌翻译
跨任务转移技能的能力有可能将增强型学习(RL)代理扩展到目前无法实现的环境。最近,基于两个概念,后继特征(SF)和广泛策略改进(GPI)的框架已被引入转移技能的原则性方式。在本文中,我们在两个方面扩展了SF和GPI框架。 SFs和GPI原始公式的基本假设之一是,所有感兴趣的任务的奖励可以计算为固定特征集的线性组合。我们放松了这个约束,并表明支持框架的理论保证可以扩展到只有奖励函数不同的任何一组任务。我们的第二个贡献是,可以使用奖励函数本身作为未来任务的特征,而不会损失任何表现力,从而无需事先指定一组特征。这使得可以以更稳定的方式将SF和GPI与深度学习相结合。我们在acomplex 3D环境中凭经验验证了这一主张,其中观察是来自第一人称视角的图像。我们表明,SF和GPI推动的转移几乎可以立即实现看不见任务的非常好的政策。我们还描述了如何以一种允许将它们添加到代理的技能集中的方式学习专门用于新任务的策略,从而在将来重用。
translated by 谷歌翻译
无人驾驶飞行器(UAV)是一种相对较新的技术。应用程序通常涉及复杂和看不见的问题。例如,他们可以在地面站的监督下在基于合作社的环境中工作,以加速关键的决策过程。然而,飞机和地面站之间交换的信息量受到高距离,低带宽尺寸,受限制的处理能力和能量限制的限制。这些缺点限制了诸如大的非常大的大规模操作。新的分布式最先进的处理架构,如雾计算,可以通过不同层次的数据采集,处理和存储来改善延迟,可扩展性和效率,以满足时间约束。在这些修订中,这项研究工作提出了一个数学大小单双倍投公式分析基于分布的无人机拓扑和用于大规模任务和搜索操作的雾云计算框架。这些测试成功地预测了延迟和其他操作限制,使得分析计算优势优于传统的云计算架构。
translated by 谷歌翻译
在过去的几十年中,已经针对各种监督学习任务提出了许多损失函数,包括回归,分类,排序和更一般的结构化预测。了解支撑这些损失的核心原则和理论属性是正确解决正确问题的关键,并创造新的损失,并结合其优势。在本文中,我们介绍了Fenchel-Younglosses,一种为正则预测函数构造凸损失函数的通用方法。我们在非常广泛的环境中提供他们的属性的深入研究,涵盖所有上述监督学习任务,并揭示稀疏性,广义熵和分离边缘之间的新联系。我们证明Fenchel-Young损失统一了许多众所周知的损失函数,并允许轻松创建有用的新函数。最后,我们得出了有效的预测和训练算法,使Fenchel-Young在理论和实践中都有所损失。
translated by 谷歌翻译