利用观测到的流体压力和速率的瞬态数据来校准储层大小单双倍投公式是获得地球地下流动和运移行为的预测大小单双倍投公式的关键任务。大小单双倍投公式校准任务,通常称为“历史匹配”,可以形式化为不适定的反问题,其中我们的目标是找到解释观察到的动态数据的岩石物理特性的基础空间分布。我们使用在地质统计学基于对象的大小单双倍投公式上预训练的年龄对抗网络来表示烃类储层合成大小单双倍投公式的岩石属性分布。使用瞬态两相不可压缩达西公式来模拟储层流体的动态行为。通过首先使用预先训练的生成大小单双倍投公式对属性分布进行建模,然后使用前向问题的相邻方程对控制生成大小单双倍投公式输出的潜变量进行梯度下降,对基础储层性质进行转换。除了动态观测数据外,我们还通过引入额外的目标函数来包括岩石类型的约束。我们的贡献表明,对于一个综合测试案例,我们能够通过优化深度生成大小单双倍投公式的潜变量空间来获得逆问题的解,给出一组非线性前向问题的瞬态观察。
translated by 谷歌翻译
我们探索人工神经网络作为从虚构时间格林函数重建光谱函数的工具,这是一个经典条件反问题。我们的ansatz基于有监督的学习框架,其中先验知识在训练数据中被编码,并且逆变换流形通过神经网络被明确地参数化。我们系统地研究了这种新的重建方法,提供了对其在物理动机模拟数据上的表现的详细分析,并将其与已建立的贝叶斯推理方法进行了比较。发现构造精度至少是可比较的,并且特别是在较大的噪声水平下可能是优越的。我们认为,在监督环境中使用标记的训练数据和确定优化目标的自由度是本方法的固有优势,并且可能导致对未来最先进方法的重大改进。进一步研究的潜在方向是详细讨论。
translated by 谷歌翻译
卷积神经网络(CNN)的性能取决于其超参数,例如层数,内核大小或学习速率。特别是在具有有限计算资源的较小网络和应用中,优化是关键。我们提出了一种快速有效的CNN架构选择方法。考虑到时间消耗,精度和稳健性,我们开发了一种启发式方法,可以快速可靠地评估网络性能。结合贝叶斯优化(BO),有效地覆盖了广阔的参数空间,我们的贡献为这种机器学习技术提供了简单而强大的架构搜索。
translated by 谷歌翻译
SLAM的直接方法在测距任务中表现出了非凡的性能。然而,它们仍然受到动态照明/天气变化以及大基线上的不良初始化的影响。为了减轻这两种影响,我们提出了一种方法,它为每个像素提供深度视觉描述符作为SLAM系统的输入。在这项工作中,我们介绍了GN-Net:一个用新颖的Gauss-Newton损失优化的网络,用于训练深层特征。它旨在最大化高斯 - 牛顿算法内正确像素对应的概率。与通常在基于SLAM的方法中使用的单通道灰度图像相比,这导致具有更大会聚面的特征。我们的网络可以通过不同图像之间的地面实况像素对应进行训练,这些图像可以通过任何最先进的SLAM算法从模拟数据或生成。我们表明,我们的方法更能够抵御错误的初始化,白天的变化以及天气变化,从而超越了最先进的直接和间接方法。此外,我们发布了一个评估基准,用于我们所谓的本地化跟踪。它是使用CARLA模拟器创建的,以及取自Oxford RobotCar Dataset的序列。
translated by 谷歌翻译
We present a stochastic, limited-memory Broyden Fletcher Gold-farb Shanno (LBFGS) algorithm that is suitable for handling very large amounts of data. A direct application of this algorithm is radio interferometric calibration of raw data at fine time and frequency resolution. Almost all existing radio interferometric calibration algorithms assume that it is possible to fit the dataset being calibrated into memory. Therefore, the raw data is averaged in time and frequency to reduce its size by many orders of magnitude before calibration is performed. However, this averaging is detrimental for the detection of some signals of interest that have narrow bandwidth and time duration such as fast radio bursts (FRBs). Using the proposed algorithm , it is possible to calibrate data at such a fine resolution that they cannot be entirely loaded into memory, thus preserving such signals. As an additional demonstration, we use the proposed algorithm for training deep neural networks and compare the performance against the mainstream first order optimization algorithms that are used in deep learning.
translated by 谷歌翻译
与i向量相反,由于训练扬声器的分类损失,诸如x向量之类的说话者嵌入不能平均未标记的话语。在本文中,我们探索了一种替代的训练策略,以便在训练中使用未标记的话语。我们建议通过重建目标语音段的帧来训练speakerembedding提取器,给定相同话语的另一个语音段的推断嵌入。我们通过将标准扬声器嵌入提取器附加到解码器网络来实现这一点,我们不仅仅使用扬声器嵌入,但也与目标帧序列的估计电话序列。重建损失既可以用作单个目标,也可以与标准分类器分类损失结合使用。在后一种情况下,它充当了一个正规化者,鼓励在培训期间看不到的发言者的普遍性。在所有情况下,所提出的架构都是从头开始,以端到端的方式进行培训。我们在野外证明了VoxCeleb和扬声器的建议方法带来的好处,并且我们报告了基线的显着改进。
translated by 谷歌翻译
机器学习的许多实际应用需要数据有效的黑盒功能优化,例如,识别超参数或过程设置。然而,容易获得的算法通常被设计为通用优化器,因此对于特定任务而言通常是次优的。因此,提出了一种学习优化器的方法,该优化器自动适应于给定类别的目标函数,例如,在sim-to-realapplications的上下文中。所提出的方法不是从头开始学习优化,而是基于着名的贝叶斯优化框架。只有采集函数(AF)被学习的神经网络所取代,因此得到的算法仍然能够利用高斯过程的经过验证的广义化能力。我们在几个模拟以及模拟到真实传输任务上进行实验。结果表明,学习的优化器(1)在一般函数类上始终表现优于或与已知AF相媲美,并且(2)可以使用廉价模拟自动识别函数类的结构属性并转换该知识以快速适应实际硬件任务,从而显着优于现有的与问题无关的AF。
translated by 谷歌翻译
我们介绍了一种利用3D LiDARscans进行定向位置识别的新方法。训练卷积神经网络以从单个3D LiDAR扫描中提取紧凑描述符。这些既可用于从地图中检索附近的地方候选者,也可用于估计引导本地注册方法所需的偏航差异。我们采用三重损失函数来训练并使用硬负挖掘策略来进一步提高描述符提取器的性能。在对NCLT和KITTIdatasets的评估中,我们证明了我们的方法优于基于数据驱动和手工数据表示的相关最先进的方法,这些数据代表了长期的户外条件。
translated by 谷歌翻译
一旦处理高维数据或冗余传感器信号,大多数现有的特征选择方法不足以用于分析目的,因为由于虚假效应或相关性而不是因果效应可以选择特征。为了支持在生物医学实验中发现因果特征,我们在此提出了FRI,这是一个开源Python库,可用于识别线性分类和(序数)回归问题中的所有相关变量。使用最近提出的特征相关方法,FRI能够为进一步的基因实验提供基础,或者特定的可以促进对替代生物标记的搜索。它可以在交互式环境中使用,通过提供大小单双倍投公式操作和可视化方法,或在批处理过程中用作过滤方法。
translated by 谷歌翻译
连续词袋(CBOW)是一种强大的文本嵌入方法。由于具有强大的字内容编码功能,CBOW嵌入在广泛的下游任务中表现良好,同时高效计算。但是,CBOW无法捕获单词顺序。原因是CBOW的字嵌入的计算是可交换的,即XYZ和ZYX的嵌入是相同的。为了解决这个缺点,我们提出了连续矩阵空间大小单双倍投公式的学习算法,我们称之为词语的连续乘法(CMOW)。我们的算法是对word2vec的改编,因此可以对大量未标记的文本进行训练。 Weempirically表明CMOW更好地捕获了语言属性,但它在记忆单词内容方面不如CBOW。受这些发现的推动,我们提出了一种结合CBOW和CMOW优势的混合大小单双倍投公式。我们的结果表明,混合CBOW-CMOW大小单双倍投公式保留了CBOW强大的词汇内容能力,同时大大提高了其编码其他语言信息8%的能力。因此,混合物在11个监督下游任务中的8个中表现更好,平均提高1.2%。
translated by 谷歌翻译