随机块大小单双倍投公式(SBM)及其变体,例如$,混合成员和重叠随机块大小单双倍投公式,是基于潜变量的图的生成大小单双倍投公式。事实证明,它们可以成功完成各种任务,例如在图形结构数据上发现社区结构和链接预测。最近,通过利用诸如局域性和不变性之类的图形属性,图形神经网络,例如$,图形卷积网络,也已成为一种有前景的方法,用于学习图形中节点的强大表示(嵌入)。在这项工作中,我们通过为图形开发\ emph {稀疏}变量自动编码器来统一这两个方向,这保留了SBM的可解释性,同时还享有图神经网络的出色预测性能。此外,我们的框架伴随着快速识别大小单双倍投公式,可以快速推断节点嵌入(这对于SBM及其变体的推断具有独立的意义)。虽然我们为特定类型的SBM开发了这个框架,即\ emph {重叠}随机块大小单双倍投公式,所提出的框架可以适用于其他类型的SBM。几个基准测试的实验结果证明了在链接预测方面的令人鼓舞的结果,同时学习了可用于社区发现的可解释的潜在结构。
translated by 谷歌翻译
在3D手姿势估计领域已经取得了巨大的进展,但是3D深度相机通常是不可访问的。我们提出了一种大小单双倍投公式来识别RGB图像中的美国手语字母表。在训练深度神经网络之前,对训练图像进行了分析和预处理。该大小单双倍投公式采用squeezenet架构进行训练,使其能够在移动设备上运行,精度为83.29%。
translated by 谷歌翻译
本文介绍了自动驾驶汽车的算法和系统架构。引入的车辆由设计用于鲁棒性,可靠性和可扩展性的软件栈提供动力。为了自主地绕过先前未知的轨道,所提出的解决方案结合了来自不同机器人领域的技术的状态。具体而言,感知,估计和控制被合并到一个高性能自主车辆中。这个复杂的机器人系统由AMZ Driverless和ETHZurich开发,在我们参加的每个比赛中获得第一名:Formula StudentGermany 2017,Formula Student Italy 2018和Formula Student Germany 2018. Wediscuss这些比赛的结果和学习,并对每个模块进行实验评估我们的解决方案
translated by 谷歌翻译
在过去几年中,人们越来越关注学习基于物理基础的语言理解任务的大小单双倍投公式,例如popularblocks world domain。这些工作通常将此问题视为单一进程,其中人工操作员发出指令,并评估自动代理执行它的能力。在本文中,我们采用第一个steptowards来增加这种交互的带宽,并建议一个包含建议,关于任务的高级观察的协议,这可以帮助消除代理的预测。我们评估我们对块世界任务的方法,并表明即使是简单的建议也可以帮助实现显着的性能提升。为了帮助减少提供建议所需的工作量,我们还要探索可以改善结果的大小单双倍投公式自生建议。
translated by 谷歌翻译
必须逐步测量数英里的受污染管道,作为停用气体扩散浓缩设施的退役工作的一部分。目前的方法需要切除石棉衬里的热外壳,并执行重复的升高操作,以从外部手动测量管道。 RadPiper机器人是卡内基梅隆大学开发的管道爬行活动测量系统(PCAMS)的一部分,并被委托用于DOE朴茨茅斯气体扩散富集设施,从内部自动测量管道中的U-235。这提高了确定性,增加了安全性,并大大缩短了测量时间。 RadPiper机器人的核心是一个创新的圆盘准直组件中的碘化钠闪烁探测器。通过从内部管道测量,机器人相对于外部通管测量显着增加其计数率。机器人还提供图像,模拟内部管道几何形状,并精确测量距离,以便定位辐射测量。该系统收集的数据提供了对管道内部的深入了解,这是对前后测量无法实现的,同时保证了操作员的安全。本文介绍了PCAMS RadPiper机器人的技术细节。该机器人的主要功能包括精确距离测量,管道内障碍物检测,两种管道尺寸的变换能力以及自主操作的稳健性。提供了展示机器人功能的测试结果,包括部署公差测试,安全防护测试和本地化测试。还显示了集成的机器人测试。
translated by 谷歌翻译
在时间规划中,许多不同的时间网络形式被用于模拟现实世界的情况。这些形式主义中的每一种都具有不同的特征,这些特征影响了确定时间约束的基础网络是否一致的容易程度。虽然许多较简单的大小单双倍投公式已经从计算复杂性的角度进行了研究,但是针对结合特征的高级大小单双倍投公式开发的算法具有非常宽松的复杂性边界。在本文中,我们为具有条件,析取和时间不确定性的时间网络的强,弱和动态可控性检查提供了严格的完整性界限。我们的工作暴露了这些不同结构之间的一些细微差别,并且显着地确保了所有这些问题都可以在PSPACE中计算出来。
translated by 谷歌翻译
我们给出了一种新算法,用于逼近已被最坏情况$ L_0 $噪声破坏的近似稀疏信号的离散傅里叶变换,即信号的有界坐标数已被任意破坏。我们的技术推广到用于数据分析的各种线性变换,例如离散余弦和正弦变换,Hadamard变换及其高维模拟。我们使用我们的算法来成功防御图像分类设置中众所周知的$ L_0 $对手。我们在基于雅可比的显着图攻击(JSMA)和对MNIST和Fashion-MNIST数据集的Carlini Wagner(CW)$ L_0 $攻击以及ImageNet数据集的Adversarial Patchon上给出实验结果。
translated by 谷歌翻译
音乐大小单双倍投公式需要有能力回忆过去的细节,并对音乐结构有清晰,连贯的理解。本文详细介绍了强大的强化学习架构,可以预测和生成符合音乐规则的复调音乐。所呈现的概率大小单双倍投公式是用具有令人联想到卷积核的伪核训练的双轴LSTM。为了鼓励探索并在生成的音乐上实现更大的全球连贯性,采用了深度强化学习方法DQN。当从数量和质量上进行分析时,这种方法很好地融合了复音音乐。
translated by 谷歌翻译
大小单双倍投公式 医学成像机器学习算法通常在单一的基础上进行评估。尽管在数据集的不同子集上执行了训练和测试,但基于一项研究建立的大小单双倍投公式显示出有限的能力来推广到其他研究。虽然数据库偏差已经被认为是计算机视觉社区中的一个严重问题,但它在医学成像研究中基本上没有被注意到。因此,转移学习仅限于重新使用需要对新数据集进行重新训练的特征表示。因此,即使在对捕获的成像数据集进行训练以研究相同的感兴趣变量时,机器学习大小单双倍投公式也不会概括。将一项研究中收集的知识转移到另一项研究的能力,如果可能的话,不需要进行培训就可以确保大小单双倍投公式能够学习知识,而不是研究数据集的特性。在本文中,我们将数据集偏差问题置于医学成像研究的背景下。我们证明了医学数据集中存在这样一个问题的经验证据。然后,我们提出了取消研究成员资格的框架,作为处理数据库偏差问题的一种手段。我们的主要想法是将原始特征空间中的数据转移到中间空间,在该中间空间中,数据点是无法区分的研究对象,同时保持对感兴趣变量的识别能力。这将促进大小单双倍投公式,这些大小单双倍投公式学习所研究的病因学的更一般性质,而不是与数据集特定的特性相对应。基本上,我们提出的大小单双倍投公式可以解释数据集偏差。
translated by 谷歌翻译
许多现代机器学习方法需要大量的培训数据来学习新的概念;相反,人类学习通常需要很少的例子 - 有时只有一个 - 学习者可以从中抽象结构概念。我们提出了一种新方法,将新的空间结构引入AI代理,将深度学习与定性空间关系与各种启发式搜索算法相结合。该代理从基于块的结构的稀疏噪声集的示例中提取空间关系,并且训练那些关系集的卷积和顺序大小单双倍投公式。为了创建类似结构的novelexamples,代理开始在虚拟表上放置块,使用CNN预测最后放置的最相似的完整示例结构,使用LSTM预测完成它的最可能的剩余移动集,并使用启发式推荐一个搜索。我们验证代理通过观察其虚拟块构建活动来学习该概念,其中它将每个潜在的后续行为排列到构建学习概念。我们通过人类参与者对块结构的评级来实证评估这种方法。由训练有素的代理人生成的结构的初步结果和定性评估显示了它从训练数据中概括了概念的位置,启发式搜索空间中的启发式最佳,以及我们如何改进学习和执行。
translated by 谷歌翻译