我们已经开发了带有被动动态步行机制的双头机器人。这项研究提出了一个指南针模型，其摇摆质量连接到上半身，并沿水平方向振荡，以阐明上半身水平动力学对两足动物行走的影响。该模型的极限周期进行了数值搜索，并研究了它们的稳定性和能源效率。根据支持摇摆质量的弹簧常数，获得了几个不同的极限周期。特定类型的解决方案降低了稳定性，同时降低了意外下降并提高能源效率的风险。获得的结果归因于摇摆的质量朝与上半身相反的方向移动，从而防止行走时加速和减速的大幅变化。研究了所提出的模型的运动与实际的双头机器人与人类步态之间的关系。
translated by 谷歌翻译
由于社会心理健康问题的增加，近年来开发机器学习模型以进行心理健康检测或预测的研究有所增加。有效地使用心理健康预测或检测模型可以帮助精神卫生从业人员比目前更具客观地重新定义精神疾病，并在干预措施更有效的早期阶段确定疾病。但是，在该领域的机器学习模型中评估偏见仍然缺乏标准，这导致了提供可靠的预测和解决差异的挑战。由于技术困难，高维临床健康数据的复杂性等因素，因此缺乏标准持续存在，这对于生理信号尤其如此。这与某些生理信号与某些人口认同之间的关系的先前证据加强了探索利用生理信号的心理健康预测模型中偏见的重要性。在这项工作中，我们旨在进行公平分析，并使用ECG数据对焦虑预测模型实施基于多任务学习的偏差缓解方法。我们的方法基于认知不确定性及其与模型权重和特征空间表示的关系。我们的分析表明，我们的焦虑预测基本模型在年龄，收入，种族以及参与者是否在美国出生时引入了一些偏见，而我们的偏见缓解方法在减少模型中的偏见方面的表现更好重新加权缓解技术。我们对特征重要性的分析还有助于确定心率变异性与多个人口统计组之间的关系。
translated by 谷歌翻译
情绪预测在心理健康和情绪感知计算中起着至关重要的作用。情绪的复杂性质是由于其对一个人的生理健康，精神状态和周围环境的依赖而产生的，这使其预测一项艰巨的任务。在这项工作中，我们利用移动传感数据来预测幸福和压力。除了一个人的生理特征外，我们还通过天气和社交网络纳入了环境的影响。为此，我们利用电话数据来构建社交网络并开发机器学习体系结构，该架构从图形网络的多个用户中汇总信息，并将其与数据的时间动态集成在一起，以预测所有用户的情感。社交网络的构建不会在用户的EMA或数据收集方面产生额外的成本，也不会引起隐私问题。我们提出了一种自动化用户社交网络影响预测的架构，能够处理现实生活中社交网络的动态分布，从而使其可扩展到大规模网络。我们广泛的评估突出了社交网络集成提供的改进。我们进一步研究了图形拓扑对模型性能的影响。
translated by 谷歌翻译
深度学习已被广泛用于推断强大的掌握。虽然最初用于学习掌握配置的人类标记的RGB-D数据集，但是这种大型数据集的准备是昂贵的。为了解决这个问题，通过物理模拟器生成图像，并且使用物理启发模型（例如，抽吸真空杯和物体之间的接触型号）作为掌握质量评估度量来注释合成图像。然而，这种联系方式复杂，需要通过实验进行参数识别，以确保真实的世界表现。此外，以前的研究还没有考虑机器人可达性，例如当具有高抓握质量的掌握配置由于机器人的碰撞或物理限制而无法到达目标时无法到达目标。在这项研究中，我们提出了一种直观的几何分析掌握质量评估度量。我们进一步纳入了可达性评估度量。我们通过拟议的评估度量对模拟器中的合成图像上的综合评估标准进行注释，以培训称为抽吸贪污U-Net ++（SG-U-Net ++）的自动编码器解码器。实验结果表明，我们直观的掌握质量评估度量与物理启发度量有竞争力。学习可达性有助于通过消除明显无法访问的候选者来减少运动规划计算时间。该系统实现了560pph（每小时碎片）的整体拾取速度。
translated by 谷歌翻译
本文提出了一种完全分散的联邦学习（FL）方案，用于通过多跳网络连接的所有内容（IOE）设备。由于FL算法几乎没有收敛机器学习（ML）模型的参数，因此本文侧重于功能空间中ML模型的收敛性。考虑到ML任务的代表性损失函数例如，均方误差（MSE）和Kullback-Leibler（KL）发散，是凸起的功能，直接更新功能空间中的功能的算法可以收敛到最佳解决方案。本文的关键概念是定制基于共识的优化算法，可以在功能空间中工作，以分布式方式实现全局最佳。本文首先分析了函数空间中所提出的算法的收敛，其被称为元算法，并且示出了频谱图理论可以以类似于数值矢量的方式应用于函数空间。然后，为神经网络（NN）开发了基于共识的多跳联盟蒸馏（CMFD）以实现元算法。 CMFD利用知识蒸馏来实现相邻器件之间的功能聚集而没有参数平均。 CMFD的一个优点是它即使在分布式学习者中使用不同的NN模型也是如此。虽然CMFD不完全反映元算法的行为，但元算法的融合属性的讨论促进了对CMFD的直观理解，并且模拟评估表明，NN模型会聚使用CMFD进行多种任务。仿真结果还表明，CMFD比弱连接网络的参数聚合实现更高的准确性，CMFD比参数聚合方法更稳定。
translated by 谷歌翻译
2020-07-09
我们介绍了ThreedWorld（TDW），是交互式多模态物理模拟的平台。 TDW能够模拟高保真感官数据和富裕的3D环境中的移动代理和对象之间的物理交互。独特的属性包括：实时近光 - 真实图像渲染;对象和环境库，以及他们定制的例程;有效构建新环境课程的生成程序;高保真音频渲染;各种材料类型的现实物理相互作用，包括布料，液体和可变形物体;可定制的代理体现AI代理商;并支持与VR设备的人类交互。 TDW的API使多个代理能够在模拟中进行交互，并返回一系列表示世界状态的传感器和物理数据。我们在计算机视觉，机器学习和认知科学中的新兴的研究方向上提供了通过TDW的初始实验，包括多模态物理场景理解，物理动态预测，多代理交互，像孩子一样学习的模型，并注意研究人类和神经网络。
translated by 谷歌翻译
The purpose of this study is to introduce new design-criteria for next-generation hyperparameter optimization software. The criteria we propose include (1) define-by-run API that allows users to construct the parameter search space dynamically, (2) efficient implementation of both searching and pruning strategies, and (3) easy-to-setup, versatile architecture that can be deployed for various purposes, ranging from scalable distributed computing to light-weight experiment conducted via interactive interface. In order to prove our point, we will introduce Optuna, an optimization software which is a culmination of our effort in the development of a next generation optimization software. As an optimization software designed with define-by-run principle, Optuna is particularly the first of its kind. We will present the design-techniques that became necessary in the development of the software that meets the above criteria, and demonstrate the power of our new design through experimental results and real world applications. Our software is available under the MIT license (https://github.com/pfnet/optuna/).
translated by 谷歌翻译