近年来，对图表的研究受到了极大的关注。但是，到目前为止，大多数研究都集中在单层图的嵌入上。涉及多层结构的表示问题问题的少数研究取决于以下强烈的假设：层间链接是已知的，这限制了可能的应用范围。在这里，我们提出了多层，这是允许嵌入多重网络的图形算法的概括。我们表明，多层能够重建层内和层间连接性，超过了图形，该图是为简单图形而设计的。接下来，通过全面的实验分析，我们还以简单和多重网络中的嵌入性能阐明，表明图的密度或链接的随机性都会强烈影响嵌入的质量。
translated by 谷歌翻译
Large language models (LLMs) have been shown to be able to perform new tasks based on a few demonstrations or natural language instructions. While these capabilities have led to widespread adoption, most LLMs are developed by resource-rich organizations and are frequently kept from the public. As a step towards democratizing this powerful technology, we present BLOOM, a 176B-parameter open-access language model designed and built thanks to a collaboration of hundreds of researchers. BLOOM is a decoder-only Transformer language model that was trained on the ROOTS corpus, a dataset comprising hundreds of sources in 46 natural and 13 programming languages (59 in total). We find that BLOOM achieves competitive performance on a wide variety of benchmarks, with stronger results after undergoing multitask prompted finetuning. To facilitate future research and applications using LLMs, we publicly release our models and code under the Responsible AI License.
translated by 谷歌翻译
我们研究了可变形对象的学习图动力学问题，这些动力学将其推广到未知物理特性。特别是，我们利用了像布状可变形物体的弹性物理特性的潜在表示，我们通过拉动相互作用探索。我们提出了EDO-NET（弹性可变形物体 - NET），该模型在具有不同弹性特性的各种样品上以自我监督的方式训练。EDO-NET共同学习了一个适应模块，负责提取对象物理特性的潜在表示，以及一个前向动力学模块，该模块利用潜在的表示来预测类似布的对象的未来状态，表示为图形。我们在模拟和现实世界中评估了江户网 - 评估其功能的：1）概括为布状可变形物体的未知物理特性，2）将学习的表示形式转移到新的下游任务。
translated by 谷歌翻译
与纺织品（例如辅助敷料）的物理互动依赖于先进的灵巧能力。拉扯和拉伸时纺织行为的潜在复杂性是由于纱线材料特性和纺织品构造技术所致。如今，还没有采用和注释的数据集评估各种交互或属性识别方法。影响这种相互作用的一种重要特性是材料弹性是由纱线材料和构造技术引起的：这两个是交织在一起的，如果不知道A-Priori，几乎无法通过在机器人平台上使用常见的传感来识别。我们介绍了弹性环境（EC），该概念集成了影响弹性行为的各种属性，以使其与纺织品进行更有效的物理互动。 EC的定义依赖于纺织工程中常用的压力/应变曲线，我们为机器人应用重新制定了压力/应变曲线。我们使用图形神经网络（GNN）使用EC来学习纺织品的通用弹性行为。此外，我们探讨了EC对非线性现实世界弹性行为的准确力量建模的影响，从而强调了当前机器人设置以感知纺织特性的挑战。
translated by 谷歌翻译
胶囊网络（参见例如Hinton等，2018）旨在编码有关对象及其部分之间关系的知识和理由。在本文中，我们为此类数据指定了一个生成模型，并得出了一种用于推断场景中每个模型对象转换的变异算法以及观察到的部分对对象的分配。我们基于变异期望最大化来得出对象模型的学习算法（Jordan等，1999）。我们还根据Fischler和Bolles（1981）的RANSAC方法研究了一种替代推理算法。我们将这些推理方法应用于（i）从正方形和三角形（“星座”）等多个几何对象生成的数据，以及（ii）基于零件的面部模型的数据。 Kosiorek等人的最新工作。 （2019年）通过堆叠的胶囊自动编码器（SCAE）使用摊销推理来解决此问题 - 我们的结果表明，我们在可以进行比较的地方（在星座数据上）大大优于它们。
translated by 谷歌翻译
由于模糊图像本身缺乏时间和纹理信息，因此非均匀的图像脱毛是一项具有挑战性的任务。来自辅助传感器的互补信息正在探索这些事件传感器以解决这些限制。后者可以异步记录对数强度的变化，称为事件，具有高时间分辨率和高动态范围。当前的基于事件的脱蓝晶方法将模糊图像与事件结合在一起，以共同估计每个像素运动和DeBlur操作员。在本文中，我们认为一种分裂和争议的方法更适合此任务。为此，我们建议使用调制可变形的卷积，其内核偏移和调制掩模是从事件中动态估算的，以编码场景中的运动，而从模糊图像和相应事件的组合中学习了deblur操作员。此外，我们采用了一种粗到十的多尺度重建方法来应对低对比度区域中事件的固有稀疏性。重要的是，我们介绍了第一个数据集，其中包含对曝光时间内的真实RGB模糊图像和相关事件的对。我们的结果在使用事件时显示出更好的总体鲁棒性，在合成数据上，PSNR的改进最多可提高1.57db，而对真实事件数据的改进则提高了1.08 dB。
translated by 谷歌翻译
本文探讨了数据驱动模型使用简单的分类标签预测电源系统中电压偏移事件的有效性。通过将预测视为一项分类分类任务，工作流程的特征是计算负担低。关于意大利150 kV子贸易网络的真实部分的概念验证案例研究，该网络托管大量风能发电，证明了该提案的一般有效性，并深入了解了几个广泛的优势和劣势利用此应用程序的预测模型。
translated by 谷歌翻译
从先前收集的专家数据数据集中学习提供了有望在没有不安全和昂贵的在线探索的情况下获取机器人政策。但是，一个主要的挑战是培训数据集中的各州与在测试时学到的政策访问的国家之间的分配转移。尽管先前的工作主要研究了在离线培训期间政策引起的分配变化，但研究在部署时间从分布状态恢复的问题还不是很好。我们通过引入一项恢复政策来减轻部署时间的分配转变，该恢复政策将代理人带回培训歧管，每当由于外部扰动而逐渐退出分布状态，例如。恢复策略依赖于训练数据密度的近似值和学习的模棱两可的映射，该映射将视觉观测映射到一个潜在空间中，在该空间中，翻译与机器人动作相对应。我们通过在真正的机器人平台上进行了几个操纵实验来证明所提出的方法的有效性。我们的结果表明，恢复策略使代理可以完成任务，而行为克隆仅由于分配转移问题而失败。
translated by 谷歌翻译
数据清洁通常包括离群检测和数据修复。系统错误是由于数据反复发生的几乎确定性转换而导致的，例如特定的图像像素设置为默认值或水印。因此，容量足够的模型很容易地超出这些错误，从而使检测和修复变得困难。作为系统的离群值是干净实例和系统误差模式的模式的组合，我们的主要见解是，嵌入者可以通过模型中的较小的表示形式（子空间）来建模，而不是离群值。通过利用这一点，我们提出了清洁子空间变量自动编码器（CLSVAE），这是一种新型的半监督模型，用于检测和自动修复系统误差。主要思想是分别分别分区潜在的空间和模型模型。与以前的相关模型相比，CLSVAE的有效数据少得多，通常不到2％的数据。我们在具有不同级别的损坏和标记的集合大小的方案中使用三个图像数据集提供实验，与相关基线相比。 CLSVAE提供了无人干预的优质维修，例如与最接近的基线相比，只有标记数据的0.25％的相对误差下降了58％。
translated by 谷歌翻译
在这项工作中，我们对基于梯度的元学习（GBML）方法的适应后参数的分布进行了分析。先前的工作已经注意到，对于图像分类的情况，这种适应只发生在网络的最后一层。我们提出了一个更一般的观念，即参数通过与任务空间相同的维度的低维\ emph {subpace}进行更新，并表明这也可以进行回归。此外，诱导的子空间结构提供了一种方法来估计常见的几个弹药学习数据集任务空间的内在维度。
translated by 谷歌翻译