许多昂贵的黑盒优化问题对它们的输入敏感。在这些问题中,找到一个好的设计区域比一个可能的脆弱的优化设计更有意义。使用贝叶斯优化可以有效地优化昂贵的黑盒功能,其中高斯过程是一种流行的选择,作为先前的昂贵功能。我们提出了一种使用贝叶斯优化的稳健优化方法,以找到设计空间的区域,其中昂贵的功能性能对输入不敏感,同时保持良好的质量。这是通过对高斯过程进行抽样实现来实现的,该高斯过程对昂贵的函数进行建模并评估每个实现的改进。通过演化算法可以廉价地优化这些改进的期望,以确定评估昂贵功能的下一个位置。我们描述了一种有效的过程来确定最佳的预期改进。我们凭经验证明,在候选最佳位置评估模型最不确定的位置上的昂贵函数随机产生与剥削方案相比的最佳收敛。我们用二,五和八维度中的六个测试函数来说明我们的方法,并证明它能够胜过文献中最先进的方法。
translated by 谷歌翻译
认识到作为诗歌或散文的一段文字对于大多数人来说通常都很容易;但是,只有专家可以确定哪个仪表是poembelongs。在本文中,我们建立了回归神经网络(RNN)模型,可以根据纯文本中的米来对诗歌进行分类。输入文本在字符级别进行编码,并直接输入到模型而不进行特征处理。这是机器理解和语言合成的一个进步,尤其是阿拉伯语。在16个阿拉伯语和4米英语的诗歌中,网络能够对诗歌进行错误的分类,总体准确率分别为96.38%和82.31%。用于进行这项研究的诗集数据量很大,超过150万节经文,并且来自不同的非技术资源,几乎阿拉伯和英国文学网站,以及不同的异构和非结构化格式。现在,这些数据集以干净,结构化和文档化的格式公开提供,供其他未来研究使用。据作者所知,这项研究是第一个通过机器学习方法对诗计进行分类,特别是在RNN无特征方法中。此外,该数据集是第一个公开可用的数据集,可用于未来的计算研究。
translated by 谷歌翻译
恶意网络攻击的传播者继续增加其技术的复杂性和复杂性,并且其逃避检测的能力也在不断提高。因此,入侵检测系统也必须发展以满足这些日益具有挑战性的威胁。机器学习用于支持这种必要的改进。但是,训练良好的预测模型可能需要大量标记的训练数据。由于隐私问题阻止了大多数入侵检测机构共享其敏感数据,因此难以获得此类数据集。在本文中,我们建议使用模仿学习,通过私人数据培训的教师模型将入侵检测知识转移到模糊的模型。该学生模型提供了从私有数据中提取的公开共享知识的手段,而不共享数据本身。我们的结果证实,所提出的方案可以产生模仿教师模型的学生入侵检测模型,而无需访问原始数据集。
translated by 谷歌翻译
D-Wave量子退火炉(QA)具有2048个量子位晶格,没有丢失的量子位和耦合,允许嵌入RestrictedBoltzmann Machine(RBM)的完整图形。使用具有8x7像素可见单位的手写数字OptDigits数据集用于使用经典的ContrastiveDivergence训练RBM。将经过经典训练的RBM嵌入到D-Wave格子中用于证明QA提供了经典马尔可夫链蒙特卡罗(MCMC)的高效替代方案,用于重建测试图像的缺失标签以及生成模型。在任何训练迭代中,基于D-Wave的分类的分类误差比MCMC低两倍以上。本研究的主要目的是从RBM模型分布中调查样本的质量,并将其与经典MCMC样本进行比较。对于OptDigits数据集,与MCMC样本相比,D-Wave样本中的状态属于大约两倍多的局部谷。通过D-Wave也可以找到MCMC样本中的所有最低能量(最高联合概率)局部最小值。 D-Wave错过了许多较高能量的山谷,同时发现MCMC一直错过许多“新的”当地山谷。已经确定,D-Wave发现的“新”局部山谷对于模型分布而言对于相应的局部最小值的能量,局部山谷的宽度和逃逸屏障的高度而言是重要的。
translated by 谷歌翻译
X射线行李安全检查广泛用于维护航空和运输安全。特别感兴趣的是对特定类别物体(如电子,电子设备和液体)的自动安全X射线分析的关注。但是,在处理潜在的异常物品时,手动检查这些物品是一项挑战。在这里,我们提出了一种双卷积神经网络(CNN)架构,用于在复杂的安全X射线图像中进行自动异常检测。我们利用基于区域(R-CNN),基于掩模的CNN(掩模R-CNN)和检测结构(例如RetinaNet)的最新进展来为特定的感兴趣对象类提供对象定位变体。随后,利用一系列已建立的CNN对象和细粒度类别分类方法,我们在对象异常检测中将其形成为两类问题(异常或良性)。虽然最佳执行对象定位方法能够以超过六级X射线物体检测问题的97.9%平均平均精度(mAP)执行,但随后的两级异常/良性分类能够在对象异常检测中实现66%的性能。 。总的来说,这种表现既包括在杂乱的X射线安全图像的背景下对物体异常检测的挑战和承诺。
translated by 谷歌翻译
鲸鱼优化算法(WOA)是一种自然启发的元启发式优化算法,由Mirjalili和Lewis于2016年提出。该算法已经显示出解决许多问题的能力。已经对其他一些自然启发的算法进行了综合调查,如ABC,PSO等。尽管如此,还没有对WOA进行过调查搜索工作。因此,本文对WOA进行了系统的元分析调查,以帮助研究人员。在不同的领域使用它或与其他常用算法混合。因此,WOA在算法背景,其特征,限制,修改,杂交和应用方面进行了深入介绍。接下来,提出WOA表现以解决不同的问题。然后,建立WOA修改和杂交的统计结果,并与最常用的优化算法和WOA进行比较。调查结果表明,WOA在收敛速度和开发与开发之间的平衡方面表现优于其他常用算法。与WOA相比,WOA修饰和杂交也有效。此外,我们的研究通过杂交WOA和BAT算法为展示新技术铺平了道路。 BAT算法用于探索阶段,而WOA算法用于探索阶段。最后,从WOA-BAT获得的统计结果非常具有竞争力,并且在16个基准测试函数中优于WOA。 WOA-BAT在CEC2005的13个功能和CEC2019的7个功能方面也表现出色。
translated by 谷歌翻译
传统的治疗方法限制了外科医生的灵活性控制,这是由于有限的视野。随着机器人辅助手术的出现,微创手术的医疗技术已经发生了范式转变。然而,在手术场景中追踪手术器械的位置是非常具有挑战性的,并且精确检测和识别手术工具是至关重要的。基于深度学习的手术视频的语义分割框架有可能促进这项任务。在这项工作中,我们通过引入经过预先训练的编码器并重新设计解码器部分来修改名为U-NetPlus的U-Net架构,方法是将转置的卷积操作替换为基于最近邻(NN)插值的上采样操作。为了进一步提高性能,我们还采用了一种非常快速且灵活的数据增强技术。我们通过MICCAI 2017EndoVis Challenge数据集对8 x 225帧机器人手术视频序列进行了框架训练,并在8 x 75帧和2 x 300帧视频上进行了测试。使用我们的U-NetPlus架构,我们报告用于二进制分割的90.20%DICE,用于仪器部分分割的76.26%DICE,以及​​用于仪器类型(即,所有仪器)分段的46.07%,优于在这些数据上实现和测试的先前技术的结果。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
本文提出了一种基于深度学习方法评估身体康复训练的新框架。该框架的目标是基于捕获的全身关节轨迹自动量化患者在完成预备康复训练中的表现。该框架的主要组成部分是用于测量运动性能的度量,用于将性能度量映射到运动质量的数值得分的评分函数,以及用于通过监督学习来调整输入运动的质量得分的深度神经网络模型。此外,现有的建模方法的概述提出了康复运动的评估,包括各种距离函数,降维技术以及先前研究中用于该问题的运动模型。据我们所知,这是第一个实施深度神经网络评估康复性能的工作。多个深度网络体系结构被重新用于任务吸入,并在康复训练数据集上进行验证。
translated by 谷歌翻译
面部图像检索是一项具有挑战性的任务,因为面部具有许多相似的特征(区域),这使得检索系统难以区分不同人的面部。随着深度学习的出现,深度网络经常被应用于提取在许多计算机视觉领域中使用的强大功能。本文研究了不同深度学习模型在人脸图像检索中的应用,即Alexlayer6,Alexlayer7,VGG16layer6,VGG16layer7,VGG19layer6和VGG19layer7,以及两种类型的字典学习技术,即$ K $ -means和$ K $ -SVD。我们还研究了一些系数学习技术,如同伦,套索,弹性网和SSF及其对人脸检索系统的影响。在三个标准人脸图像数据集上进行的实验的比较结果表明,用于人脸图像检索的最佳表现者是具有$ K $ -means和SSF的Alexlayer7,具有$ K $ -SVD和SSF的Alexlayer6,以及具有$ K $ -means和SSF的Alexlayer6 。这些方法的APR和ARR进一步与基于局部描述符的现有技术方法相比较。实验结果表明,深度学习优于大多数方法,因此可以推荐用于人脸图像检索实践
translated by 谷歌翻译