我们开发了一种自动变分方法,用于推导具有高斯过程(GP)先验和一般可能性的模型。该方法支持多个输出和多个潜在函数,不需要条件似然的详细知识,只需将其评估为ablack-box函数。使用高斯混合作为变分分布,我们表明使用来自单变量高斯分布的样本可以有效地估计证据下界及其梯度。此外,该方法可扩展到大数据集,这是通过使用诱导变量使用增广先验来实现的。支持最稀疏GP近似的方法,以及并行计算和随机优化。我们在小数据集,中等规模数据集和大型数据集上定量和定性地评估我们的方法,显示其在不同似然模型和稀疏性水平下的竞争力。在涉及航空延误预测和手写数字分类的大规模实验中,我们表明我们的方法与可扩展的GP回归和分类的最先进的硬编码方法相同。
translated by 谷歌翻译
信道分配是向用户分配信道的任务,使得某些目标(例如,和速率)最大化。在诸如细胞网络的集中式网络中,该任务由基站承载,该基站从用户收集信道状态信息(CSI)并计算最优解。在诸如ad-hoc和设备到设备(D2D)网络的分布式网络中,不存在基站并且在用户之间传送全局CSI是相当或不切实际的。当CSI是时变的并且对于用户来说是未知的时,用户面临着学习信道统计在线并且收敛到良好信道分配的挑战。这引入了具有多个决策者的多臂带(MAB)场景。如果两个用户或更多用户选择相同的信道,则发生冲突并且他们都收到零奖励。我们提出了一个分布式信道分配算法,每个用户运行并收敛到最优分配,同时实现O \ left(\ log T \ right)的顺序最优遗憾)。该算法基于分布式拍卖算法的载波感测多路访问(CSMA)实现。它不需要用户之间的任何信息交换。用户仅需要一次观察单个信道并且感测该信道上是否存在传输,而不解码传输或识别传输用户。我们使用模拟LTE和5G信道来演示我们的算法的性能。
translated by 谷歌翻译
在本文中,我们考虑使用portmanteau测试来测试多重季节性自回归移动平均(SARMA)模型的充分性,假设误差是不相关的但不一定是独立的。为了扩展误差项的标准独立性假设,我们应该扩展应用的范围。 SARMA模型。我们研究了残差和归一化残差经验自协方差和自相关的渐近分布。我们建立了所提统计的渐近行为。提出了一套蒙特卡罗实验和月平均总太阳黑子数的应用。
translated by 谷歌翻译
尽管存在固有的不明确定义,但异常检测是机器学习和视觉场景理解中相当兴趣的研究工作。通常,异常检测被认为是基于某种正态度量在给定数据分布中检测异常值。现实世界异常检测问题中最重要的挑战是可用数据对于正常性(即非异常)高度不平衡并且包含所有可能的异常样本的大部分子集 - 因此限制了良好建立的监督学习方法的使用。相比之下,我们介绍了无监督异常检测模型,仅对正常(非异常,丰富)样本进行训练,以便了解域的正态分布,从而根据与该模型的偏差检测异常。我们提出的方法采用编码器 - 解码器卷积神经网络,跳过连接,彻底捕捉高维图像空间中正常数据分布的多尺度分布。此外,利用针对该选择的体系结构的对抗性训练方案,在高维图像空间和更低维的潜在向量空间编码中提供了优越的重建。在训练期间最小化图像和隐藏向量空间内的重建误差度量,使模型根据需要学习正态性的分布。因此,在随后的测试和部署期间的较高重构度量指示了与该正态分布的偏差,因此指示了异常。在X射线安全屏幕的背景下,对已建立的异常检测基准和具有挑战性的真实数据集的实验表明了这种提议方法的独特前景。
translated by 谷歌翻译
在本文中,提出了一种特征提升网络,用于从单个RGB图像估计3D手势和3D身体姿势。在这种方法中,卷积层所获得的特征被一个新的长短期依赖性(LSTD)模块提升,这使得中间卷积特征图能够感知不同手(或身体)部分之间的图形长期短期依赖性。设计图形ConvLSTM。由于在3D姿态估计的实际应用中的模糊性,纹理和照明变化以及自遮挡,学习一组可靠且有区别地代表手(或身体)部分的特征是困难的。为了提高表示每个部分的特征的可靠性并增强LSTD模块,我们在本文中进一步引入了上下文一致性门(CCG),其中卷积特征映射根据它们与上下文表示的一致性进行调制。我们评估了所提出的用于3D手势估计和3D全身姿态估计的挑战性基准数据集的方法。实验结果表明,我们的方法在两个任务中都达到了最先进的性能。
translated by 谷歌翻译
在本文中,我们提出了一个基于显着性的属性SalSi来检测地震体内的saltdome体。 SalSi基于显着性理论和人类视觉系统(HVS)的建模。在这项工作中,我们的目标是突出地震体的部分,这些部分受到人类解释者的高度关注,并且基于地震图像的显着特征,我们检测到盐丘。实验结果表明,SalSi对北海F3区块采集的地震数据集的有效性。主观上,我们使用了不同盐丘组合算法的基本事实和输出来验证SalSi的结果。为了客观评价结果,我们使用了接收器操作特征(ROC)曲线和曲线下的区域(AUC)来证明SalSi是地震解释的一个有前途和无效的属性。
translated by 谷歌翻译
计算机视觉的最终承诺之一是帮助机器人代理执行活动任务,例如提供包裹或做家务。然而,解决“视觉”的传统方法是定义一组离线识别问题(例如物体检测)并解决这些问题。首先,这种方法面临着最近兴起的Deep ReinforcementLearning框架的挑战,这些框架使用图像作为输入从头开始学习活动任务。这提出了一系列基本问题:如果从头开始学习一切,计算机视觉的作用是什么?中间视觉任务是否可以实际执行任意下游活动任务?我们表明,正确使用中级感知比从头开始训练具有明显的优势。我们将感知模块实现为中级可视化表示的集合,并证明学习具有中级特征的活动任务具有更高的样本效率,并且能够在从刮擦方法失败的情况下进行概括。但是,我们表明,实现这些收益需要仔细选择每个下游任务的特定中级功能。最后,我们根据我们的研究结果提出了一个简单而有效的感知模块,可以作为主动框架的相当通用的感知模块。
translated by 谷歌翻译
在本文中,我们提出了一个基于SalSi的工作流程,用于检测和描绘盐丘等地质结构。 SalSi是一种基于人类视觉系统建模设计的地震属性,可以检测显着特征并捕获地震体积内的空间相关性,以描绘地震结构。使用SalSi,我们不仅可以突出盐丘的邻近区域来辅助地震解释器,还可以使用区域生长方法和后处理来描绘这些结构。所提出的描绘工作流程以非常好的精度和准确度检测盐 - 边界。实验结果表明,该工作流程对从北海F3区块采集的实际地震数据集的有效性。对于不同盐丘划分算法结果的主观评价,我们使用了由地球物理学家解释的参考盐 - 穹顶边界。为了客观评估结果,我们使用了基于像素,形状和曲率的五种不同指标来确定所提出的工作流程的有效性。与其他盐丘描绘算法相比,所提出的工作流程不仅快速而且产生更好的结果,并且显示出有希望的潜在的非线性解释。
translated by 谷歌翻译
从少量离散样本重建连续信号是科学和工程中的基本问题。在实践中,我们经常对具有“简单”傅立叶结构的信号感兴趣,例如带限,多频带和傅里叶稀疏信号。更广泛地说,任何有关信号傅立叶功率谱的先验知识都会限制其复杂性。直观地说,具有更高约束傅立叶结构的信号需要更少的样本来重构。我们通过表明,粗略地说,来自给定类的连续信号可以使用与该类的允许功率谱的*统计维度*成比例的大量样本来近似重建,从而形式化这种直觉。此外,在几乎所有设置中,这种自然测量紧密地表征了信号重建的样本复杂性。令人惊讶的是,我们还表明,对于对数因子,通用非均匀采样策略可以实现*任意类信号的最佳复杂度*。我们提出了一种简单有效的算法,用于从采集的样本中恢复信号。对于带限和稀疏信号,我们的方法匹配最先进的技术。同时,它为广泛的问题提供了第一个计算和样本有效的解决方案,包括多维信号重建和克里金法以及一维中的高斯过程回归任务。我们的工作基于随机线性代数和信号重建与约束傅里叶结构之间的新颖联系。我们将基于统计杠杆分数采样和基于列的矩阵重建的工具扩展到信号重构中出现的连续线性算子的近似。我们相信这些扩展具有独立的利益,并且可以作为使用随机方法解决各种连续时间问题的基础。
translated by 谷歌翻译
推荐系统被不同的用户服务提供商广泛使用,特别是那些与大型用户社区进行交互的用户。本文介绍了一种基于社区检测的推荐系统。使用用户之间的本地和全球相似性提供建议。本地信息来自社区,全球信息基于评级。在此,介绍了一种使用个性化PageRank隐喻的模糊社区检测方法。用户对社区的模糊隶属度值用于定义相似性度量。使用两个众所周知的数据集评估方法:MovieLens和FilmTrust。结果表明我们的方法优于最近的推荐系统。
translated by 谷歌翻译