自动驾驶所需的大量传感器对汽车总线系统的容量提出了巨大的挑战。需要理解比特率和感知性能之间的权衡。在本文中,我们将图像压缩标准JPEG,JPEG2000和WebP与基于生成对抗网络(GAN)的modernencoder / decoder图像压缩方法进行比较。我们使用诸如峰值信噪比(PSNR),结构相似性(SSIM)等的典型度量来评估纯压缩性能,还评估后续感知函数的性能,即语义分段(以对联合的平均交叉特征为特征) mIoU)措施)。毫不奇怪,对于所有调查的压缩方法,更高的比特率意味着在所有被调查的质量度量中更好的结果。然而,有趣的是,我们表明GAN自动编码器在高度相关的低比特率区域(at0.0625位/像素)的语义分段moU比JPEG2000更好3.9%的绝对值,尽管就PSNR来说,latterstill要好得多( 5.91 dB差异)。通过利用来自解码器的图像训练语义分割模型可以极大地扩大该效果,使得使用由GAN重建训练的分割模型的mIoU超过使用原始图像训练的模型几乎20%的绝对值。我们得出结论,未来自动驾驶中的分布式感知很可能不会通过使用JPEG2000等标准压缩方案来解决汽车总线容量瓶颈,但需要现代编码方法,GAN编码器/解码器方法是一种很有前景的候选方案。
translated by 谷歌翻译
单光子雪崩二极管(SPAD)开始在光子高效的远程LiDAR系统的开发中发挥关键作用。然而,由于它们的图像形成模型中的吨 - 线性,高光子通量(例如,强烈的太阳光)导致入射时间波形的失真,并且潜在地导致大的深度误差。在低通量状态下操作SPAD可以解决这些失真,但是,通常需要衰减信号和脉冲,导致低信噪比。在本文中,我们讨论了以下基本问题:基于SPAD的LiDAR应该在哪个最佳光子通量?我们推导出最佳流量的闭合形式表达式,它是准深度不变的,并且取决于环境光强度。最佳通量低于SPAD通常在真实场景中测量的通量,但令人惊讶的是,它远远高于传统建议用于避免失真的情况。我们提出了一种简单的自适应方法,通过衰减基于环境光强度估计的入射通量来实现最佳通量。使用广泛的模拟和硬件原型,我们表明,在广泛的照明条件下,最佳通量标准适用于几个深度估算器。
translated by 谷歌翻译
当廉价获得时,显着地使用多保真方法,但是可能存在偏差和噪声,观察必须与有限或昂贵的真实数据有效地组合以构建可靠的模型。这两个基本的机器学习过程,如贝叶斯优化,以及更实际的科学和工程应用。本文我们开发了一种新的多保真模型,将高斯过程层作为保真度水平处理,并使用变分推理方法进行传播。他们的不确定性。这允许捕获保真度之间的非线性相关性,其中过度拟合利用组成结构的现有方法的风险较低,这相反地受到结构假设和约束的影响。我们表明,所提出的方法在多保真设置中量化和传播不确定性方面取得了实质性的改进,从而提高了决策管道的有效性。
translated by 谷歌翻译
语义服务(例如语义桌面)仍然受到冷启动问题的影响:在开始时,用户的个人信息领域,即文件,邮件,书签等,不由系统表示。用于启动系统的信息提取工具通常创建不同信息项的1:1表示。不提取更高级别的概念,例如在文件名,邮件主题或这些项目的内容主体中找到的概念。抛弃这些概念可能会带来更好的表现,不得不使用其中许多(例如,通过使每个发现的术语成为aconcept)将所产生的知识图与非有用的关系混乱。在本文中,我们提出了一种交互式概念挖掘方法,提出通过利用收集的候选概念给出通常的个人信息管理应用程序的模式,并使用各种度量分析个人信息。为了注意用户的主观观点,agraphical用户界面允许容易地对建议的概念候选者进行排名和给出反馈,从而仅保留那些实际上被认为是相关的。 Aprototypical实现演示了我们的方法的主要步骤。
translated by 谷歌翻译
机器学习模型通常在预测的准确性方面表现优异,但由于其非线性和非参数结构而不透明。这使得统计推断具有挑战性,并使他们从许多应用程序中取消资格,其中模型可解释性至关重要。本文提出Shapleyregression框架作为非线性或非参数模型的统计推断方法。推理是基于模型的Shapley值分解,来自合作博弈理论的支付概念。 Ishow表明机器学习的通用逼近器是估计一致的,并引入了对个体变量贡献,模型偏差和参数函数形式的假设检验。使用数值模拟和实际数据研究了最先进的机器学习模型的推理性能 - 如人工神经网络,支持向量机和随机森林。所提出的框架在某种意义上是独特的,如果模型在参数上是线性的,则它与线性模型上的统计参考的传统情况相同。这使得它成为更一般模型的良好推动力,并加强了使用机器学习来为决策提供信息的情况。
translated by 谷歌翻译
实际项目调度通常需要在选择和替代生产活动的确切长度方面具有灵活性。此外,在许多生产计划应用中,必须同时安排多个批次。为了满足这些要求,引入了一个新的灵活资源约束的多项目调度问题,其中两个决策(活动选择灵活性和时间灵活性)被集成。除最小化完工时间外,还提出了两个由asteel行业应用案例启发的替代目标:最大化所选活动的平衡时间(时间平衡)和均衡资源利用(资源平衡)的最大化。针对已开发的集成柔性项目调度问题,提出了新的混合整数和约束规划(CP)模型。通过使用IBMILOG CPLEX的CP Optimizer解决大型钢铁行业实例,可以显示建议的CP模型的实际适用性。此外,灵活的资源约束项目调度问题(RCPSP)的基准实例被解决为最优。
translated by 谷歌翻译
Deep Reinforcement Learning已被证明在复杂游戏中非常成功,例如Atari或Go。这些游戏有明确的规则,因此允许模拟。然而,在许多实际应用中,与环境的相互作用是昂贵的并且不能获得良好的环境模拟器。此外,由于环境因应用而不同,增强剂的最佳诱导偏差(结构,超参数等)取决于应用。在这项工作中,我们提出了一种多臂强盗框架,从一组不同的强化学习代理中选择具有最佳归纳偏差的强化学习代理。为了缓解稀疏人员的问题,强化学习代理增加了代理人。这有助于强盗框架尽早选择最佳代理,因为这些奖励比环境奖励更顺畅,更少稀疏。 Thebandit具有双重目标,即在代理人学习并在有限数量的学习步骤之后选择最佳代理时最大化奖励。我们在标准环境中的实验结果表明,所提出的框架能够在完成一系列步骤之后始终选择最佳代理,与选择次优架构或在不同代理之间统一交替相比,收集更多累积奖励。
translated by 谷歌翻译
已知贝叶斯优化难以扩展到高维度,因为获取步骤需要在相同的搜索空间中解决非凸优化问题。为了扩展方法并保持其优点,我们提出了一种算法(LineBO),该算法将问题限制为一系列选择性的一维子问题。我们表明,当函数是强凸的时,我们的算法会全局收敛并获得快速的本地速率。此外,如果目标具有不变的子空间,则我们的方法在不改变算法的情况下自动适应有效维度。我们的方法可以很好地扩展到高维度并且使用全局高斯过程模型。当结合SafeOpt算法来解决子问题时,我们得到了第一个安全的贝叶斯优化算法,其理论保证适用于高维设置。我们在多个综合基准测试中评估我们的方法,我们获得了竞争性能。此外,我们部署我们的算法,以最多40个参数优化瑞士自由电子激光的光束强度,同时满足安全操作约束。
translated by 谷歌翻译
由于具有捕获词汇语义的可能性,许多信息检索和自然语言处理任务。然而,虽然许多此类任务涉及依赖于命名实体作为中心组件,但是流行词嵌入模型迄今未能将实体包括为一等公民。虽然看起来直观的是在训练中注释命名实体,语料库应该为下游任务提供更智能的单词特征,但是当流行的嵌入方法被非常适用于实体注释的语料库时,会出现性能问题。由此产生的实体嵌入不仅比预期更少使用,而且还发现非实体wordembeddings的性能与那些在原始未注释的公司上训练的那些相比有所降低。在本文中,我们研究了在具有自动注释和关联性的大型语料库中联合训练单词身份嵌入的方法。我们讨论了两种不同的生成suchembedding的方法,即在原始文本和语料库的注释版本上训练最先进的嵌入,以及注释语料库的共现图表示的节点嵌入。我们将注释嵌入和经典词嵌入的性能与各种单词相似性,类比和聚类评估任务进行比较,并研究它们在特定于实体的任务中的性能。我们的研究结果表明,在一个带注释的语料库中需要更多的流行词嵌入模型来创建在常见测试用例中具有可接受性能的实体嵌入。基于这些结果,我们讨论了如何以及何时嵌入文本的共现图表示的节点嵌入可以恢复性能。
translated by 谷歌翻译
利用高斯和Rademacher复杂度导出均匀边界的方法扩展到样本平均值被非线性替换的情况。获得U统计量的平滑边界,平滑L-统计量和l2正则化算法的误差函数。
translated by 谷歌翻译