本文提出了一个加权随机生存林。它可以被视为随机森林的改进,改善其性能。所提出的模型的基本思想是用权重分配给每棵树的替代用于估计随机生存森林危险函数的标准程序,并且可以作为训练参数,通过求解标准二次方以最佳方式计算得到的训练参数优化问题最大化Harrell的C指数。具有真实数据的数值示例说明了所提出的模型与原始随机生存林的比较的优异性。
translated by 谷歌翻译
基于梯度的元学习技术在解决具有挑战性的小镜头学习和快速适应问题方面具有广泛的适用性和实用性。然而,当在极低数据体系中操作高维参数空间时,它们具有实际困难。我们表明,通过学习模型参数的数据依赖性潜在生成表示,并在这个低维潜在空间中进行基于梯度的学习,可以绕过这些限制。由此产生的方法,潜在嵌入优化(LEO),将基于梯度的自适应过程与模型参数的基础高维空间分离。 Ourevaluation表明,LEO可以在竞争性的miniImageNet和tieredImageNet轻量级分类任务上实现最先进的性能。进一步分析表明LEO能够捕获数据中的不确定性,并且可以通过在潜在空间中进行优化来更有效地执行自适应。
translated by 谷歌翻译
鲍德温效应的范围最近受到两位人士的质疑,他们仔细研究了辛顿和诺兰的开创性工作。到目前为止,没有证明其在经验挑战性任务中的必要性。在这里,我们通过塑造高度参数和深度学习算法的初始参数,表明Baldwin效应能够演化出射击监督和强化学习机制。此外,它可以作为最近的机器学习算法在同一组问题上基因上适应强大的学习偏差。称为MAML“ModelAgnostic元学习”,它使用二阶梯度而不是进化来学习一组参考参数(初始权重),这些参数可以允许快速适应从分布中采样的任务。虽然在简单的情况下MAML比Baldwin效应更有效,但Baldwin效应更为通用,因为它不需要将梯度反向传播到参考参数或超参数,并且允许在内环中有效地允许任意数量的梯度更新。 Baldwin效应学习强大的学习依赖性,而不是纯粹基因学习,以独立于学习的方式适应固定行为。
translated by 谷歌翻译
以顺序方式学习任务的能力对于人工智能的发展至关重要。一般而言,神经网络不具备此功能,并且人们普遍认为灾难性遗忘是连接模型的必然特征。我们表明,有可能克服这种限制并培养能够保持他们长期没有经历过的专业知识的网络。我们的方法通过有选择地减慢重量重要任务的权重学习来记住任务。我们通过基于MNIST手写数字数据集解决一组分类任务并依次学习几个Atari 2600游戏,证明我们的方法是可扩展和有效的。
translated by 谷歌翻译
为了便于分析人类行为,交互和情感,我们从单个单眼图像计算人体姿势,手姿势和面部表情的3D模型。为了达到这个目的,我们使用了数以千计的3D扫描来追踪新的,统一的人体3D模型,SMPL-X,它扩展了SMPL非常清晰的双手和富有表现力的脸。如果没有配对图像和3D基础事实,学习直接从图像中回归SMPL-X的参数是一项挑战。因此,我们遵循SMPLify的方法,估计2D特征,然后优化模型参数以适应特征。我们以几个显着的方式改进SMPLify:(1)我们检测对应于面部,手部和脚部的2D特征并且完全适合SMPL-X型号; (2)我们在使用大型MoCapdataset之前训练一个新的神经网络姿势; (3)我们定义了一个既快速又准确的新的互穿惩罚; (4)我们自动检测性别和适当的身体模型(男性,女性或中性); (5)我们的PyTorch实现比Chumpy实现了超过8倍的加速。我们使用新方法SMPLify-X来适应野外的SMPL-X烟草控制图像和图像。我们评估了一个新的数据集上的3D精度,该数据集包含100个具有伪地面真实性的图像。这是一种来自单眼RGB数据的steptowards自动表达人类捕获。模型,代码和数据可用于研究目的://smpl-x.is.tue.mpg.de。
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
由于学习技术的进步,问题回答最近得到了人工智能社区的高度关注。早期的问答模式使用了基于规则的方法,并采用统计方法来解决大量可用的信息。然而,统计方法在处理动态性质和语言变化方面表现不佳。因此,学习模型已经显示出处理动态性质和语言变化的能力。许多深思熟虑的方法已被引入问答。与机器学习和统计方法相比,大多数深度学习方法都显示出更高的成果。语言的动态性质得益于深度学习中的非线性学习。这已经创造了突出的成功和问答的工作激增。本文讨论了在这些挑战中使用的问答系统和技术的问题和挑战。
translated by 谷歌翻译
在这项工作中,我们引入了一个差异渲染模块,它允许神经网络有效地处理杂乱的数据。该模块由连续的分段可微函数组成,定义为嵌入在3D空间中的传感器阵列。我们的模块是可学习的,可以轻松集成到神经网络中,允许使用基于梯度的方法以端到端的方式优化数据呈现,以实现特定的学习任务。实际上,模块的传感器单元可以独立转换并在本地聚焦和感知不同的部分。 3D数据。因此,通过他们的优化过程,细胞学会专注于数据的重要部分,绕过遮挡,杂乱和噪声。由于传感器单元最初位于agrid上,这相当于将场景高度非线性渲染为2Dimage。我们的模块在杂乱和杂乱的情况下表现特别好。同样,它可以很好地处理非线性变形,并通过适当的数据渲染提高分类准确性。在实验中,我们应用我们的模块来展示2D和3D杂乱数据中的高效本地化和分类任务。
translated by 谷歌翻译
区块链在其生命周期中会记录大量数据,这些数据在完全使用时会保留在整个数据库中。在机器人环境中,旧信息对于人类评估或者与区块链接口的神谕有用,但是对于仅需要当前信息以继续其工作的机器人来说它是无用的。这导致存储容量有限的区块链节点中的存储问题,例如在通常围绕嵌入式解决方案构建的机器人附着的节点的情况下。本文为具有有限存储容量的设备提供了一种时间分段解决方案,该解决方案集成在一个名为机器人链接的特定机器人定向区块链中。给出了关于所提出的解决方案的结果,该解决方案表明在不损害在这些容器中使用区块链所产生的所有益处的情况下达到了限制每个节点容量的目标,相反,它允许廉价节点使用该区块链,降低存储成本和允许更快地部署新节点。
translated by 谷歌翻译
非线性机器学习模型通常会因缺乏可解释性而牺牲一个很好的预测性能。然而,模型不可知解释技术现在允许我们估计任何预测模型的特征的影响和重要性。不同的符号和术语使他们的理解以及它们如何相关变得复杂。缺少对这些方法的统一观点。我们提出了广义SIPA(采样,干预,预测,聚合)工作阶段框架,用于模式诊断解释技术,并演示如何将几个突出的特征效应方法嵌入到提议的框架中。 Wealso正式引入预先存在的边际效应来描述黑盒模型的特征效应。此外,我们通过指出基于方差和基于性能的重要性度量如何基于相同的工作阶段,将框架扩展到特征重要性计算。广义框架可以作为在机器学习中进行模型不可知解释的指导。
translated by 谷歌翻译