由于渗透压,扩散和表面张力之间的相互作用,癸酸钠与氯化钠的薄层中的癸醇液滴表现出分叉分支生长。我们的目的是评估当液滴受到电势差时,支化液滴的形态是否发生变化。我们分析了液滴的图论理论结构,并应用了几种复杂性测量。我们发现,总的来说,当前的分支液滴的复杂性增加了它们的图形表示中连接的组件和节点的数量,形态复杂性和可压缩性。
translated by 谷歌翻译
高保真度计算模拟的使用有望实现高通量假设检验和癌症疗法的优化。然而,增加现实主义是以增加计算需求为代价的。本文探讨了使用替代辅助进化算法来优化多细胞模拟器PhysiCell对治疗性化合物肿瘤细胞的靶向递送。研究了高斯过程模型和多层感知器神经网络特征模型的使用。我们发现进化算法能够在基于试剂的模拟中有效地探索生物物理性质的参数空间,从而在经过一段时间的模拟处理后最小化所得的癌细胞数量。发现两种模型辅助算法都优于标准的进化算法,证明了它们能够在最小的评估预算内执行更有效的搜索。
translated by 谷歌翻译
尽管在眼周识别方面取得了进步,但野外的数据和眼周识别仍然是一个挑战。在本文中,我们通过一对共享参数(双流)卷积神经网络提出了一种多层融合方法,其中每个网络接受RGB数据和一种新颖的基于颜色的纹理描述符,即OrthogonalCombination-Local Binary Coded Pattern(OC-LBCP) )用于野外的眼周识别。具体地,在双流网络中引入两个不同的后期融合层以聚合RGB数据和OC-LBCP。因此,网络有利于后期融合层的这一新特征,以获得准确性。我们还介绍并共享一个新的野外眼周数据集,即用于基准测试的Ethnic-ocular数据集。建议的网络也在两个公开可用的数据集上进行了评估,即CASIA-irisdistance和UBIPr。建议的网络优于这些数据集上的几个竞争方法。
translated by 谷歌翻译
对于许多应用来说,标记数据的收集是费力的。在训练期间开发未标记的数据因此是机器学习的长期目标。自我监督学习通过提供大量可用数据的辅助任务(不同但与监督任务相关)来解决这个问题。在本文中,我们展示了如何将排名用作某些回归问题的aproxy任务。作为另一个贡献,我们为连体网络提出了有效的反向传播技术,该技术可以防止多分支网络架构引入的冗余计算。我们将框架应用于两个回归问题:图像质量评估(IQA)和人群计数。对于这两者,我们展示了如何从未标记的数据自动生成排序的图像集。我们的研究结果表明,经过训练的网络可以回归标记数据的地面真实目标,并同时学习对标记数据进行排序,从而获得明显更好的,最先进的IQA和人群计数结果。此外,我们表明,在自我监督代理任务中测量网络不确定性是衡量未标记数据信息量的一个很好的指标。这可用于驱动主动学习算法,并表明这可以减少标签工作量高达50%。
translated by 谷歌翻译
我们研究了神经网络集合联合训练的实践,其中多分支架构通过单一损失进行训练。这种方法最近获得了牵引力,声称每个参数具有更高的准确性以及增加的并行性。我们引入了一系列新的损失函数来概括多种先前提出的方法,我们用它来研究联合训练的理论和经验属性。这些损失在预测因子的独立和联合训练之间平滑插入,证明联合训练有一些在先前工作中未观察到的缺点。然而,通过我们提出的损失进行适当的正则化,该方法在资源有限的场景和容错系统(例如,IoT和边缘设备)中显示出新的希望。最后,我们将讨论这些结果如何对一般的多分支体系结构(如ResNeXt和InIption)产生影响。
translated by 谷歌翻译
神经网络权重的后验是高维和多模式。每种模式通常表征数据的有意义的不同表示。我们开发了循环随机梯度MCMC(SG-MCMC)来自动探索这种分布。特别是,我们提出了一个循环步长计划,其中较大的步骤发现新模式,较小的步骤表征每种模式。我们证明我们提出的学习计划提供了比具有标准衰减计划的SG-MCMC的静态分布的样本更快的收敛。此外,我们提供了广泛的实验结果,以证明循环SG-MCMC在学习复杂多模态分布中的有效性,特别是对现代深度神经网络进行贝叶斯推理。
translated by 谷歌翻译
探索性数据分析是知识发现的一个基本方面,旨在找到数据集的主要特征。维数减少(例如流形学习)通常用于将adataset中的要素数量减少到人类解释的可管理级别。尽管如此,大多数流氓学习技术并没有解释有关原始特征和数据集真实特征的任何信息。在本文中,我们提出了称为GP-MaL的流形学习的老化编程方法,它通过使用可解释的树来演变从高维空间到低维空间的功能映射。我们表明,GP-MaL具有竞争力,不存在流形学习算法,同时生成可以在无法看到的数据上进行解释和重复使用的模型。在该过程中发现了许多有希望的未来研究方向。
translated by 谷歌翻译
我们提出了SWA-Gaussian(SWAG),一种简单,可扩展,通用的方法,用于深度学习中的不确定性表示和校准。随机权重平均(SWA),计算随机梯度下降(SGD)的第一时刻,用修改的学习率计划迭代最近,我们已经证明了它可以改善深度学习中的泛化。利用SWAG,我们使用SWA解决方案作为第一时刻拟合高斯,并且还从SGD迭代得到秩和对角协方差,在神经网络权重上形成近似后验分布;我们从这个高斯分布中抽样来进行贝叶斯模型平均。 Weempirically发现SWAG近似于真实后验的形状,与描述SGD迭代的静态分布的结果一致。此外,我们证明SWAG在各种计算机视觉任务上表现良好,包括样本外检测,校准和转移学习,与许多流行的替代品相比,包括MC压差,KFACLaplace和温度缩放。
translated by 谷歌翻译
在参数空间中探索的黑盒优化器经常被证明可以表现出更加复杂的动作空间探索方法,这些方法专门针对强化学习问题而开发。我们仔细研究这些黑盒方法,以确定它们比动作空间探索方法和它们优越的方法更糟糕的情况。通过简单的理论分析,证明了参数空间探索的复杂性取决于参数空间的维数,而动作空间探索的复杂性则取决于动作空间的维数和地平线长度。通过比较几个模型问题的简单探索方法,包括连续控制中的语境强盗,线性回归和强化学习,也可以凭经验证明这一点。
translated by 谷歌翻译
必须逐步测量数英里的受污染管道,作为停用气体扩散浓缩设施的退役工作的一部分。目前的方法需要切除石棉衬里的热外壳,并执行重复的升高操作,以从外部手动测量管道。 RadPiper机器人是卡内基梅隆大学开发的管道爬行活动测量系统(PCAMS)的一部分,并被委托用于DOE朴茨茅斯气体扩散富集设施,从内部自动测量管道中的U-235。这提高了确定性,增加了安全性,并大大缩短了测量时间。 RadPiper机器人的核心是一个创新的圆盘准直组件中的碘化钠闪烁探测器。通过从内部管道测量,机器人相对于外部通管测量显着增加其计数率。机器人还提供图像,模拟内部管道几何形状,并精确测量距离,以便定位辐射测量。该系统收集的数据提供了对管道内部的深入了解,这是对前后测量无法实现的,同时保证了操作员的安全。本文介绍了PCAMS RadPiper机器人的技术细节。该机器人的主要功能包括精确距离测量,管道内障碍物检测,两种管道尺寸的变换能力以及自主操作的稳健性。提供了展示机器人功能的测试结果,包括部署公差测试,安全防护测试和本地化测试。还显示了集成的机器人测试。
translated by 谷歌翻译