本文考虑了一种新的框架,通过观察其节点处的信号来检测图中的社区。我们将观测到的信号建模为未知网络过程的噪声输出 - 表示为图形滤波器 - 由一组低秩输入激发。该方法不是直接学习图形本身的精确参数,而是直接检索社区结构;此外,如在盲系统识别方法中那样,它不需要知道系统激励。本文表明,通过将谱聚类应用于从图信号获得的低秩输出协方差矩阵,可以检测到社区。性能分析表明,社区检测精度取决于所考虑的图形过滤器的光谱特性。此外,我们表明,当激励信号已知时,通过低秩矩阵分解方法可以提高精度。数值实验表明,对于分析来自扩散,消费者和社会动态的网络数据而言,这种方法是有效的。
translated by 谷歌翻译
我们提出并分析了一种新的随机梯度方法,我们将其称为随机无偏曲率辅助梯度(SUCAG),用于有限求和优化问题。 SUCAG构成了一种无偏的总梯度跟踪技术,它使用Hessian信息来加速收敛。我们在一般的异步计算模型下分析了我们的方法,其中每个函数经常被无限选择,可能有无界限(但是次线性)延迟。对于强凸问题,我们建立了SUCAG方法的线性收敛。当初始化点足够接近最优解时,建立的收敛速度仅取决于问题的条件数,使其严格地快于SAGA方法的已知速率。此外,我们描述了在分布式异步多代理设置中实现SUCAG方法的马尔可夫驱动方法,通过在无向通信图上随机游走的闲聊。我们表明,只要图形是连通的,我们的分析就适用,特别是,建立一个对图形拓扑具有鲁棒性的渐近线性收敛速度。数值结果证明了我们的算法优于现有方法的优点。
translated by 谷歌翻译
由于网络信息处理的进步,分散优化算法受到了很多关注。然而,基于投影梯度下降的传统分散算法不能处理高维约束问题,因为投影步骤在计算上变得难以计算。为了解决这个问题,本文采用无投影优化方法,即Frank-Wolfe(FW)或条件梯度算法。我们首先从经典FW算法开发分散式FW(DeFW)算法。通过将分散算法视为不精确的FW算法来研究所提出的算法的收敛性。使用递减的步长规则并让$ t $成为迭代数,我们证明了DeFW算法的收敛率是$ {\ cal O}(1 / t)$,用于凸目标;对于具有约束集内部最优解的强凸目标,$ {\ cal O}(1 / t ^ 2)$;并且是$ {\ calO}(1 / \ sqrt {t})$朝向平稳但非凸出目标的固定点。然后,我们表明基于共识的DeFW算法满足上述保证,每次迭代有两轮通信。此外,我们证明了所提出的DeFW算法在低复杂度鲁棒矩阵完成和通信有效稀疏学习方面的优势。提供合成和实际数据的数值结果以支持我们的发现。
translated by 谷歌翻译
Gossip algorithms are attractive for in-network processing in sensor networksbecause they do not require any specialized routing, there is no bottleneck orsingle point of failure, and they are robust to unreliable wireless networkconditions. Recently, there has been a surge of activity in the computerscience, control, signal processing, and information theory communities,developing faster and more robust gossip algorithms and deriving theoreticalperformance guarantees. This article presents an overview of recent work in thearea. We describe convergence rate results, which are related to the number oftransmitted messages and thus the amount of energy consumed in the network forgossiping. We discuss issues related to gossiping over wireless links,including the effects of quantization and noise, and we illustrate the use ofgossip algorithms for canonical signal processing tasks including distributedestimation, source localization, and compression.
translated by 谷歌翻译
将机器学习(ML)模型有效地转化为临床实践需要建立临床医生的信任。可解释性,或anML模型证明其结果合理性并帮助临床医生合理化模型预测的能力,一般被认为对建立信任至关重要。然而,该领域在不同环境中缺乏具体定义可用解释。为了确定可解释ML模型建立信任的可解释性的具体方面,我们调查了两个不同的急症护理专业(强化护理单位和紧急部门)的临床医生。我们使用他们的反馈来表征不可解释性有助于提高临床医生对ML模型的信任。我们进一步确定临床医生认为对于有效转化为临床实践最重要和最关键的解释类别。最后,我们识别出严格评估临床可解释性方法的具体指标。通过整合临床医生和MLresearchers之间的可解释性观念,我们希望能够促进ML系统在医疗保健领域的认可和广泛采用以及持续使用。
translated by 谷歌翻译
解决基础语言任务通常需要推理给定任务上下文中对象之间的关系。例如,回答问题:“盘子里的杯子是什么颜色的?”我们必须检查特定杯子的颜色,该杯子满足关于盘子的“开启”关系。最近的工作提出了各种方法复杂的关系推理。然而,它们的大部分功率都在推理结构中,而场景用简单的局部外观特征表示。在本文中,我们采用另一种方法,在视觉场景中为对象构建上下文化表示,以支持关系推理。我们提出了语言条件图网络(LCGN)的一般框架,其中每个节点表示一个对象,并且由相关对象的上下文感知表示通过以文本输入为条件的迭代消息传递来描述。例如,调整与盘子的“上”关系,对象``mug''收集来自对象``plate''的消息,将其表示更新为“盘子上的杯子”,这可以很容易地消耗掉通过简单的分类器进行答案预测。我们通过实验证明,我们的LCGN能够有效地支持关系推理,并提高了几个任务和数据集的性能。
translated by 谷歌翻译
批量标准化(批量标准)通常用于尝试稳定和加速深度神经网络中的训练。在许多情况下,它确实减少了减少训练错误所需的参数更新次数。然而,正如我们在五个标准数据集中所显示的那样,它还降低了对小输入扰动和噪声的鲁棒性。此外,用权重衰减代替批量范数足以抵消对抗性脆弱性与输入维度之间的关系。我们的工作与平均场分析一致,该分析发现批次规范会导致梯度变化。
translated by 谷歌翻译
产量估算和预测在葡萄育种和葡萄栽培领域特别受关注。每株植物收获的浆果数量与产生的质量密切相关。因此,早期的产量预测可以使浆果集中稀疏,以确保高品质的产品。传统的产量估算是通过从小样本大小和利用历史数据进行推断来完成的。此外,需要由具有该领域丰富经验的熟练专家来完成。图像中的Berrydetection提供了一种廉价,快速和非侵入性的替代方案,可替代专家进行的其他耗时且主观的现场分析。我们对用Phenoliner,野外表型平台获得的图像应用卷积神经网络。我们计算图像中的单个浆果,以避免易于检测到葡萄串。集群通常是重叠的,并且可以在大小上变化很大,这使得它们的可靠检测变得困难。我们特别针对在葡萄园直接检测白葡萄。单个浆果的检测被分类为三个类别的分类任务,即“浆果”,“边缘”和“背景”。应用连通组件算法确定一幅图像中的浆果数量。我们将自动计数的浆果数量与手动检测的浆果进行比较,其中60幅图像显示雷司令植物处于垂直拍摄格子(VSP)和半最小修剪树篱(SMPH)。我们能够在VSP系统中正确地检测浆果,准确度为94.0 \%,对于SMPH系统,检测率为85.6%。
translated by 谷歌翻译
人工智能(AI)的出现及其在社会许多部门的逐步广泛应用需要评估其对可持续发展的影响。在这里,我们分析已公布的证据,证明人工智能对实现2030年可持续发展议程的17个目标和169个目标中的每个目标产生了积极或负面影响。我们发现人工智能可以支持在所有可持续发展目标中实现128个目标,但它也可能会抑制58个目标。值得注意的是,人工智能支持提高效率和生产力的新技术,但也可能导致国内和国家之间的不平等加剧,从而阻碍实现2030年议程。人工智能的快速发展需要得到适当的政策和法规的支持。否则,它将导致基于人工智能的技术的透明度,问责制,安全和标准方面的差距,这可能对人工智能的发展和可持续利用产生不利影响。最后,缺乏研究人工智能的中期和长期影响的研究。因此,必须强化关于人工智能使用的全球辩论,并为基于人工智能的技术开发必要的监管见解和监督。
translated by 谷歌翻译
我们在给出许多输入并且需要大规模输出的环境中解决纹理合成的问题。我们建立在最近的生成对抗网络上,并在本文中提出了两个扩展。首先,我们提出了一种算法,用于组合在较小分辨率上训练的GAN的输出,以产生具有几乎无人工件的大规模似是而非的纹理图。其次,我们提出了一个用户界面来实现艺术控制。我们的定量和定性结果展示了由高达数百万像素组成的合成高分辨率地图的生成。
translated by 谷歌翻译