我们探索一种影响甚至控制极化社会群体内意见多样性的方法。我们利用了用户持有二进制意见的选民模式,并根据他们连接的其他人反复更新他们的信仰。从不改变他们的思想(“狂热”)的顽固代理也通过网络传播,由连接的图表建模。建立早期的结果,我们为均衡时的平均意见提供了封闭式表达。这使我们能够将狂热者注入极化网络的策略,以便将平均意见转移到任何目标值。我们考虑了可能存在的反馈效果,这可能导致该组产生负面反应并加强其响应的极化水平。我们的结果得到了合成数据的数值实验支持。
translated by 谷歌翻译
在过去几年中,神经字符动画已经出现并提供了一种动画虚拟字符的自动方法。它们的运动由神经网络合成。用用户定义的控制信号实时控制该运动也是视频游戏中的重要任务。基于全连接层(MLP)和专家混合物(MOE)的解决方案已经令人印象深刻的导致产生和控制环境与虚拟字符之间的近距离相互作用的各种运动。然而,完全连接层的主要缺点是它们的计算和内存成本,可能导致子优化的解决方案。在这项工作中,我们在交互式角色动画的背景下应用修剪算法以压缩MLP-Moe神经网络,这降低了其参数的数量,并在该加速度和合成的运动质量之间进行权衡加速其计算时间。这项工作表明,通过相同数量的专家和参数,修剪模型产生的运动伪像比密集模型更少,并且学习的高级运动功能对于两者相似
translated by 谷歌翻译
视觉关注估计是不同学科的十字路口的一个积极的研究领域:计算机视觉,人工智能和医学。估计表示关注的显着图的最常见方法之一是基于观察到的图像。在本文中,我们表明可以从EEG采集中检索视觉注意力。结果与观察到的图像的传统预测相当,这具有很大的兴趣。为此目的,已经记录了一组信号,并且已经开发出不同的模型来研究视觉关注与大脑活动之间的关系。结果令人鼓舞,与其他方式的其他方法令人鼓舞,与其他方式相比。本文考虑的代码和数据集已在\ URL {https://figshare.com/s/3e353bd1c621962888AD}中提供,以促进该领域的研究。
translated by 谷歌翻译
情感估计是一个积极的研究领域,对人与计算机之间的互动产生了重要影响。在评估情绪的不同方式中,代表电脑活动的脑电图(EEG)在过去十年中呈现了激励结果。 EEG的情感估计可以有助于某些疾病的诊断或康复。在本文中,我们提出了一种考虑到专家定义的生理学知识,与最初致力于计算机视觉的新型深度学习(DL)模型。具有模型显着性分析的联合学习得到了增强。为了呈现全局方法,该模型已经在四个公共可用数据集中进行了评估,并实现了与TheS-of TheakeS的方法和优于两个所提出的数据集的结果,其具有较低标准偏差的较高的稳定性。为获得再现性,本文提出的代码和模型可在Github.com/vdelv/emotion-eeg中获得。
translated by 谷歌翻译
今天机器学习的普遍的范式是使用过去的观察来预测未来的观点。但是,如果我们有兴趣了解现在的过去?这种情况确实是天文学家必须经常争辩。要了解我们宇宙的形成,我们必须导出星系的可见质量含量的时间演变。然而,要观察完整的明星生活,人们需要等待十亿年!为了克服这种困难,天体物理学家利用超级计算机来利用和发展的星系模拟模型,直到宇宙的当前年龄,从而建立观察到的辐射和星形成历史(SFHS)之间的映射。这种地面真理SFHS缺乏实际的星系观察,通常推断出 - 使用贝叶斯拟合方法从光谱能量分布(SED)的信心差。在这次调查中,我们讨论了无监督域适应的能力,以获得具有模拟数据的星系的准确SFH,作为开发最终应用于观察数据的技术的必要的第一步。
translated by 谷歌翻译
无监督的学习,更具体地聚类,遭受了现场专业知识的需求。研究人员必须在哪些算法上进行仔细和了解的决定,用于给定数据集的哪一组超参数。此外,研究人员可能需要确定数据集中的群集数,这是对大多数聚类算法的输入。所有这一切都在开始实际主题的工作之前。在量化算法和超参数选择的影响之后,我们提出了一个合奏聚类框架,可以利用最小输入来利用。It can be used to determine both the number of clusters in the dataset and a suitable choice of algorithm to use for a given dataset.结论中包含代码库以易于集成。
translated by 谷歌翻译
设计具有所需特性的新工业材料可能非常昂贵且耗时。主要困难是生成对应于现实材料的化合物。实际上,作为组分的载体的化合物的描述的表征是通过离散特征和严重的稀疏性表征。此外,传统的生成模型验证过程作为视觉验证,FID和开始分数是针对图像量身定制的,然后不能在此上下文中使用。为了解决这些问题,我们开发了一种致力于产生高稀疏性的离散数据集的原始绑定-VAE模型。我们通过适应化合物生成问题的新型度量来验证模型。我们展示了橡胶复合设计的真正问题,即所提出的方法优于标准生成模型,该模型开启了用于材料设计优化的新视角。
translated by 谷歌翻译
患者调度是一项艰巨的任务,因为它涉及处理随机因素,例如患者未知的到达流动。调度癌症患者的放射治疗治疗面临着类似的问题。治疗患者需要在推荐的最后期限内开始治疗,即入院后14或28天,而在入院后1至3天内需要迫切治疗的姑息治疗的治疗能力。大多数癌症中心通过保留用于急诊患者的固定数量的治疗槽来解决问题。然而,这种平面预留方法并不理想,并且可能在某些日子里造成急诊患者的过期治疗,同时在其他几天内没有充分利用治疗能力,这也导致治疗患者的延迟治疗。这个问题在大型和拥挤的医院中特别严重。在本文中,我们提出了一种基于预测的在线动态放射治疗调度方法。一个离线问题,其中提前已知所有未来的患者到达,以使用整数编程来解决。然后培训回归模型以识别患者到达模式之间的链接及其理想的等待时间。然后,培训的回归模型以基于预测的方法嵌入,该方法根据其特征和日历的当前状态来调度患者。数值结果表明,我们的预测方法有效地防止了应急患者的过度处理,同时与基于平面预留政策的其他调度方法相比保持良好的等待时间。
translated by 谷歌翻译
找到给定目标状态的最近可分离状态是一个臭名昭着的困难任务,比决定状态是否缠绕或可分离更困难。为了解决这项任务,我们使用神经网络参加可分离状态,并训练它相对于微量距离,例如迹线距离或希尔伯特施密特距离最小化到给定目标状态的距离。通过检查算法的输出,我们可以推断目标状态是否缠绕在外,并构建其最近可分离状态的近似。我们在各种着名的两性阶段的方法上基准测试,找到了很好的协议,甚至可以达到$ d = 10 $的局部维度。此外,考虑到不同的可分离概念,我们展示了我们在多分钟案件中有效的方法。检查三个和四方GHz和W状态,我们恢复了已知的范围,并获得了新颖的边界,例如进行三维可解性。最后,我们展示了如何使用神经网络的结果来获得分析洞察力。
translated by 谷歌翻译
命名实体识别(ner)是一种信息提取技术,其旨在在文档中定位和分类为预定义类别的文档中的命名实体(例如,组织,位置,......)。正确识别这些短语在简化信息访问方面发挥着重要作用。但是,它仍然是一项艰巨的任务,因为命名实体(NES)具有多种形式,它们是上下文相关的。虽然上下文可以通过上下文特征来表示,但是这些模型通常误解了全局关系。在本文中,我们提出了从图形卷积网络(GCN)的XLNET和全局特征的上下文特征的组合来增强NER性能。在一个广泛使用的数据集,2003年的实验,展示了我们战略的好处,结果与现有技术(SOTA)竞争。
translated by 谷歌翻译