在本文中,我们提出了一种新的轨迹优化算法,在末端执行器路径,碰撞避免和各种运动约束下的移动机械手。我们的关键贡献在于展示如何将这种高非线性和非凸问题作为一系列凸无约束二次规划(QPs)来解决。这是通过重新制定由机械手运动学产生的非线性约束以及以多仿射形式与移动基座耦合来实现的。然后,我们使用交替方向乘法器(ADMM)的技术来制定和解决轨迹优化问题。所提出的ADMM具有两个类似的非凸步骤。重要的是,可以为它们中的每一个导出凸代理。我们展示了如何在并行解决大部分优化问题的同时提供利用多核CPU / GPU的可能性。我们在不同的基准示例上验证了ourtrajectory优化。具体来说,我们强调它如何解决周期性瓶颈,并提供一种整体方法,通过交换操纵器和移动基础运动的不同方面可以获得不同的轨迹集。
translated by 谷歌翻译
Machine learning (ML) techniques are enjoying rapidly increasing adoption. However, designing and implementing the systems that support ML models in real-world deployments remains a significant obstacle, in large part due to the radically different development and deployment profile of modern ML methods, and the range of practical concerns that come with broader adoption. We propose to foster a new systems machine learning research community at the intersection of the traditional systems and ML communities, focused on topics such as hardware systems for ML, software systems for ML, and ML optimized for metrics beyond predictive accuracy. To do this, we describe a new conference, SysML, that explicitly targets research at the intersection of systems and machine learning with a program committee split evenly between experts in systems and ML, and an explicit focus on topics at the intersection of the two.
translated by 谷歌翻译
以批准选票为基础的委员会组建涉及汇总个人对选民的批准。选民提交候选人的批准,并将这些批准汇总在一起,以达到指定规模的最佳委员会。文献中提出了几种聚合技术,这些技术在它们优化的标准函数方面各不相同。选民对候选人的偏好取决于他/她对候选人适用性的看法。我们注意到候选人具有使他/她适合或以其他方式适合的属性。因此,批准属性并选择具有已批准属性的候选者是相关的。本文讨论了选民在属性上提交批准时的委员会选择问题。虽然基于属性的偏好在几种情况下得到解决,但是早先没有尝试过具有属性批准的委员会选择问题。 Wenote认为,将候选人批准理论扩展到属性审批委员会选择问题并非易事。在本文中,我们研究了这个问题的不同方面,并表明当考虑基于属性的批准时,现有的聚合不会满足一致性和合理表示。我们提出了一种新的聚合规则,它满足上述两个特性。我们还提出了委员会选择问题的其他分析。
translated by 谷歌翻译
多标签学习涉及具有多个类标签的数据分类。这与传统的分类问题形成对比,在传统的分类问题中,每个数据实例都有一个标签。由于输出空间的指数化,在特征和标签空间中利用内在信息已成为近年来研究的主要推动力,并且参数化和嵌入的使用已成为主要关注点。研究人员已经研究了嵌入的几个方面,包括标签嵌入,inmputembedding,降维和特征选择。这些方法在捕获其他内在属性(如标签相关性,局部不变性等)的能力方面相互矛盾。我们假设输入数据形成组,因此,标签矩阵显示非常规模式,因​​此对应于同一组中对象的标签有类似的稀疏性。在本文中,我们研究了标签与组信息的嵌入,目的是建立一个有效的多标签分类。我们假设存在可以嵌入特征向量和标签向量的低维空间。为了达到这个目的,我们解决了三个子问题: (1)标签组的识别; (2)将标签向量嵌入低秩空间,使各组的稀疏性特征保持不变; (3)确定将特征向量嵌入到同一组点上的线性映射,如在阶段2中,在低维空间中。我们将我们的方法与12个基准数据集上的七个众所周知的算法进行比较。 Ourexperimental分析表明我们提出的方法超级算法的多标签学习的优越性。
translated by 谷歌翻译
Hypernym发现是找到与给定术语具有关系的术语的问题。我们引入了一种新的上下文类型,以及用于区分上位词与其他类型的语义关系的相关性度量。我们的文档结构度量基于文档中术语的层次位置,以及它们在定义文本中的存在或其他。此度量使用多个属性和加权距离函数的类来量化文档结构。
translated by 谷歌翻译
我们考虑弱监督对象检测的问题,其中训练样本仅使用指示对象类别的存在或不存在的图像级标签来注释。为了模拟物体位置的不确定性,我们采用基于相似系数的概率学习目标。学习目标最小化注释不可知预测分布和注释感知条件分布之间的差异。主要的计算挑战是条件分布的复杂性质,它由数百或数千个变量组成。条件分布的复杂性排除了对其进行显式建模的可能性。相反,我们开发了深度学习框架依赖于随机优化的事实。这使我们能够使用最先进的离散生成模型,可以从条件分布中提供注释一致的样本.PASCAL VOC 2007和2012数据集的大量实验证明了它的有效性。我们提议的方法。
translated by 谷歌翻译
提出了一种端到端可训练的ConvNet架构,它学会利用形状表示的力量来匹配不同的图像对。不同的图像对被认为是那些表现出强烈仿射变化的尺度,视点和投影参数伴随着存在的部分或者完全遮挡物体和ambientillumination的极端变化。在这些具有挑战性的条件下,当单独使用时,本地或基于全局特征的图像匹配方法都没有被观察到有效。所提出的对应确定方案格式化不同的图像利用从低级局部特征描述符导出的高级形状提示,从而结合两个世界的最佳。通过构造嵌入两个图像中的特征点之间的距离的亲和度矩阵来生成用于不同图像对的基于图的表示,从而将对应确定问题建模为图匹配。然后使用亲和度矩阵的本征谱,即,所学的全局形状表示,来进一步回归定义源图像和目标图像之间的对应关系的变换或单应性。所提出的方案被证明可以产生最先进的结果,粗糙形状匹配以及精细的点对应确定。
translated by 谷歌翻译
实体类型分类可以定义为将类别标签分配给文档中的实体提及的任务。虽然神经网络最近改进了一般实体提及的分类,但模式匹配和其他系统继续用于对个人数据实体进行分类(例如,将组织分类为媒体公司或政府机构用于GDPR,以及HIPAA合规性)。我们提出了一种神经模型来扩展可以在细粒度级别上分类的个人数据实体类别,使用现有模式匹配系统的输出作为附加上下文特征。我们引入新资源,包含134种类型的个人数据实体层次结构,以及来自维基百科当选代表和安然电子邮件页面的两个数据集。我们希望这些资源有助于在个人数据发现领域进行研究,为此,我们在这些数据集上提供基线结果,并将我们的方法与onoNooNotes数据集上的最新模型进行比较。
translated by 谷歌翻译
在本文中,我们提出了一种在非参数不确定性下求解一类机器约束优化的有效算法。我们的算法建立在将任意分布表示为再生核Hilbert空间(RKHS)中的函数的可能性之上。我们使用这个基础来制定机会约束优化,作为最小化RKHS中所需分布与约束函数分布之间的距离之一。我们提供了一种基于场景近似概念构建期望分布的系统方法。此外,我们使用核心技巧来证明我们重构的优化问题的计算复杂性与解决机会约束优化的确定性变体相当。我们在两个重要的控制应用中验证了我们的公式:(i)在不确定的动态环境中移动机器人的反应性碰撞避免和(ii)在感知不确定性下的机械手的基于逆动力学的路径跟踪。在这两个应用中,在不确定参数的高度非线性和非凸函数以及可能还有决策变量的情况下定义了基本机会约束。我们还根据样本复杂性和实现的最优成本对现有方法进行了基准测试,突出了这些指标的显着改进。
translated by 谷歌翻译
域适应(DA)背后的目标是利用来自源域的标记示例,以便在目标域中推断出标签不可用或最佳缺陷的准确模型。 DA的最先进方法是(Ganin等人2016),称为DANN,他们试图通过对抗训练来描述源域和目标域的共同表示。这种方法需要来自源域的大量标记示例才能推断出目标域的良好模型。然而,在许多情况下,在源域中获得标签是昂贵的,这导致DANN的性能恶化并且限制了其在这种情况下的适用性。在本文中,我们提出了一种克服这种限制的新方法。在我们的工作中,我们首先确定DANN将原始的DA问题简化为在共同代表空间中的半监督学习问题。接下来,我们提出了一种学习方法,即TransDANN,它将对抗性学习和转换学习相结合,以减轻有限源标签的有害影响并提高性能。实验结果(文本和图像)显示TransDANN在DANN下的性能显着提升这种情况。我们还提供了性能提升的理论依据。
translated by 谷歌翻译