基于变压器的语言模型导致所有域的所有域都令人印象深刻的自然语言处理。在语言建模任务上预先预订这些模型以及在文本分类，问题应答和神经机翻译等下游任务上的FineTuning它们一直显示了示例性结果。在这项工作中，我们提出了一种多任务FineTuning方法，它将双语机器翻译任务与辅助因果语言建模任务相结合，以提高印度语言前任务的性能。我们对三种语言对，Marathi-Hindi，Marathi-English和Hindi-English进行了实证研究，在那里我们将多任务FineTuning方法与标准的FineTuning方法进行比较，我们使用MBart50模型。我们的研究表明，多任务FineTuning方法可以是比标准FineTuning更好的技术，并且可以改善语言对的双语机器换算。
translated by 谷歌翻译
Neurosymbolic Programming (NP) techniques have the potential to accelerate scientific discovery. These models combine neural and symbolic components to learn complex patterns and representations from data, using high-level concepts or known constraints. NP techniques can interface with symbolic domain knowledge from scientists, such as prior knowledge and experimental context, to produce interpretable outputs. We identify opportunities and challenges between current NP models and scientific workflows, with real-world examples from behavior analysis in science: to enable the use of NP broadly for workflows across the natural and social sciences.
translated by 谷歌翻译
由于围绕机器人的未来轨迹的不确定性，安全导航是多机器人系统中的一个基本挑战，这些轨迹彼此相互障碍。在这项工作中，我们提出了一种原则性的数据驱动方法，每个机器人都反复解决一个有限的地平线优化问题，但要避免碰撞限制，后者被表达为代理商和代理之间距离的分布稳健的条件价值风险（CVAR）多面体障碍物几何形状。具体而言，需要CVAR约束来保留所有与从执行过程中收集的预测误差样本构成的经验分布的所有分布。该方法的一般性使我们能够在分布式和去中心化设置中普遍强加的假设下出现的预测错误鲁棒性。我们通过利用凸面和Minmax二元性结果来得出这类约束的有限尺寸近似值。在凉亭平台中实现的多人导航设置中说明了所提出的方法的有效性。
translated by 谷歌翻译
在没有人为干预的图像自动色彩上是在机器学习界的兴趣中的一个短暂的时间。分配颜色到图像是一个非常令人虐待的问题，因为它具有非常高的自由度的先天性;给定图像，通常没有单一的颜色组合是正确的。除了着色之外，图像重建中的另一个问题是单图像超分辨率，其旨在将低分辨率图像转换为更高的分辨率。该研究旨在通过专注于图像的非常特定的图像，即天文图像，并使用生成的对抗网络（GAN）来提供自动化方法。我们探索两种不同颜色空间，RGB和L * A *中各种型号的使用。我们使用传输学习，由于小数据集，使用预先训练的Reset-18作为骨干，即U-Net的编码器，进一步微调。该模型产生视觉上有吸引力的图像，其在原始图像中不存在的这些结果中呈现的高分辨率高分辨率，着色数据。我们通过使用所有通道的每个颜色空间中的距离度量（例如L1距离和L2距离）评估GAN来提供我们的结果，以提供比较分析。我们使用Frechet Inception距离（FID）将生成的图像的分布与实际图像的分布进行比较，以评估模型的性能。
translated by 谷歌翻译
2021-06-20
农业实践中的一个重要和繁琐的任务之一是检测作物疾病。它需要巨大的时间和熟练的劳动力。本文提出了一种智能有效的方法，用于检测使用计算机视觉和机器学习技术的作物疾病。该拟议的系统能够检测5种常见植物的20个不同疾病，精度为93％。
translated by 谷歌翻译
我们考虑将机器学习模型相结合以执行更高级别的认知任务和明确规格的问题。我们提出了新的视觉歧视难题（VDP）的新问题，该问题需要找到可解释的歧视因子，这些歧视因子根据逻辑规范对图像进行分类。人类可以轻松解决这些难题，并提供强大，可验证和可解释的歧视者作为答案。我们提出了一个组成神经肌符号框架，该框架结合了一个神经网络，以检测对象和与符号学习者的关系，以发现可解释的歧视者。我们创建了涉及自然图像的大量VDP数据集，并表明与几种纯粹的神经方法相比，我们的神经成像框架表现出色。
translated by 谷歌翻译