我们的艺术家和机器学习研究团队设计了一种创造性算法,可以生成真正的雕塑艺术品。这些艺术品不会模仿任何给定的形式,也不能轻易归类为数据集类别。我们的方法将DeepDream从图像扩展到3D点云。提出的算法,Amalgamated DeepDream(ADD),利用点云的属性来创建比天真扩展更好的对象.ADD为机器的创造力提供了希望,推动艺术家探索新方法或材料的创造力,并创造新的类型而不是在onegenre中创建现有表单或样式的变体。例如,从现实主义到抽象表现主义,或极简主义。最后,我们展示了基于ADD创建的点云进行3D打印的雕塑。
translated by 谷歌翻译
各种行业的应用数据科学家通常面临着为机器学习算法编码高基数分类特征的可消化输入的挑战性任务。本文描述了为WeWork的主要评分引擎开发的贝叶斯编码技术,该技术输出了一个人根据交互,丰富和地理空间数据浏览我们办公空间的概率。我们提出了一种范式前集合建模,它减少了为分类变量构建复杂的预处理和编码方案的需要。具体而言,特定领域共轭贝叶斯模型被用作抵消集合模型中的特征的基础学习者。对于分类特征矩阵的每一列,我们拟合特定于问题的先验分布,例如,针对异常分类问题的Beta分布。为了分析地推导出后验分布的矩,我们用给定分类特征的每个唯一值的相应目标变量的共轭似然性更新先验。该列和值的函数对分类特征矩阵进行编码,以使整体模型中的最终学习者得到低维数字输入。策划和真实世界数据集的实验结果证明了各种问题原型的令人印象深刻的准确性和计算效率。特别是,对于WeWork的主要评分引擎 - 其中一些分类特征具有多达300,000个级别 - 我们已经通过实施共轭贝叶斯模型编码看到了从0.87到0.97的AUC改进。
translated by 谷歌翻译
持久性图是拓扑数据分析(TDA)领域的主要工具。它们包含有关数据形状的丰富信息。由于空间复杂,在持久性图空间上使用机器学习算法具有挑战性。因此,总结和概括这些图是目前在TDA中研究的一个重要主题。在这项工作中,我们提供了一个总结框架,总结了我们的持久性曲线(PC)。主要思想是所谓的持久同源的基本引理,它源于经典的老年统治。在这个框架下,某些众所周知的摘要,例如持久的Betti数和持久性格局,都是PC的特例。此外,我们证明了一般家庭PC的严格约束。特别是,某些PC族在另外的假设下承认稳定性。最后,我们将PC应用于四个众所周知的纹理数据集上的纹理分类。结果优于现有的几种TDA方法。
translated by 谷歌翻译
生成模型通常使用人工评估来确定和证明。不幸的是,现有的人类评估方法是临时的:目前还没有标准化,经过验证的评估:(1)测量感知保真度,(2)可靠,(3)将模型分成清晰的排序,(4)确保高质量测量没有难以处理的成本。作为回应,我们构建人类 - 感知评估(HYPE),这是一种人类度量,它是(1)基于感知的心理物理学研究,(2)在模型的随机抽样输出的不同集合中可靠,(3)导致可分离的模型性能, (4)有效的成本和时间。我们介绍两种方法。首先,HYPE-Time测量在自适应时间约束下的视觉感知,以确定模型输出(例如年龄表面)需要可见的最小时间长度(例如,250ms),以便人们将其区分为真实或真实。第二个是HYPE-Infinity,它可以测量伪造和真实图像的人为错误率,没有时间限制,保持稳定性并大幅缩短时间和成本。我们使用两个数据集,即流行的CelebA和更新的更高分辨率的FFHQ,以及两种模型输出的采样技术,在无条件图像生成上测试HYPE的四个最先进的生成对抗网络(GAN)。通过多次模拟HYPE的评估,我们展示了不同模型的一致排名,识别StyleGAN与截断特征采样(27.6%HYPE-Infinity欺骗率,大约四分之一的图像被人类错误分类)优于StyleGAN而没有FFHQ上的截断(19.0%)。有关详细信息,请参阅https://hype.stanford.edu。
translated by 谷歌翻译
本文以前面使用组合分类语法(CCG)的工作为基础,为抽象含义表示(AMR)解析导出透明语法 - 语义接口。我们为CCG组合器定义了更适合于导出AMR图的新语义。特别地,我们定义了应用和组合组合的对称替代方案:这些组合要求组合的两个组成部分在一个AMR关系中重叠。我们还提供了一种新的语义类型提升,这是必要的强制结构。使用这些机制,我们建议对发明名词进行分析,这对于推导AMR图表提出了挑战。理论分析将有助于使用CCG进行强大而透明的AMR分析的未来工作。
translated by 谷歌翻译
Magic: The Gathering is a popular and famously complicated trading card game about magical combat. In this paper we show that optimal play in real-world Magic is at least as hard as the Halting Problem, solving a problem that has been open for a decade [1], [10]. To do this, we present a methodology for embedding an arbitrary Turing machine into a game of Magic such that the first player is guaranteed to win the game if and only if the Turing machine halts. Our result applies to how real Magic is played, can be achieved using standard-size tournament-legal decks, and does not rely on stochasticity or hidden information. Our result is also highly unusual in that all moves of both players are forced in the construction. This shows that even recognising who will win a game in which neither player has a non-trivial decision to make for the rest of the game is undecidable. We conclude with a discussion of the implications for a unified computational theory of games and remarks about the playability of such a board in a tournament setting.
translated by 谷歌翻译
本文描述了针对机器翻译(MT),实体发现和链接(EDL)以及文本和语音中的情景帧(SF文本和语音)的检测的低资源人类语言技术(LoReHLT)2018评估的ARIEL-CMU提交。
translated by 谷歌翻译
我们提出了一种自我监督的方法来训练卷积神经网络,用于从单眼内窥镜检查数据进行密集深度估计,而无需对解剖或阴影进行先验建模。我们的方法仅需要单视内窥镜视频和多视图立体方法,例如,运动的结构,以稀疏的方式进行学习。因此,我们的方法需要在训练和应用阶段进行手动标记或患者计算机断层扫描(CT)扫描。在使用CT scansas groundtruth的跨患者实验中,所提出的方法实现了亚毫米波均方误差。在最近针对体内窦内窥镜检查数据的自然视频设计的自我监督深度估计方法的比较研究中,我们证明了所提出的方法优于前一种方法的大幅度边缘。这项工作的源代码可在线公开获取:http://github.com/lppllppl920/EndoscopyDepthEstimation-Pytorch。
translated by 谷歌翻译
社交媒体革命改变了品牌与消费者互动的方式。越来越多的公司选择与所谓的互联网“影响者”合作,而不是将他们的广告预算用于州际公路板上,他们已经获得了忠实的关注平台,以获得他们发布的高质量内容。不幸的是,对于小品牌来说,找到合适的影响者并不总是那么容易:有人与他们的企业形象保持一致并且尚未普及到无法承受的程度。在本文中,我们寻求开发一个用于品牌影响力配对的系统,利用现代机器学习技术的力量和灵活性。结果是一种算法,可以根据他们发布的内容的相似性来预测最有成效的品牌影响者合作关系。
translated by 谷歌翻译
对人机协作或人机协作的研究主要集中在理解和促进单个机器人与单个人之间的协作上。将人机协作研究扩展到二元范围之外,提出了一个新的问题,即机器人应该如何分配集团成员的资源以及分布的社会和任务相关后果。需要方法上的进步才能让研究人员收集涉及多人的人体机器人协作数据。本文介绍了塔式建设,这是一项新的资源分配任务,允许研究人员检查机器人与人群之间的协作。通过关注机器人是否以及如何分配资源(建筑任务所需的木块)影响协作动力学和结果的问题,我们提供了一个案例,说明如何将该任务应用于实验室研究中,有124名参与者收集有关人体机器人协作的数据涉及多个人。我们强调任务可以产生的各种洞察力。特别是我们发现资源的分配会影响对人类成员之间的表现和人际交往的感知。
translated by 谷歌翻译