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
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
本研究采用了Adposition和Case Supersenses(SNACS)注释的语义网络对普通话进行调整,并证明了相同的超音体类别适合汉语的adposition语义。我们注释了小王子的15个章节,具有高度的注释协议。平行词可以深入了解两种语言的位置之间的结构差异,即在英语语料库中经常出现或未经证实的许多结构。带注释的语料库可以进一步支持用中文自动消除对位置的歧义,两种语言之间的共同上下文可能有助于机器翻译等语言上的任务。
translated by 谷歌翻译
数据收集通常涉及对较大系统的部分测量。在收集网络数据的过程中出现了Acommon示例:我们经常通过记录一小组corenode之间的所有交互来获取网络数据集,因此我们最终得到由这些核心节点组成的网络的测量结果以及可能更大的一组具有链接到核心的边缘节点。鉴于这个组装网络数据的过程无处不在,了解这种核心结构的作用变得至关重要。在这里,我们研究边缘节点的包含如何影响网络链接预测的标准任务。人们可能最初认为包含任何附加数据是有用的,因此包括所有可用的边缘节点应该是有益的。但是,我们发现这不是真的;事实上,预测的边缘节点的值存在很大的可变性。在一些数据集中,一旦选择了算法,包括来自边缘的任何附加数据实际上可能会损害预测性能;其他数据集,包括一定数量的边缘信息在预测性能饱和甚至下降之前是有用的;在其他情况下,包括整个边缘导致最佳性能。虽然这种变化似乎令人惊讶,但我们表明这些行为是由简单随机图模型展示的。
translated by 谷歌翻译
虽然近年来深度学习取得了巨大成功,但研究人员发现了一个严重的缺陷,即系统输入中的细微变化无法改变输出分类。几乎所有现有的深度学习分类框架都可以利用这些攻击。然而,尚未研究深度稀疏编码模型对对抗性实例的敏感性。在这里,我们表明基于深度稀疏编码模型的分类器,其分类精度与各种深度神经网络模型竞争是强大的对抗性实例,有效地欺骗那些相同的深度学习模型。我们定量和定性地证明了深度编码模型对对抗性例子的鲁棒性来自于两个关键属性。首先,因为深度稀疏编码模型整体上学习了与数据集生成器相对应的一般特征,而不是用于区分特定类的高度辨别特征,由于深度稀疏编码模型利用具有自上而下反馈的固定点吸引动力学,所以得到的分类器无法依赖于特殊特征。第二,因为更难以找到输入的微小变化,这些变化驱动得到的表示超出了正确的attractorbasin。
translated by 谷歌翻译
物联网(IoT)设备,移动电话和机器人系统由于其有限的计算能力而经常被认为是深度学习算法的强大功能。然而,为了提供诸如紧急响应,家庭协助,监视等时间关键服务,这些设备通常需要对其相机数据进行实时分析。本文力图通过利用云的计算能力,提供一种可行的方法,通过低资源和低功耗设备集成基于高性能深度学习的计算机视觉算法。通过将计算工作卸载到云,不需要专用硬件来在现有的低计算能力设备上启用深度神经网络。基于Raspberry Pi的机器人Cloud Chaser旨在展示使用云计算执行实时视觉任务的能力。此外,为了减少延迟并提高实时性能,提出并评估压缩算法以将流实时视频帧传输到云。
translated by 谷歌翻译
传统的口语理解系统由两个主要组成部分组成:一个将音频转换为atranscript的自动语音识别模块,以及一个将结果文本(或前N个假设)转换为一组域,意图和参数的自然语言理解模块。这些模块通常独立优化。在本文中,我们将音频到语义理解形成为序列到序列的问题[1]。我们提出并比较各种基于编码器 - 解码器的方法,这些方法以端到端的方式共同优化两个模块。对区域世界任务的评估表明:1)具有中间文本表示对于预测语义的质量是特定的,尤其是意图参数和2)联合优化整个系统提高了预测的整体准确性。与独立训练的模型相比,我们最好的联合训练模型获得了类似的领域和意图预测F1分数,相对于18%的参数字错误率提高了。
translated by 谷歌翻译
机器人手术已经被证明在手术过程中具有明显的优势,但是,主要限制之一是获得触觉反馈。由于设计具有精确力反馈的硬件解决方案通常具有挑战性,我们建议使用“视觉线索”来推断力从组织变形。内窥镜视频是一种可自由使用的无源传感器,因为任何微创手术都可以利用它。为此,我们采用深度学习来推断视频中的力量,这是通常复杂且昂贵的硬件解决方案的低成本且准确的替代方案。首先,我们使用附有OptoForce传感器的daVinci手术系统在幻像设置中演示我们的方法。其次,我们在离体肝脏器官上验证我们的方法。我们的方法在离体研究中导致0.814 N的平均绝对误差,这表明它可能是内窥镜手术中基于硬件的手术力反馈的替代方案。
translated by 谷歌翻译
特征向量中心性是一种标准的网络分析工具,用于确定实体在由图形表示的连接系统中的重要性(或排名)。然而,许多复杂的系统和数据集具有自然的多路交互,更加忠实地通过超图来建模。在此,我们将图特征向量中心性的概念扩展到均匀超图。传统图特征向量中心由邻接矩阵的正特征向量给出,在一些温和条件下保证由Perron-Frobeniustore存在。 hypergraphis hypermatrix的自然表示(通俗地说,是张量)。利用最近建立的用于张量的Perron-Frobenius理论,我们为超图产生了三个张量特征向量中心,每个超图都有不同的解释。我们通过分析由n-gram频率构建的超图,堆叠交换上的共同标记以及在患者急诊室访问中观察到的药物组合,显示这些中心可以揭示关于真实世界数据的不同信息。
translated by 谷歌翻译