最近提出并研究了甲虫天线搜索算法以解决全局优化问题。尽管该算法及其变体的性能显示出优于某些现有的启发式算法，但仍缺乏收敛性分析。在本文中，我们对beetleantennae搜索算法的收敛性进行了理论分析。我们测试了BAS算法viasome代表性基准函数的性能。同时，还介绍了BAS算法的一些应用。
translated by 谷歌翻译
蒙德里安过程代表了一种优雅而强大的空间分割建模方法。但是，由于它将分区限制为轴对齐，因此其建模灵活性受到限制。在这项工作中，我们提出了一个自洽的二元空间划分（BSP） - 树过程来推广蒙德利过程。 BSP-Tree过程几乎肯定是连续的Markov跳跃过程，允许在二维凸多边形中均匀分布的倾斜切割。 BSP-Tree过程也可以使用非均匀概率测度来扩展，以生成方向差分切割。该过程也是自洽的，在受限子域下维持分布不变性。我们使用条件序列蒙特卡罗作为高维变量使用树结构进行推理。 TheBSP-Tree流程在合成数据分区和关系规划方面的表现证明了对标准的传统流程和其他相关方法的明显推理性改进。
translated by 谷歌翻译
背景：构建可视化编码模型以准确预测视觉响应是当前基于视觉的脑机接口技术的核心挑战。为了实现对神经信号的高预测精度，视觉编码模型应包括精确的视觉特征和适当的预测算法。大多数现有的可视编码模型采用手工可视特征（例如，Gabor小波或语义标签）或数据驱动特征（例如，从深度神经网络（DNN）提取的特征）。他们还假设特征表示与大脑活动之间的线性映射。然而，这种线性映射是否足以形成预测准确性仍然是未知的。新方法：我们构建了一个新的可视化编码框架，用于预测基准功能磁共振成像（fMRI）数据集中的皮层反应。在这个框架中，我们采用转移学习技术来结合预训练的DNN（即AlexNet）并训练从视觉特征到大脑活动的非线性映射。这种非线性映射取代了传统的线性映射，可以提高大脑活动的预测准确性。结果：所提出的框架可以显着预测早期视觉区域（即V1-侧枕区，LO）超过20％体素的反应，并达到前所未有的预测准确性。与现有方法比较：与两种常规视觉编码模型相比，我们发现所提出的编码模型在所有早期视觉区域中显示出一致的较高预测准确度，尤其是在相对前方视觉区域（即V4和LO）。结论：我们的工作提出了一种新的框架，以利用预先训练的视觉特征并训练从视觉特征到大脑活动的非线性映射。
translated by 谷歌翻译
滚动地平线进化算法（RHEA）是一类用于实时游戏的在线计划方法;他们的表现与计划范围和允许的搜索时间密切相关。在本文中，我们建议通过培训价值网络和apolicy网络，以离线方式容忍RHEA的先验。价值网络用于通过提供对未来奖励的估计来减少计划范围，并且策略网络用于初始化人口，这有助于缩小搜索范围。所提出的算法，称为基于先验的RHEA（p-RHEA），通过迭代地执行规划和学习来训练策略和价值网络。在规划阶段，进行了地平线限制搜索，辅助政策网络和价值网络，以改进政策和收集培训样本。在学习阶段，政策网络和价值网络通过收集的样本进行培训，以学习更好的先验知识。在OpenAl Gym MuJoCo任务上的实验结果表明，与RHEA相比，所提出的p-RHEA的性能显着提高。
translated by 谷歌翻译
人类在结构化和构图中感知这个看似混乱的世界，其前提是能够将概念实体与复杂的视觉场景隔离开来。将场景的基本视觉元素分组为概念实体的机制被称为感知分组。在这项工作中，我们提出了一种新型的空间混合模型，其具有可学习的先验，用于感知分组。与现有方法不同，所提出的方法将对象的表示形式化为“形状”和“外观”，它们由混合权重和条件概率分布分别建模。更具体地，视觉场景中的每个对象由一个混合分量建模，其混合权重和条件概率分布的参数分别由两个神经网络生成。混合权重集中于建模空间依赖性（即，形状），并且条件概率分布处理对象内变化（即，外观）。此外，背景被单独建模为与前景对象互补的特殊组件。对两个感知分组数据集的过度实证测试表明，所提出的方法在mostexperimental配置下优于最先进的方法。学习的概念实体可以推广到新颖的视觉场景，并且对物体的多样性不敏感。
translated by 谷歌翻译
在新兴的纳米物联网（IoNT）中，信息将通过复杂和扩散的媒体以分子的形式嵌入和传播。一个主要的挑战在于信道响应的长尾性质导致符号间干扰（ISI），这会降低检测性能。如果信道未知，我们不能轻易实现传统的相干信道估计和消除，并且ISI的影响将是在本文中，我们开发了一种用于分子信号盲检测的新型高维非相干方案。我们通过组合利用信号的瞬态特征的不同非相干度量，在更高维度的空间中实现这一点。通过推导任何构造的高维非相干度量的理论误码率（BER），我们证明了更高的维数总是在相同的样本空间中实现更低的BER。然后，我们设计了一个利用了Thearzen的广义盲检测算法。近似及其概率神经网络（Parzen-PNN）检测信息比特。利用其快速收敛和并行实现的优点，我们提出的方案可以满足检测精度和实时计算的需要。数值模拟表明，与其他最先进的方法相比，我们提出的方案可以获得10dB的BER。
translated by 谷歌翻译
跨项目缺陷预测（CPDP）旨在通过使用来自其他项目的历史缺陷数据训练的预测模型来预测项目训练数据的缺陷。但是，由于不同项目之间的分布差异，构建高质量的CPDP模型仍然是一个挑战。不幸的是，软件缺陷数据集的类不平衡性质进一步增加了难度。在本文中，我们通过考虑类平衡和特征重要性问题，提出了一种基于面向转移学习的少数过采样技术（TOMO）的基于特征加权转移的朴素贝叶斯（FWTNB）方法（TOMOFWTNB）用于CPDP。与传统的过采样技术不同，TOMO不仅可以平衡数据，还可以减少分布差异。然后FWTNB用于进一步增加两个分布的相似性。实验在11个公共缺陷数据集上进行。实验结果表明：（1）TOMO将平均G-Measure提高了23.7 \％$ \ sim $ 41.8％，平均MCC提高了54.2％，$ \ sim为77.8％。 （2）特征加权（FW）策略将平均G-Measure提高11％，平均MCC提高29.2％。 （3）TOMOFWTNB将平均G-Measure值提高了至少27.8％，平均MCC值提高了至少71.5％，与现有的CPDP方法相比。可以得出结论：（1）TOMO在解决CPDP情景中的类不平衡问题方面非常有效; （2）我们的FW策略有助于CPDP; （3）TOMOFWTNB优于以前最先进的CPDP方法。
translated by 谷歌翻译
在本文中，我们提出了一种新方法来解决地震勘探领域中从时间序列数据到空间图像的映射挑战，即通过深度神经网络（DNN）直接从地震数据重建速度模型。解决这种不适定的地震反演问题的传统方法是通过迭代算法，其具有poornonlinear映射和强非唯一性。其他尝试可能导致人为干预错误或未充分利用地震数据。 DNNs面临的挑战主要在于弱空间对应，地震数据与速度模型之间不确定的反射 - 接收关系以及地震数据的时变性质。为了应对这些挑战，我们提出了一个端到端的地震反演网络（SeisInvNet forshort），它具有新颖的组件，可以最好地利用所有地震数据。具体来说，我们从每个地震道开始，并通过其邻居信息，观测设置对其进行增强。和相应的地震剖面的全球背景。然后，通过增强的地震道，可以学习空间对齐的特征图，并进一步连接到重建速度模型。总的来说，我们通过寻找空间对应性，让每个地震轨迹都有助于构建整个速度模型。所提出的SeisInvNet一致地在基线上产生改进，并根据各种评估指标在我们提出的SeisInv数据集上实现了有希望的性能，并且反演结果更加一致从速度值，地下结构和地质界面等方面得出目标。除了优越的性能外，还仔细讨论了该机制，并确定了一些潜在的问题以供进一步研究。
translated by 谷歌翻译
尽管深层神经网络（DNN）与人类大脑之间存在显着的相似性，如先前的研究所示，DNN在许多视觉任务中仍然落后于人类，这表明两个系统之间存在相当大的差异。为了探究它们的不同之处，我们利用对偶噪声（AN）和对抗性干扰（AI）图像，在原型DNN（AlexNet）和人类视觉中产生明显的识别性能。通过两个系统中的常规（RE）和对抗性图像的诱发活动进行了彻底的比较。我们发现人脑中RE和对抗性图像之间的代表性相似性类似于它们的感知相似性。然而，这种表示 - 感知关联在DNN中被破坏。特别是，RE和AN图像之间的代表性相似性从低层到高层同时增加。此外，正向编码建模揭示了先前研究中提出的DNN-大脑分层对应仅在两个系统处理RE和AI图像而非AN图像时才成立。这些结果可能是由于当前DNN的确定性建模方法。总之，我们的研究结果为DNN与人类大脑之间的比较提供了一个互补的视角，并强调了表征其差异的必要性，以进一步弥合人工和人类智能研究。
translated by 谷歌翻译
游戏AI的下一个挑战在于实时战略（RTS）游戏。 RTSgames提供部分可观察的游戏环境，其中代理在比GO大得多的动作空间中彼此交互。掌握RTSgames需要强大的宏观策略和微妙的微观层次执行。最近，微观层面的执行已取得很大进展，而宏观战略的完整解决方案仍然缺乏。在本文中，我们提出了基于学习的分层宏观策略模型，用于掌握MOBAgames，一种RTS游戏的子类型。通过分层宏策略模型训练，代理明确地做出宏策略决策并进一步指导他们的微观级别执行。此外，每个代理人都做出独立的战略决策，同时通过平衡一种新颖的模仿跨代理通信机制与盟友进行沟通。我们对流行的5v5多人在线对战竞技场（MOBA）游戏进行综合评估。我们的5-AI团队在人类玩家队伍中获胜率达到48％，在玩家排名系统中排名前1％。
translated by 谷歌翻译