问答(QA)作为一个研究领域,主要关注知识库(KB)或自由文本作为知识来源。这两个来源在历史上形成了通过资源提出的各种问题,以及为解决这些问题而开发的方法。在这项工作中,我们看到QA的实际用例,而不是用户指导的知识,它将结构化QA的元素与知识库,非结构化QA与叙述相结合,将多关系QA的任务引入个人叙述。作为实现这一目标的第一步,我们做出了三个关键贡献:(i)我们生成并发布TextWorldsQA,一组五个不同的数据集,whereeach数据集包含动态叙述,描述模拟世界中的实体和关系,与可变组成问题配对知识,(ii)我们在这项任务中对几个最先进的QA模型及其变体进行了全面的评估和分析,以及(iii)发布了一个轻量级的基于Python的框架,我们称之为TextWorlds,可以轻松生成任意的额外世界和叙事,目标是允许社区创建和分享越来越多的不同世界作为此任务的测试平台。
translated by 谷歌翻译
我们考虑使用神经嵌入方法学习KB中实体和关系的表示。我们证明了大多数现有的模型,包括NTN(Socher等,2013)和TransE(Bordes等,2013b),可以在统一的学习框架下进行推广,其中实体是从神经网络中获得的低维向量,关系是双线性和/或线性映射函数。在此框架下,我们在链接预测任务上比较各种嵌入模型。我们证明了一个简单的双线性公式可以为任务实现最新的最终结果(在Freebase上实现TransE的前10精度为73.2%和54.7%)。此外,我们引入了一种新方法,利用学习的关系嵌入来挖掘逻辑规则,如“BornInCity(a,b)和CityInCountry(b,c)=>国籍(a,c)”。我们发现从双线性目标中学习的嵌入特别擅长于捕获关系语义,并且关系的组成以矩阵乘法为特征。更有趣的是,我们证明了基于嵌入的规则提取方法在挖掘涉及组合推理的Horn规则中成功地优于基于信任的最先进规则挖掘方法。
translated by 谷歌翻译
背景:药代动力学评价是药物发现和开发的关键过程之一。然而,目前的吸收,分布,代谢,排泄预测模型仍然具有有限的准确性。目的:本研究旨在构建一个综合的转移学习和多任务学习方法,用于开发定量结构 - 活性关系模型,预测四种人体药代动力学参数。方法:药代动力学数据集包括1104种美国FDA批准的小分子药物。该数据包括四个人体药代动力学参数子集(口服生物利用度,血浆蛋白结合率,稳态分布的表观体积和消除半衰期)。对预先训练的模型进行了超过3000万生物活性数据的训练。建立了综合转移学习和多任务学习方法,以加强模型的推广。结果:药代动力学数据集分为三个部分(60:20:20)进行训练,验证和测试,采用改进的最大不相似算法,代表初始集选择算法和加权距离函数。多任务学习技术增强了模型的可预测性。综合转移学习和多任务学习模型表现出最佳的准确性,因为深度神经网络具有一般的特征提取能力,转移学习和多任务学习改进了模型的推广。结论:首先介绍了改进数据集分裂算法的综合转移学习和多任务学习方法,以预测药代动力学参数。该方法可以进一步用于药物发现和开发。
translated by 谷歌翻译
我们提出并分析了$(1,\ lambda)$进化算法的自适应版本,其中当前的突变率是个体的一部分,因此也受到突变。对OneMax基准测试函数进行严格的运行时分析,发现当一个简单的局部变异方案导致$ O(n \ lambda / \ log \ lambda + n \ log n)$时的预期优化时间(适应度评估次数)$ \ lambda $至少是$ C \ ln n $ forsome constant $ C> 0 $。对于$ \ lambda \ ge C \ ln n $的所有值,在所有基于$ \ lambda $ -parallelmutation的无偏黑框算法中,此性能是渐近最佳的。我们的结果表明,进化计算中的自适应可以在运行中找到复杂的最优参数设置。同时,证明了Doerr,Gie {\ ss} en,Witt和Yang~(GECCO~2017)提出的相对复杂的突变率自调整方案可以用我们的简单内生方案代替。在技​​术方面,本文为分析动态参数选择中出现的二维漂移过程提供了新的工具,包括非恒定漂移过程中的占据概率。
translated by 谷歌翻译
在标准卷积神经网络(CNN)中,每层中人工神经元的感受野被设计成共享相同的大小。在神经科学界众所周知,视觉皮层神经元的感受野大小受到刺激的调节,这在构建CNN时很少被考虑。我们提出了一种动态选择机制,它允许每个神经元根据多种输入信息尺度自适应地调整其感受野大小。设计了一个称为选择性核(SK)单元的构建块,其中使用由这些分支中的信息引导的softmax注意来融合具有不同内核大小的多个分支。对这些分支的不同关注产生了融合层中神经元的有效感受区域的不同大小。多个SK单元被堆叠到称为Selective KernelNetworks(SKNets)的深层网络中。在ImageNet和CIFAR基准测试中,我们凭经验证明SKNet优于现有的具有较低模型复杂性的最先进架构。详细分析表明,SKNet中的神经元可以捕获具有不同尺度的目标对象,从而验证神经元根据输入自适应地调整其重复字段大小的能力。代码和模型可在https://github.com/implus/SKNet获得。 。
translated by 谷歌翻译
本文将非政策强化学习扩展到多智能体案例,其中一组网络代理根据时变图与其邻居进行通信,在遵循不同的行为策略的同时协作评估和改进目标策略。为此,本文开发了非线性时间差分学习的多智能体版本,用于非政策性评估,证明了线性函数逼近下的收敛性。本文结合新的多智能体政策政策梯度定理,结合了这一结果。最近在多智能体政策和单一代理人的非政策行动者 - 批评方法方面的工作,为新的多智能体非策略行为者 - 评论者算法开发和提供融合保证。
translated by 谷歌翻译
基于无监督学习的单目视觉测距法(VO)最近因其在无标签倾斜能力和对摄像机参数和环境变化的鲁棒性方面的潜力而引起了极大的关注。然而,部分由于缺乏漂移校正技术,这些方法至少远不如用于大规模测距估计的几何方法准确。在本文中,我们建议利用图优化和环路检测来克服基于无监督学习的单目视觉测距的局限性。为此,我们提出了一种混合VO系统,该系统将称为NeuralBundler的无监督单眼VO与姿势图优化后端相结合。 NeuralBundler是一种神经网络结构,它使用时间和空间光度损失作为主要监督,并生成由多视图6DoF约束组成的awindowed姿势图。我们提出了一种新颖的循环一致性损失,以缓解窗口姿势图中的张力,从而提高性能和稳健性。在后端,全局姿势图由本地构建,并且由NeuralBundlerand估计的循环6DoF约束优于SE(3)。对KITTI测距数据的实证评估表明:1)NeuralBundler在无监督的单眼VO估计上实现了最先进的性能,2)我们的整个方法可以实现有效的闭环,并且与已建立的单眼SLAM系统相比显示出良好的整体平移精度。
translated by 谷歌翻译
深度神经网络(DNN)是许多机器学习应用程序的最先进解决方案,并已广泛用于移动设备。在资源受限的移动设备上运行DNN通常需要边缘服务器通过计算卸载提供帮助。然而,由于移动设备上的计算资源与无线资源之间的紧密相互作用,通过放宽限制的无线链路卸载是非常重要的。现有的研究集中于合作推理,其中DNN模型被分配在不同的神经网络层,并且这两个部分是分别在移动设备和边缘服务器上执行。由于DNN层的输出数据大小可能大于原始数据的输出数据大小,因此在有限的无线带宽下,在层之间卸载中间数据会遭受高传输延迟。在本文中,我们提出了一种有效且灵活的两步修剪框架,用于移动设备和服务器之间的DNN分区。在我们的框架中,DNN模型只需要在训练阶段进行修剪一次,其中不重要的卷积滤波器被去除。通过限制修剪区域,我们的框架可以大大减少设备的无线传输工作量或总计算工作量。在训练阶段中生成一系列修剪模型,框架可以自动选择以满足不同的精度和精度要求。此外,添加对中间数据的编码以提供额外的传输工作负载减少。我们的实验表明,与分区原始DNN模型相比,所提出的框架可以实现传输工作量减少高达25.6 $ \次减少,总计算减少6.01 $ \次加速,端到端延迟减少4.81美元没有修剪。
translated by 谷歌翻译
深度感应是机器人任务的关键功能,例如定位,映射和障碍物检测。由于单目相机的成本和尺寸相对较低,因此单个RGB图像的深度估计具有显着且不断增长的兴趣。然而,最先进的单视图depthestimation算法基于相当复杂的深度神经网络,这对于嵌入式平台上的实时推断来说是缓慢的,例如,安装在微型飞行器上。在本文中,我们解决了嵌入式系统中快速验证的问题。我们提出了一种高效的轻量级编码器 - 解码器网络架构,并应用网络修剪来进一步降低计算复杂性和延迟。特别是,我们专注于低延迟解码器的设计。我们的方法论证明,可以实现与先前深度估算工作相似的精度,但是参考速度要快一个数量级。我们建议的网络FastDepth在NVIDIA Jetson TX2 GPU上以178 fps运行,在使用TX2 CPU时运行速度为27 fps,有效功耗低于10 W. FastDepth在纽约大学深度v2上达到了最先进的精度数据集。据本文作者所知,本文使用深度神经网络演示了实时单目视觉识别,该神经网络在嵌入式平台上具有最低延迟和最高吞吐量,可由微型空中车载。
translated by 谷歌翻译
在机器人辅助的有孔血管内主动脉修复术(FEVAR)中,支架移植物开窗或带有主动脉分支的扇贝的精确对准对于建立完整的血流灌注是必不可少的。目前的导航大量基于2D荧光图像,缺乏3D解剖信息,因此导致更长的手术时间以及高辐射暴露风险。以前,3D形状实例化框架用于完全展开或完全压缩的支架的实时3D形状重建已经提出了来自单个2D透视图像的移植物用于机器人辅助的FEVAR中的3D导航。然而,这些方法无法实例化部分展开的支架段,因为3D标记参考是未知的。在本文中,提出了一种改进的图形卷积网络(GCN)来预测3D完全展开标记的3D标记参考。由于原始GCN用于分类,在本文中,去除了粗化层,并且网络末端的softmax函数被替换为回归任务的线性映射。衍生的3D和2D标记参考用于使用现有的3D形状实例化框架来实例化部分展开的支架段形状。对三种常用的支架移植物和五种患者特异性3D打印的主动脉瘤模型进行验证。实现了平均网格距离误差为1 $ \ sim $ 3mm和平均矩形误差约为7度的可比性能。
translated by 谷歌翻译