本文采用最先进的技术进行深度学习和计算机视觉,以测量不同建筑师之间建筑设计之间的视觉相似性。使用由网页抓取图像和建筑作品图像的原始集合组成的数据集,我们首先训练一个深度卷积神经网络(DCNN)模型,能够达到73%的准确度,对34个不同建筑师的作品进行分类。通过检查训练有素的DCNN模型中的权重,我们能够定量地测量由我们的模型隐含学习的建筑师之间的视觉相似性。使用这一措施,我们将被识别为相似的建筑师聚集在一起,并将我们的发现与建筑历史学家和理论家所做的传统分类进行比较。我们的建筑设计集群显着地证实了建筑历史中的传统观点,并且所学到的建筑特征也与建筑设计的传统理解相结合。
translated by 谷歌翻译
深度学习的最新进展使得可以使用街道级图像在精细分辨率和大范围内量化城市度量。在这里,我们专注于使用谷歌街景(GSV)图像来测量城市树木覆盖。首先,我们提供一个小规模的标记验证数据集,并提出标准指标,以比较使用GSV自动估算街道树木覆盖的性能。我们应用最先进的深度学习模型,并将其性能与先前建立的无监督方法基准进行比较。我们的深度学习模型的训练程序是新颖的;我们利用丰富的公开可用和类似标记的街道级图像数据集来预训我们的模型。然后,我们对由GSV图像组成的小型训练数据集执行额外训练。我们发现深度学习模型明显优于无人监督的基准方法。我们的语义分割模型相对于无监督方法将平均交叉联合(IoU)从44.10%增加到60.42%,而oundnd-end模型将平均绝对误差从10.04%减少到4.67%。我们还采用了最近开发的一种称为梯度加权类激活图(Grad-CAM)的方法来解释端到端模型学到的特征。该技术证实,端到端模型已经准确地学会识别树覆盖区域作为预测百分比树木覆盖的关键特征。我们的论文提供了一个将高级深度学习技术应用于大规模,地理标记和基于图像的数据集的示例,以有效地估计重要的城市指标。结果表明,深度学习模型非常准确,可以解释,并且在数据标记工作和计算资源方面也可以是高效的。
translated by 谷歌翻译
太阳眩光是导致交通事故的主要环境危害之一。每年都有许多人因与太阳眩光有关的交通事故而死亡和受伤。提供关于发生太阳光的时间和地点的准确信息将有助于防止太阳眩光造成交通事故并挽救生命。在本研究中,我们建议使用可公开访问的GoogleStreet View(GSV)全景图像来估计和预测sunglare的发生。 GSV图像具有类似于驾驶员的视线,这将使GSVimage适合于估计驾驶员对太阳眩光的可见性。最近开发的卷积神经网络算法用于分割GSV图像并预测太阳眩光上的障碍物。根据给定位置的预测障碍,我们通过估算太阳位置以及这些位置的驾驶员和太阳之间的相对角度,进一步估算了太阳伞的时间窗。我们在美国马萨诸塞州剑桥进行了一个案例研究。结果表明,该方法可以准确预测出眩光的存在。所提出的方法将为驾驶员和交通规划者提供重要的工具,以减轻太阳眩光并减少由太阳眩光引起的潜在交通事故。
translated by 谷歌翻译
我们研究汉密尔顿蒙特卡罗(HMC)从强积分密度中抽样,其密度与$ e ^ { - f} $成比例,其中$ f:\ mathbb {R} ^ d \到\ mathbb {R} $是$ \ mu $ -strongly凸和$ L $ - 平滑(条件数是$ \ kappa = L / \ mu $)。我们证明理想HMC的弛豫时间(光谱间隙的倒数)是$ O(\ kappa)$,改善了之前的最佳界限$ O(\ kappa ^ {1.5})$;我们用一个放松时间为$ \ Omega(\ kappa)$的例子来补充这一点。当使用近乎最优的ODE求解器实现时,HMC使用$ \ widetilde {O}((\ kappa d)^ {0.5} \ varepsilon ^ { - 1})$ $ $ $ Wasserstein距离返回$ \ varepsilon $ - 近似点。$渐变评估perstep和$ \ widetilde {O}((\ kappa d)^ {1.5} \ varepsilon ^ { - 1})$总时间。
translated by 谷歌翻译
基于机器学习的基于流的生成模型的马尔可夫链更新方案被提出用于格子场理论中的蒙特卡罗采样。可以优化(训练)生成模型以从近似于由所研究的理论的晶格作用确定的期望玻尔兹曼分布的分布产生样本。系统地训练模型改善了马尔可夫链中的自相关时间,甚至在参数空间的区域中,标准马尔可夫链蒙特卡罗算法在产生去相关更新时显示出减慢的速度。此外,可以在没有来自期望分布的现有样本的情况下训练模型。该算法在两个维度上与HMC和本地大都市抽样理论进行了比较。\ phi ^ 4 $理论。
translated by 谷歌翻译
哈密​​顿蒙特卡罗是一种强大的算法,用于从难以归一化的后验分布中进行采样。然而,当后部的几何形状不利时,可能需要对目标分布及其梯度进行许多昂贵的评估以收敛和混合。我们提出神经传输(NeuTra)HMC,这是一种学习使用逆自回归流(IAF)来校正这种不利几何的技术,这是一种强大的神经变分推理技术。 IAF经过训练以最小化从各向同性高斯到翘曲后向的KL发散,然后在翘曲空间中执行HMC采样。我们在各种合成和实际问题上对NeuTra HMC进行了评估,发现它在达到静止分布和渐近有效样本大小率的过程中显着优于vanilla HMC。
translated by 谷歌翻译
本技术报告记录了计算智能游戏(CIG)2018年Hanabi比赛的获胜者。我们介绍了重新确定IS-MCTS,信息集蒙特卡罗树搜索(IS-MCTS)\ cite {IS-MCTS}的新扩展,它可以防止隐藏信息泄漏到IS-MCTS中可能发生的对手模型中,特别是在Hanabi中重新确定IS-MCTS得分在Hanabi中的分数高于2-4名参与者,而不是之前发表的作品。考虑到每次移动40ms的竞争时间限制,我们使用学习的评估函数来估计叶节点值并避免在MCTS期间的完全模拟。对于混合赛道比赛,其中其他球员的身份未知,使用简单的贝叶斯对手模型,该模型随着每场比赛的进行而更新。
translated by 谷歌翻译
受到AlphaGo Zero(AGZ)成功的启发,它利用蒙特卡罗树搜索(MCTS)和神经网络监督学习来学习最优政策和价值功能,在这项工作中,我们专注于正式建立这样一种方法确实找到了渐近的最优政策,以及在此过程中建立非渐近保证。我们将重点关注无限期贴现马尔可夫决策过程以确定结果。首先,它需要在文献中建立MCTS声称的属性,对于任何给定的查询状态,MCTS为具有足够模拟MDP步骤的状态提供近似值函数。我们提供了非渐近分析,通过分析非固定多臂匪装置来建立这种性质。我们的证据表明MCTS需要利用多项式而不是对数“上置信度限制”来建立其期望的性能 - 有趣的是,AGZ选择这样的多项式约束。使用它作为构建块,结合最近邻监督学习,我们认为MCTS充当“政策改进”运营商;它具有自然的“自举”属性,可以迭代地改进所有状态的值函数逼近,这是由于与超级学习相结合,尽管仅在有限多个状态下进行评估。实际上,我们建立了学习$ \ _ \ _ \ _ \ _ \ _ \ _间/ $ inform中值函数的$ \ varepsilon $近似值,MCTS与最近邻居相结合需要samplesscaling为$ \ widetilde {O} \ big(\ varepsilon ^ { - (d + 4)} \ big)$,其中$ d $是状态空间的维度。这几乎是最优的,因为$ \ widetilde {\ Omega} \ big(\ varepsilon ^ { - (d + 2)} \ big)的minimax下限。$
translated by 谷歌翻译
本文提出了蒙特卡罗Softmax搜索的两个建议,这是最近提出的方法,被归类为像蒙特卡罗树搜索这样的选择性搜索。第一个提案分别定义了节点选择和备份策略,以允许研究人员根据他们的搜索策略自由设计阳极选择策略,并确认蒙特卡洛Softmax搜索产生的主要变化是由极小极大搜索产生的。第二个提议修改了常用的学习方法,用于位置评估功能。在我们的新提案中,评估函数通过Monte Carlo抽样学习,该抽样是使用Monte Carlo Softmax Search生成的搜索树中的备份策略执行的。所考虑的学习方法包括监督学习,强化学习,回归学习和搜索引导。我们基于抽样的学习不仅使用当前位置和主要变化,还使用内部节点和搜索树的重要变体。该步骤减少了学习所需的游戏数量。基于Monte Carlo Softmax搜索的新学习规则是基于基于采样的学习,本文还提出了修改学习方法的组合。
translated by 谷歌翻译
最近对基于扩散的采样方法的研究表明,LangevinMonte Carlo(LMC)算法可以有利于非凸优化,并且已经证明了渐近和有限时间机制的粗糙理论保证。在算法上,基于LMC的算法类似于众所周知的梯度下降(GD)算法,其中GD递归受到加性高斯噪声的扰动,其方差具有特定形式。 FractionalLangevin Monte Carlo(FLMC)是最近提出的LMC扩展,其中高斯噪声被重尾{\ alpha} - 稳定噪声所取代。与高斯对应物相反,这些重尾扰动可能导致大跳跃,并且经验证明,{\ alpha} - 稳定噪声的选择可以在优化和采样环境中的现代机器学习问题中提供若干优势。然而,与LMC相反,只有FLMC的渐近收敛性已经建立。本研究中,我们分析了FLMC非凸优化的非渐近行为,并证明了其预期次优性的有限时间界限。我们的结果表明,FLMC的弱误差比LMC增加得更快,这表明在FLMC中使用较小的步长。我们最终将结果扩展到精确渐变被随机梯度替换的情况,并显示在此设置中也保持类似的结果。
translated by 谷歌翻译