由于最近在处理速度和数据采集和存储方面的进步,机器学习(ML)正在渗透我们生活的方方面面,并从根本上改变了许多领域的研究。无线通信是另一个成功的故事 - 在我们的生活中无处不在,从手持设备到可穿戴设备,智能家居和汽车。虽然近年来在为各种无线通信问题利用ML工具方面看到了一系列研究活动,但这些技术对实际通信系统和标准的影响还有待观察。在本文中,我们回顾了无线通信系统中ML的主要承诺和挑战,主要关注物理层。我们提出了ML技术在经典方法方面取得的一些最令人瞩目的近期成就,并指出了有希望的研究方向,其中ML可能在不久的将来产生最大的影响。我们还强调了在无线网络边缘设计物理层技术以实现分布式ML的重要问题,这进一步强调了理解和连接ML与无线通信中的基本概念的需要。
translated by 谷歌翻译
关于使用深度神经网络进行使用自然语言的代码搜索,最近有多个提议。这些提议的共同点是将$ \ mathit {embedding} $ code和自然语言查询的想法转换为实数向量,然后使用向量距离来近似代码与查询之间的语义相关性。存在多种方法来学习这些嵌入,包括$ \ mathit {无监督} $技术,它们仅依赖于代码示例的语料库,以及$ \ mathit {supervised} $技术,它们使用$ \ mathit {aligned} $ corpus配对代码和自然语言描述。这种监督的目的是为了提供更为类似于aquery的嵌入和相应的所需代码片段。显然,在是否使用监督技术方面存在选择,如果有的话,可以选择使用何种网络和培训进行监督。本文是第一个系统地评估这些选择的人。为此,我们组装了最先进技术的实现,以在公共平台,培训和评估语料库上运行。为了探索网络复杂性的设计空间,我们还引入了一个新的设计点,它是现有无监督技术的$ \ mathit {minimal} $监督扩展。我们的评估表明:1。对现有的无监督技术加入监督可以提高绩效,但不一定要多; 2.用于监督的简单网络可以更加有效地用于代码搜索的更复杂的基于序列的网络; 3.虽然用过的弦线进行监督是很常见的,但是文档的有效性与更适合查询的监督语料库之间存在相当大的差距。
translated by 谷歌翻译
基于编码器 - 解码器的神经架构作为端到端开放域对话系统中最先进方法的基础。由于大多数此类系统都采用最大似然(MLE)目标进行训练,因此无法解决诸如缺乏普遍性和一般响应问题等问题,即系统响应可能是对大量用户话语的回答,例如“也许,我不知道。“通过选择来自不同方法的响应,在每个回合中对系统响应的相关性和兴趣性有明确的反馈可以是减轻这些问题和提高系统质量的有用信号。为实现这一目标,我们提出了一个系统,用于评估每个对话框的聊天机器人响应,以实现一致性和一致性。我们的系统提供明确的转弯级别对话质量反馈,我们表明它与人类评估高度相关。为了表明在神经反应生成模型中包含这种反馈提高了对话质量,我们提出了两种不同的互补机制,将显式反馈纳入神经反应生成模型:在训练期间重新激活和直接修改损失函数。 Ourstudies表明,包含这些组合反馈机制的响应生成模型在开放域语音对话设置中产生更具吸引力和连贯性的响应,使用自动和人工评估显着提高响应质量。
translated by 谷歌翻译
在本文中,我们引入了一种新的组合奖励暨惩罚损失函数来处理回归问题。建议的组合奖励和惩罚损失函数惩罚位于会员的$ \ epsilon $ -tube之外的数据点,并且还为位于回归量的$ \ epsilon $ -tube内的数据点分配奖励。基于组合奖励和惩罚损失函数的回归(RP - $ \ epsilon $ -SVR)模型具有几个有趣的属性,本文对这些属性进行了研究,并且也得到了实验结果的支持。
translated by 谷歌翻译
给定映射环境,我们使用概率框架制定视觉跟踪和跟随回避者的问题。在这项工作中,我们考虑在具有障碍物的印度环境中具有有限可见度深度传感器的非完整机器人。跟随目标的移动机器人被认为是追捕者,被跟踪的代理人被认为是逃避者。我们为追求者和逃避者提出了一个概率框架,以实现他们相互冲突的目标。我们介绍一个智能的逃避者,其中包含有关追捕者位置的信息。回避者的这种变体的目标是通过使用从追踪者获得的可见区域信息来避免追求者追踪,以进一步挑战所提出的智能追求者。为了使框架的效率无效,我们通过使用Gazebo进行了几次实验模拟,并评估了跟踪evader在各种环境中的成功率,这些环境具有不同的追踪器速度比。通过我们的实验,我们验证了我们的假设,即聪明的追求者比追随者更有效地追踪虚拟追踪者,而追求者只是随意地在环境中航行。我们还验证了一个了解thepursuer行为的逃避者在避免被一个聪明的追求者追踪而不是随机的逃避者方面更成功。最后,我们凭经验证明,与随机追求者相比,聪明的追求者确实提高了跟踪的平均成功率,当逃避者意识到其行为时,其成功率分布的差异会增大。
translated by 谷歌翻译
检测欺骗性话语是基于语音的生物识别中的基本问题。欺骗可以通过诸如语音合成,语音转换之类的逻辑访问或通过诸如重放预先录制的话语之类的物理访问来执行。受到最先进的基于x矢量的扬声器验证方法的启发,本文提出了一种深度神经网络(DNN)架构,用于从逻辑和物理访问中进行欺骗检测。与传统的基于DNN的系统相比,x向量方法的完整性在于它可以在测试期间处理可变长度的话语。在ASV-spoof-2019数据集上分析了所提出的x向量系统和基线高斯混合模型(GMM)系统的性能。所提出的系统超越了用于物理访问的GMM系统,而GMM系统更好地检测了逻辑访问。与GMM系统相比,所提出的x-vectorapproach给出了物理访问的平均相对改进14.64%。当与决策级特征切换(DLFS)范例相结合时,所提出的方法中的最佳系统优于具有相对性的最佳基线系统。在最小串联成本检测函数(min-t-DCF)方面,逻辑和物理访问的改进分别为67.48%和40.04%。
translated by 谷歌翻译
我们提出了一种合成数据生成的任务感知方法。我们的框架采用可训练的合成器网络,通过评估“目标”网络的优势和劣势,优化产生意义的训练样本。合成器和目标网络以对抗性方式进行训练,其中每个网络的更新目标是超越另一个。另外,我们通过将其与在真实世界图像上训练的鉴别器配对来确保合成器生成真实数据。此外,为了使目标分类器对于混合人工制品不变,我们将这些人工制品引入训练图像的背景区域,以使目标不会过度拟合。我们通过将其应用于不同的目标网络(包括AffNIST上的分类网络)和不同数据集上的两个物体检测网络(SSD,Faster-RCNN)来证明我们的方法的功效。在AffNISTbenchmark上,我们的方法能够超越基线结果,只需要一半的训练样例。在VOC人员检测基准测试中,由于我们的数据增加,我们显示了高达2.7%的改进。类似地,在GMU检测基准上,我们报告mAP在基线方法中的性能提升为3.5%,优于先前的技术方法,在特定类别上达到7.5%。
translated by 谷歌翻译
量化是减少用于边缘计算的神经网络的存储器占用的常用技术,其需要降低用于网络参数的浮点表示的精度。使用测试来估计这种舍入误差对神经网络的整体性能的影响,该测试不是详尽的,因此不能用于保证模型的安全性。我们提出了一个基于满意度模理论(SMT)求解器的框架,以量化神经网络对参数扰动的鲁棒性。为此,我们引入了局部和全局鲁棒性的概念,这些概念捕获了由于参数量化引起的类别分配置信度的偏差。然后,鲁棒性概念被转换为SMT问题的实例,并使用求解器自动求解,例如dReal。我们在两个简单的多层感知器(MLP)上演示了我们的框架,它在二维输入上执行二进制分类。除了对稳健性进行量化之外,我们还表明,对于我们的MLP,整流线性单元激活比线性激活具有更高的鲁棒性。
translated by 谷歌翻译
背景和意义:为临床试验选择队列通常需要昂贵且耗时的手动图表评论,导致参与不良。为了帮助实现该过程的自动化,National NLP临床挑战(N2C2)通过定义13个临床试验队列选择标准并提供培训和测试数据集,共同面临挑战。这项研究受到N2C2挑战的影响。方法:我们将任务分解为对应于每个标准的13个独立子任务,并使用规则或监督机器学习模型实现子任务。每项任务都严格依赖于任务专用词典形式的知识资源,为此我们开发了一种新颖的模型驱动方法。该方法允许我们首先从种子setand扩展词典然后从列表中删除噪声,从而提高准确性。结果:我们的系统在挑战时达到了0.9003的总体F值,并且在45名参与者中排名第一。模型驱动的词典开发和进一步调试训练集上的规则/代码将整体F测量值提高到0.9140,超过了挑战时的最佳数值结果。讨论:群组选择,如表型提取和分类,适用于基于规则或简单的机器学习方法,然而,所涉及的有关物质,例如药物名称或涉及医学问题的医学术语,严格地决定了总体准确性。自动化lexicondevelopment具有可扩展性和准确性的潜力。
translated by 谷歌翻译
Exploration of Mars has been made possible using a series of landers, roversand orbiters. The HiRise camera on the Mars Reconnaissance Orbiter (MRO) hascaptured high-resolution images covering large tracts of the surface. However,orbital images lack the depth and rich detail obtained from in-situexploration. Rovers such as Mars Science Laboratory and upcoming Mars 2020carry state-of-the-art science laboratories to perform in-situ exploration andanalysis. However, they can only cover a small area of Mars through the courseof their mission. A critical capability gap exists in our ability to image,provide services and explore large tracts of the surface of Mars required forenabling a future human mission. A promising solution is to develop areconnaissance sailplane that travels tens to hundreds of kilometers per sol.The aircraft would be equipped with imagers that provide that in-situ depth offield, with coverage comparable to orbital assets such as MRO. A majorchallenge is that the Martian carbon dioxide atmosphere is thin, with apres-sure of 1% of Earth at sea level. To compensate, the aircraft needs to flyat high-velocities and have sufficiently large wing area to generate therequired lift. Inflatable wings are an excellent choice as they have the lowestmass and can be used to change shape (morph) depending on aerodynamic orcon-trol requirements. In this paper, we present our design of an inflatablesail-plane capable of deploying from a 12U CubeSat platform. A pneumaticde-ployment mechanism ensures highly compact stowage volumes and minimizescomplexity.
translated by 谷歌翻译