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
在本文中,我们考虑利用部分重叠信道(POC)的网状结构无人机(UAV)网络。对于无人机网络中的基因标记收集任务,我们的目标是通过限制传输功率和服务质量(QoS)来优化网络吞吐量。就高度移动和不断变化的无人机网络而言,不幸的是,大多数现有方法依赖于确定对动态环境易受攻击的信息,使系统性能降低。为了对抗UAVnetworks的动态拓扑和变化干扰,提出了一种鲁棒的分布式学习方案。我们引入不确定性来表征无人机节点之间的动态信道增益,然后用模糊数解释,而不是完美的信道状态信息(CSI)。我们在映射模糊空间中实现学习和决策过程,而不是传统观察空间,其中信道容量是一个明确的奖励。这允许系统通过在备用空间中进行优化来实现更加平稳和更强大的性能。为此,我们设计了一个模糊支付函数(FPF)来描述波动的可能性,POCs分配的问题被公式化为模糊支付游戏(FPG)。在模糊双矩阵博弈的有吸引力的辅助下,证明了模糊纳什均衡(FNE)在我们制定的FPG中的存在性。我们的鲁棒模糊学习算法可以通过偏差法达到均衡解。最后,提供数值模拟以证明我们的新方案优于现有方案的优点。
translated by 谷歌翻译
检测异常并发现驾驶信号是科学研究和工业实践的重要组成部分。通常,潜在的机制非常复杂,涉及隐藏的演化非线性动力学和噪声污染。当代表性物理模型和大型标记数据集不可用时,与大多数实际应用程序一样,依赖于模型的贝叶斯方法会产生误导性结果,并且大多数监督学习机器也无法可靠地解决复杂的演化系统。在这里,我们提出了一种无监督的机器学习方法,它在一个结构良好的函数空间中运行,通过由考夫曼算子确定的线性函数表示来捕获非线性动力学。这一突破利用了时间特征嵌入和随后重建动态的相空间表示,从而允许从整个轨迹中可靠地识别关键全局特征。这大大改善了常用的静态局部特征,这些特征是脆弱的过渡或噪声。由于其数据驱动的性质,我们的方法包括任何先前的模型和训练语料库。我们将我们方法的惊人准确性与生物学,医学和工程学中的三个不同且具有挑战性的问题进行对比。在所有情况下,它都优于现有的最先进的方法。作为一种新的无监督信息处理范例,它适用于普遍存在的非线性动力系统,这些系统只有很少的专业知识,可以无偏见地挖掘工作原理,或者在未标记的数据流中淹没的内在相关性。
translated by 谷歌翻译
电路混淆是最近提出的防御机制,通过使用伪装门(即,逻辑门,其功能不能由攻击者精确确定)来保护数字集成电路(IC)免于逆向工程。已经存在有效的方案,例如基于可满足性检查(SAT)的攻击,其可以潜在地解密混淆的电路,称为反混淆。根据IC和伪装门的数量和布局,反混淆运行时可能具有从几毫秒到数千年或更长的大跨度。因此,准确地预先估计反混淆运行时对于防御者最大化它并优化其防御非常重要。然而,估计反混淆运行时是一项具有挑战性的任务,因为1)图结构电路的复杂性和异构性,2)攻击者进行反混淆的未知和复杂机制。为了解决上述挑战,本工作提出了第一个基于图深度学习技术预测反混淆运行时的机器学习框架。具体来说,我们设计了一个新的模型,ICNet,带有新的输入和卷积层,用于表征和提取IC的图形频率,然后通过异构的深层连接层进行集成,以获得最终输出。 ICNet是一个端到端的框架,可以自动提取反混淆时间的决定性特征。广泛的实验证明了它的有效性和效率。
translated by 谷歌翻译
3D医学图像配准具有重要的临床意义。然而,监督学习方法需要大量精确注释的相应控制点(或变形)。 3D医学图像的基本事实很难获得。无监督学习方法通​​过在没有监督的情况下利用未标记数据来减轻手工注释的负担。在本文中,我们提出了一种新的无监督学习方法,该方法使用卷对端神经网络在端到端框架下,体育补间网络(VTN)来注册3D医学图像。三个技术组件完善了我们用于3D端到端医学图像注册的无监督学习系统:(1)我们级联注册子网; (2)我们将注册融入我们的网络; (3)我们在培训过程中加入了额外的可转移性损失。实验结果表明,我们的算法比传统的基于优化的方法快880倍(或没有GPU加速快3.3倍),并在医学图像配准中实现了最先进的性能。
translated by 谷歌翻译
本文考虑了非线性降维问题。与LLE,ISOMAP等现有方法不同,它试图在低维空间展开真实流形,我们的算法试图保持流形的非线性结构,并说明流形如何折叠在高维空间。我们将此方法称为Tangent Distance PreservingMapping(TDPM)。 TDPM使用切线距离而不是测地距离,然后将MDS应用于切线距离矩阵,以将流形映射到低维空间,在该空间中我们可以获得其非线性结构。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
在本文中,我们提出了一个基于跨度的模型与n-ary开放信息提取的句法信息相结合。跨度模型的优点是它可以利用跨度级功能,这在基于令牌的BIO标记方法中很难实现。我们还改进了以前的bootstrap方法来构建训练语料库。实验表明,我们的模型优于以前的开放信息提取系统。我们的代码和数据可通过以下网址公开获取://github.com/zhanjunlang/Span_OIE
translated by 谷歌翻译
深度神经网络允许融合多种模式的高级特征,并已成为多模态融合的有前途的端到端解决方案。虽然最近提出的门控架构改进了CNN中采用的常规融合机制,但这些模型并不总是特别容易出现传感器故障。本文表明现有的门控体系结构无法有力地学习批判性地控制不同模态的融合权重,从而导致问题的重要性不一致。我们提出了一种新的门控结构,它通过引入辅助模型来规范主模型,从而可以有力地学习每种感觉模态的融合权重。因此,这种新的辅助模型调节架构及其变体在传感器故障导致的清洁和损坏的传感输入下优于现有的非门控和门控融合架构。在后一种情况下,获得的性能增益相当显着。
translated by 谷歌翻译
量化可以改善商用GPU和专用加速器上的神经网络的执行延迟和能量效率。现有文献的大多数侧重于训练量化DNN,而本文则研究了在没有(重新)训练的情况下量化浮点模型的研究较少的主题。 DNN权重和激活遵循训练后的钟形分布,而实际硬件使用线性量化网格。这导致了处理分布中的异常值的挑战。先前的工作通过剪切异常值或使用专用硬件来解决这个问题。在这项工作中,我们提出异常信道分裂(OCS​​),它包含包含异常值的信道,然后将信道值减半。网络在功能上保持相同,但受影响的异常值会移动到分布的中心。 OCS不需要额外的培训,也不需要商品硬件。对ImageNet分类和语言建模的实验评估表明,OCS可以在仅有较小开销的情况下优于最先进的剪切技术。
translated by 谷歌翻译