At the foundation of scientific evaluation is the labor-intensive process of peer review. This critical task requires participants to consume vast amounts of highly technical text. Prior work has annotated different aspects of review argumentation, but discourse relations between reviews and rebuttals have yet to be examined. We present DISAPERE, a labeled dataset of 20k sentences contained in 506 review-rebuttal pairs in English, annotated by experts. DISAPERE synthesizes label sets from prior work and extends them to include fine-grained annotation of the rebuttal sentences, characterizing their context in the review and the authors' stance towards review arguments. Further, we annotate every review and rebuttal sentence. We show that discourse cues from rebuttals can shed light on the quality and interpretation of reviews. Further, an understanding of the argumentative strategies employed by the reviewers and authors provides useful signal for area chairs and other decision makers.
translated by 谷歌翻译
We discuss two kinds of semantics relevant to Computer Vision (CV) systems - Visual Semantics and Lexical Semantics. While visual semantics focus on how humans build concepts when using vision to perceive a target reality, lexical semantics focus on how humans build concepts of the same target reality through the use of language. The lack of coincidence between visual and lexical semantics, in turn, has a major impact on CV systems in the form of the Semantic Gap Problem (SGP). The paper, while extensively exemplifying the lack of coincidence as above, introduces a general, domain-agnostic methodology to enforce alignment between visual and lexical semantics.
translated by 谷歌翻译
随着大规模分析的越来越重视，我们面临着整合来自多个来源的数据的需求。问题在于这些数据不可能重复使用。最终结果是高成本，进一步的缺点是，所得的集成数据将再次被重复使用。Itelos是一种通用方法，旨在最大程度地减少此过程的影响。直觉是，数据将根据其受欢迎程度而受到不同的处理：重复使用的一组数据越多，将其重复使用越多，并且在重复使用中更改的数据越少，从而降低了整体数据预处理成本，而这些成本却降低了。增加向后兼容性和未来共享
translated by 谷歌翻译
领域本体论模型的发展虽然是一个以良好的方法为支持的成熟研究领域，但仍然存在两个关键的缺点。首先，有关本体论概念的语义持久性的问题及其在域中采用现有方法的灵活再利用。其次，由于难以理解和重复现有基础本体论中的顶级概念，因此关于域表示语义性质的混淆。本文为代表性多样性的上述缺点奠定了基础，并提出了一个三倍的解决方案 - （i）渲染概念的管道，（ii）对简约的基础知识模型的首次表征，名为基础目的论，将基础区别在语义上说明基础区别实施域表示的静态和动态性质，以及（iii）一种灵活的，重复使用的方法论，用于多样性感知的域开发利用解决方案（i）和（ii）。初步工作报告了溶液成分的潜力。
translated by 谷歌翻译
科学家在寻找最佳的输入资源来解决目标预测任务的最佳输入资源方面的困难是在知识图图图上训练算法的主要障碍之一。除此之外，一个关键的挑战是确定如何操纵（和嵌入）这些数据，这些数据通常以特定的三元组（即主题，谓词，对象）的形式来启用学习过程。在本文中，我们描述了Liveschema倡议，即一个门户，该网关提供了一个服务家庭，可以轻松访问，分析，转换和利用知识图模式，其主要目标是促进这些资源在机器学习用例中的重复使用。作为该计划的早期实施，我们还推进了一个在线目录，该目录依赖于800多个资源，并提供了第一组示例服务。
translated by 谷歌翻译
随着虚拟助手变得越来越多样化和专业，对应用或特定品牌唤醒的需求也是如此。但是，通常用于训练尾流检测器的特定于唤醒特定的数据集是昂贵的。在本文中，我们探索了两种技术来利用声音建模数据，以提高大唱歌的语音识别，以改善专用的尾流探测器：转移学习和知识蒸馏。我们还探讨了这些技术如何与时间同步训练目标相互作用以提高检测潜伏期。实验显示在开源“嘿STHIPS”数据集中，并且内部远场数据集更具挑战性。使用大型声学模型中的电话同步目标和知识蒸馏，我们能够提高两个数据集的数据集尺寸的精度，同时降低延迟。
translated by 谷歌翻译
通常将语义异质性理解为在目标现实的表示，由独立各方，不同数据库，模式和/或数据建模时的差异。我们认为，仅仅是必要的差异的编码不足以应对代表性异质性问题，因为也有必要编码表现出这种差异的统一基础。为此，本文从表示统一和表示多样性的共同概念方面介绍了表示异质性的概念。当两个异质表示以相同的目标现实模型，否则表示多样性时，我们就会有代表统一。反过来，本文还强调了这两个概念如何在任何表示的两层（即语言和知识）中实例化。
translated by 谷歌翻译
智能制造系统以越来越多的速度部署，因为它们能够解释各种各样的感知信息并根据系统观察收集的知识采取行动。在许多情况下，智能制造系统的主要目标是快速检测（或预期）失败以降低运营成本并消除停机时间。这通常归结为检测从系统中获取的传感器日期内的异常。智能制造应用域构成了某些显着的技术挑战。特别是，通常有多种具有不同功能和成本的传感器。传感器数据特性随环境或机器的操作点而变化，例如电动机的RPM。因此，必须在工作点附近校准异常检测过程。在本文中，我们分析了从制造测试台部署的传感器中的四个数据集。我们评估了几种基于传统和ML的预测模型的性能，以预测传感器数据的时间序列。然后，考虑到一种传感器的稀疏数据，我们从高数据速率传感器中执行传输学习来执行缺陷类型分类。综上所述，我们表明可以实现预测性故障分类，从而为预测维护铺平了道路。
translated by 谷歌翻译
随着食品交付平台的日益普及，在这些平台中研究“演出”工人的工作条件已变得相关，尤其是为他们提供公平的工资，合理的工作时间和工作可用性的透明度。但是，对这些问题的任何解决方案都不得降低客户体验，并具有成本效益，以确保平台愿意采用它们。我们建议使用Work4Food，该食品为交付代理提供收入保证，同时最大程度地降低平台成本并确保客户满意度。 Work4food确保满足收入保证的方式不会导致工作时间增加或降低环境影响。为了结合这些目标，工作4食品通过控制系统中的代理数量并根据代理人（例如代理位置，评级等因素）向代理提供动态付款保证。食品交付平台并在手头的多维目标方面建立了对最新技术的优势。
translated by 谷歌翻译
已经提出了高效和自适应计算机视觉系统以使计算机视觉任务，例如图像分类和对象检测，针对嵌入或移动设备进行了优化。这些解决方案最近的起源，专注于通过设计具有近似旋钮的自适应系统来优化模型（深神经网络，DNN）或系统。尽管最近的几项努力，但我们表明现有解决方案遭受了两个主要缺点。首先，系统不考虑模型的能量消耗，同时在制定要运行的模型的决定时。其次，由于其他共同居民工作负载，评估不考虑设备上的争用的实际情况。在这项工作中，我们提出了一种高效和自适应的视频对象检测系统，这是联合优化的精度，能量效率和延迟。底层Virtuoso是一个多分支执行内核，它能够在精度 - 能量 - 延迟轴上的不同运行点处运行，以及轻量级运行时调度程序，以选择最佳的执行分支以满足用户要求。要与Virtuoso相当比较，我们基准于15件最先进的或广泛使用的协议，包括更快的R-CNN（FRCNN），YOLO V3，SSD，培训台，SELSA，MEGA，REPP，FastAdapt和我们的内部FRCNN +，YOLO +，SSD +和高效+（我们的变体具有增强的手机效率）的自适应变体。通过这种全面的基准，Virtuoso对所有上述协议显示出优势，在NVIDIA Jetson Mobile GPU上的每一项效率水平上引领精度边界。具体而言，Virtuoso的准确性为63.9％，比一些流行的物体检测模型高于10％，51.1％，yolo为49.5％。
translated by 谷歌翻译