可解释的AI（XAI）的目的是设计方法，以提供有关黑盒模型（例如深神经网络）的推理过程的见解，以便向人类解释它们。社会科学研究指出，这种解释应该是对话的，类似于人类对人类的解释。在这项工作中，我们使用包含自然语言理解和发电组成部分的代理的标准设计来展示如何将XAI纳入对话代理。我们以XAI问题库为基础，我们通过质量控制的释义扩展，以了解用户的信息需求。我们进一步系统地调查了文献，以提供适当的解释方法，这些方法提供了以回答这些问题的信息，并提供了全面的建议列表。我们的工作是使用解释代理进行有关机器学习模型的真正自然对话的第一步。 XAI问题的全面列表和相应的解释方法可能会支持其他研究人员提供必要的信息以满足用户的需求。
translated by 谷歌翻译
AI / Compling在Scale是一个难题，特别是在医疗保健环境中。我们概述了要求，规划和实施选择，以及导致我们安全的研究计算平台，埃森医疗计算平台（EMCP）的实施的指导原则，与德国主要医院隶属。遵从性，数据隐私和可用性是系统的不可变的要求。我们将讨论我们的计算飞地的功能，我们将为希望采用类似设置的团体提供我们的配方。
translated by 谷歌翻译
我们提出了一种新的形式的傅立叶分析以及相关的信号处理概念，该信号（或数据）由边缘加权的定向无环图（DAGS）索引。这意味着我们的傅立叶基础产生了我们定义的适当的转移和卷积操作员的概念。 DAG是捕获数据之间因果关系的常见模型，而我们的框架在这种转变，卷积和傅立叶变换中仅是从DAG中的前辈计算出来的。傅立叶变换需要DAG的传递闭合，根据边缘重量的解释，可能会为此形式。示例包括影响水平，距离或污染分布。我们的框架与先前的GSP不同：它特定于DAG和杠杆，并扩展了Moebius反转的经典理论。对于原型应用，我们考虑DAGS建模动态网络，其中边缘会随着时间而变化。具体而言，我们对感染的传播对从现实世界接触数据获得的DAG进行建模，并从样品中学习感染信号，假设傅立叶域中的稀疏性。
translated by 谷歌翻译
借助情境化语言模型的成功，许多研究探讨了这些模型真正学到的知识，并且在哪些情况下仍然失败。这项工作的大部分都集中在特定的NLP任务和学习成果上。很少的研究试图使模型的弱点与特定任务的弱点相结合，并专注于嵌入本身及其学习方式。在本文中，我们抓住了这一研究机会：基于理论语言见解，我们探讨了功能词的语义限制是否是学习的，以及周围环境如何影响其嵌入。我们创建合适的数据集，为LMS VIS-VIS功能单词的内部工作提供新的见解，并实施辅助视觉网络界面以进行定性分析。
translated by 谷歌翻译
我们提出了一种针对半监督学习（SSL）的新颖方法，旨在克服关键字斑点（KWS）任务中训练和现实世界数据之间的分布变化。从训练数据分布的转移是现实世界中KWS任务的关键挑战：当在设备上部署新模型时，所接受数据的门控经历了分配的转变，从而使及时更新的问题通过后续部署进行了艰难。尽管发生了变化，我们假设标签上的边际分布不会改变。我们利用修改后的教师/学生培训框架，在该框架中使用未标记的数据增强了标记的培训数据。请注意，教师也无法访问新分布。为了通过人类和教师标记的数据有效地训练，我们根据信心启发式制定了教师标签策略，以减少教师模型的标签分布的熵；然后对数据进行采样以匹配标签上的边际分布。大规模实验结果表明，在远场音频训练的卷积神经网络（CNN），并根据不同分布绘制的远场音频进行评估，以相等的虚假拒绝获得了14.3％的虚假发现率（FDR）的相对相对提高。比率（FRR），同时在无分配变化下的FDR提高了5％。在从远场到近场音频的更严重的分布下，我们的方法在FRR时的FDR相对改善了52％，而原始FDR的相对相对相对提高了20％分配。
translated by 谷歌翻译
从样本中学习概率分布的任务在整个自然科学中无处不在。局部量子电路的输出分布构成了一类特别有趣的分布类别，对量子优势提案和各种量子机学习算法都具有关键的重要性。在这项工作中，我们提供了局部量子电路输出分布的可学习性的广泛表征。我们的第一个结果可以深入了解这些分布的有效学习性与有效的可模拟性之间的关系。具体而言，我们证明与Clifford电路相关的密度建模问题可以有效地解决，而对于深度$ d = n^{\ omega（1）} $电路，将单个$ t $ gate注入到电路中，这使这是如此问题很难。该结果表明，有效的模拟性并不意味着有效的可学习性。我们的第二组结果提供了对量子生成建模算法的潜在和局限性的见解。我们首先证明与深度$ d = n^{\ omega（1）} $局部量子电路相关的生成建模问题对于任何学习算法，经典或量子都很难。结果，一个人不能使用量子算法来为此任务获得实际优势。然后，我们证明，对于各种最实际相关的学习算法（包括混合量词古典算法），即使是与深度$ d = \ omega（\ log（n））$ Clifford Circuits相关的生成建模问题也是如此难的。该结果对近期混合量子古典生成建模算法的适用性造成了限制。
translated by 谷歌翻译
会话代理通常使用关键字发现（KWS）来启动与用户的语音交互。对于用户体验和隐私考虑，现有的KWS方法主要关注准确性，这通常可以以牺牲引入延迟为代价。为了解决这一权衡，我们提出了一种新的方法来控制KWS模型延迟，并在没有明确了解关键字端点的情况下将其推广到任何损失函数。通过单个可调的超参数，我们的方法使人们能够平衡目标应用程序的检测潜伏期和准确性。从经验上讲，我们表明，与现有方法相比，我们的方法在延迟限制下具有出色的性能。也就是说，与基线的最新面积相比，我们对固定延迟目标进行了实质性25 \％的相对错误接受改进。我们还表明，与交叉熵损失相比，当我们的方法与最大造成的损失结合使用时，我们能够在固定潜伏期时将相对错误接受提高25％。
translated by 谷歌翻译
2022-05-03
在过去几年中，深度学习的巨大进展已导致了我们道路上有自动驾驶汽车的未来。然而，他们的感知系统的性能在很大程度上取决于使用的培训数据的质量。由于这些系统通常仅覆盖所有对象类别的一部分，因此自主驾驶系统将面临，因此这种系统在处理意外事件方面努力。为了安全地在公共道路上运行，对未知类别的对象的识别仍然是一项至关重要的任务。在本文中，我们提出了一条新的管道来检测未知物体。我们没有专注于单个传感器模式，而是通过以顺序结合最先进的检测模型来利用LiDAR和相机数据。我们在Waymo开放感知数据集上评估我们的方法，并指出当前的异常检测研究差距。
translated by 谷歌翻译
与交通相关的伤害和死亡是美国的主要健康风险。移动电话在驾驶时使用汽车崩溃的风险。这项工作展示了使用手机摄像机被动地检测手机用户在车内的位置的可行性。在一个大型各种各样的数据集中，我们能够正确地识别用户是否在驾驶员座位或乘客座位中，精度为94.9％。应用程序开发人员可以使用该模型选择性地改变或锁定用户在用户驾驶时锁定功能，但是如果用户是移动车辆中的乘客，则不能使用。
translated by 谷歌翻译
在可预见的未来，自治车辆将在他们无法自行解决的情况下需要人类的帮助。在这种情况下，来自人类的远程辅助可以为车辆提供所需的输入来继续其操作。自动车辆中使用的典型传感器包括相机和激光雷达传感器。由于必须实时发送的传感器数据量的大量，高效的数据压缩是基本上的，以防止网络基础设施过载。使用深生成的神经网络的传感器数据压缩已经显示为图像和激光雷达数据的传统压缩方法，关于压缩率以及重建质量。然而，缺乏关于基于生成 - 神经网络的压缩算法进行远程辅助的性能的研究。为了在远程辅助中深入了解使用深度生成模型的可行性，我们评估了最先进的算法，了解其适用性并识别潜在的弱点。此外，我们实施了用于处理传感器数据的在线管道，并使用Carla模拟器演示其对远程辅助的性能。
translated by 谷歌翻译