2020-09-10
多目标梯度方法正在成为解决多目标问题的标准。其中，他们表现出有希望开发具有相关和相互矛盾的目标的多目标推荐系统。经典多梯度〜下降通常依赖于梯度的组合，而不是梯度的第一和第二矩的计算。这导致了脆性行为，并错过了解决方案空间中的重要区域。在这项工作中，我们创建了一种多目标模型 - 不可知的暗示方法，利用ADAM优化器在单目标问题中的优势。这将校正和稳定〜在计算常见的梯度下降载体之前〜〜〜梯度，同时优化所有目标。我们评估多目标的好处对两个多目标推荐系统和三种不同的客观组合，两者都相关或相互矛盾。我们报告了大量改进，用三种不同的Pareto正面指标测量：超凡镜，覆盖范围和间距。最后，我们展示了\ Textit {adamized} Pareto Front严格地占据了前一个目标对的前一个。
translated by 谷歌翻译
使用个性化解释来支持建议，以增加信任和感知质量。但是，为了实际获取更好的建议，需要一种用户通过与解释进行交互来修改推荐标准的手段。我们介绍了一种新颖的技术，使用方面标记，学会从审查文本生成关于建议的个性化解释，并且我们表明人类用户明显更喜欢通过最先进技术产生的解释这些解释。我们的工作最重要的创新是它允许用户通过批评文本解释来对推荐作出反应：删除（对称添加）它们不喜欢的某些方面或不再相关（对称地是感兴趣的）。系统根据批评更新其用户模型和产生的建议。这是基于一种具有文本解释的单一和多步批判的新型无监督批评方法。两个现实世界数据集的实验表明，我们的系统是第一个在适应多步批评中表达的偏好方面实现良好性能的实验。
translated by 谷歌翻译
在自主驾驶系统中，感知 - 来自环境的特征和物体的识别 - 至关重要。在自主赛车中，高速和小幅度的距离需要快速准确的检测系统。在比赛期间，天气可能会突然变化，导致感知的显着降解，导致操作效果无效。为了改善恶劣天气的检测，基于深度学习的模型通常需要在这种条件下捕获的广泛数据集 - 这是一种繁琐，费力和昂贵的过程。然而，最新的Conscangan架构的发展允许在多种天气条件下合成高度现实的场景。为此，我们介绍了一种在自主赛车中使用合成的不利条件数据集（使用Cyclegan产生）来提高五个最先进的探测器的性能，平均为42.7和4.4地图百分比点分别存在夜间条件和液滴。此外，我们对五个对象探测器进行了比较分析 - 识别探测器的最佳配对和在挑战条件下自主赛车中使用的培训数据。
translated by 谷歌翻译