近几十年来，随着数据的可用，统计语言学已大大提高。这使研究人员能够研究语言的统计特性如何随时间变化。在这项工作中，我们使用来自Twitter的数据来探索英语和西班牙语，考虑到不同尺度的排名多样性：时间（从3到96小时），空间（从3公里到3000+km Radii）和语法（从字母组到五角形到Pentagrams） ）。我们发现所有三个量表都是相关的。但是，最大的变化来自语法量表的变化。在最低的语法量表（会标）上，排名多样性曲线最相似，独立于其他量表，语言和国家的价值。随着语法量表的增长，等级多样性曲线的变化更大，具体取决于时间和空间量表以及语言和国家。我们还研究了Twitter特定令牌的统计数据：表情符号，主题标签和用户提及。这些特殊类型的令牌表现出一种sigmoid的行为作为等级多样性函数。我们的结果有助于量化似乎普遍存在的语言统计数据的各个方面，这可能导致变化。
translated by 谷歌翻译
与非线性二次调节剂（NLQR）问题相关的汉密尔顿 - 雅各比 - 贝尔曼部分微分方程（HJB PDE）的近似的深度学习方法。首先使用了依赖于州的Riccati方程控制法来生成一个梯度调制的合成数据集，以进行监督学习。根据HJB PDE的残差，最小化损耗函数的最小化成为一个温暖的开始。监督学习和残留最小化的结合避免了虚假解决方案，并减轻了仅监督学习方法的数据效率低下。数值测试验证了所提出的方法的不同优势。
translated by 谷歌翻译
ML音乐型号的出现诸如Google Magenta的Musicvae现在允许我们从其他数据集中提取和复制组成功能。这些模型允许计算作曲器参数化抽象变量，如风格和情绪。通过利用这些模型并将它们与过程算法与过去几十年来组合，可以创建一个动态歌曲，该歌曲实时组成音乐以伴随互动体验。Malakai是一种工具，可以帮助用户产生不同的技能级别创建，收听，混音并分享此类动态歌曲。使用Malakai，作曲家可以创建一个可以由侦听器互动的动态歌曲
translated by 谷歌翻译