变分推理是贝叶斯建模工具包中的一个强大工具,然而,它的有效性取决于所使用的变分分布的表达性,以及它们匹配真实的海报分布的能力。反过来,变分族的表达性在很大程度上受到具有易处理密度函数的要求的限制。为了克服这个障碍,我们在层次模型(也称为潜变量模型)的情况下引入了一个新的边界对数密度上变量上界。然后,我们给出了Kullback-Leiblerdivergence的上界,并得出了一个越来越紧密的变分下界族,否则就是分层变分分布的下界的难以处理的标准证据,使得能够使用更具表现力的近似内部。我们表明,先前已知的方法,如层次变分模型,半隐式变分推理和双半隐式变分推理可以被视为所提出方法的特殊情况,并且在一组实验中凭经验证明了所提出方法的优越性能。
translated by 谷歌翻译
我们提出了语义框架归纳系统,该系统在子任务B.1中表现出最佳性能,并在无监督语义框架归纳的SemEval 2019任务2的子任务A中获得亚军(QasemiZadeh等,2019)。我们的方法将此任务分为两个独立的步骤:通过将这些嵌入与语法特征相结合,使用单词及其上下文嵌入和角色标记进行动词集合。这些步骤的简单组合显示了非常有竞争力的结果,并且可以扩展到处理其他数据集和语言。
translated by 谷歌翻译
本文提出了一种半条件归一化流模型forsemi-supervised learning。该模型使用标记和未标记数据,允许对象和标签上的联合分布的显式模型。模型的半条件体系结构允许我们有效地计算未标记对象的边际可能性的值和梯度。模型的条件部分基于提出的条件耦合层。我们演示了不同数据集上半监督分类问题模型的性能。该模型优于基于MNIST数据集上的变分自动编码器的基线方法。
translated by 谷歌翻译
我们提出了一种基于Elo的评级方法,用于排名多人游戏。使用玩家等级的对数来证明性能的定义。我们自定义TopCoder SRM的评级方法。我们选择的参数可以在应用于过去的SRM时最大化评级的预测准确性,并保留与现有SRM评级的相似性。我们根据可用数据评估所提出系统的准确性。结果表明,所提出的系统具有比现有SRM评级系统更高的预测精度,因此可能是一个很好的选择。
translated by 谷歌翻译
在本文中,我们考虑了基于引入的影响最优性标准选择节点之间影响的最佳场景的问题。影响最优性的两个标准被称为影响力和场景的实施速度。为了获得问题的独特解决方案,采用帕累托原则对所接收情景进行多标准评估。基于影响力的标准和情景的实施速度,最佳影响情景的选择是有道理的。提出了与Koskomodel相比所提出的方法的结果和优点。
translated by 谷歌翻译
介绍了决策支持系统在信息操作识别中冲突建模的应用。信息操作被认为是一个复杂的弱结构系统。基于二阶秩反身模型提出的两个主题之间的冲突模型。该方法用于构建决策支持系统知识库的设计模式。在讨论中,提出了使用决策支持系统来建立基于专家知识和内容监控的信息操作识别中的冲突的方法。
translated by 谷歌翻译
在本文中,我们研究了对抗性攻击成功率与深度神经网络对生物医学图像类型,控制参数和图像数据集大小的依赖关系。通过这项工作,我们将为社区与生物医学图像处理的对抗性攻击的实验结果的积累做出贡献。基于8个分类任务和13个图像数据集检查白盒投影梯度下降攻击,所述图像数据集包括总共605,080个胸部X射线和317,000个恶性肿瘤的组织学图像。我们的结论是:(1)在产生恶意对抗图像时,扰动幅度的增加导致在本研究中检查的大多数图像类型的成功攻击的部分增长。 (2)组织学图像往往对对抗性扰动的幅度增长不太敏感。 (3)成功攻击的百分比随着渐近稳定产生对抗性扰动的算法的迭代次数的增加而增长。 (4)发现当预测图像类的原始信度超过0.95时,攻击的成功率急剧下降。 (5)未确认成功攻击百分比对图像训练集大小的预期依赖性。
translated by 谷歌翻译
量子断层摄影术目前无处不在,用于测试量子信息处理设备的任何实现。从测量数据中分离和处理重建的各种复杂程序得到了很好的发展,并且得益于描述状态准备和测量装置的模型的精确知识。然而,物理模型受到内在限制,因为实际测量操作符和试验状态不能精确地知道。这种情况不可避免地导致状态准备和测量(SPAM)错误降低重建性能。在这里,我们开发实验性地实现基于机器学习的协议,减少SPAMerrors。我们训练了一个监督神经网络来过滤实验数据,从而揭示了表征原始状态的测量概率和没有SPAM误差的理想实验装置的显着模式。我们将神经网络状态重建协议与通过过程层析成像处理SPAM错误的协议以及具有理想化测量的SPAM不可知协议进行了比较。平均重建保真度显示分别增强10%和27%。所提出的方法适用于依赖于图像的大量量子实验。
translated by 谷歌翻译
我们提出了一种基于生成对偶网络(GAN)的新型多纹理合成模型,该模型具有用户可控机制。 usercontrol能力允许显式指定应由模型生成的纹理。该属性遵循使用编码器部件,该编码器部件从数据集中为每个纹理分散潜在表示。为了确保adataset覆盖,我们使用对抗性损失函数来惩罚给定纹理的不正确复制。在实验中,我们展示了我们的模型可以为大型数据集和rawdata(如高分辨率照片集合)学习描述性纹理流形。此外,我们应用我们的方法来生成3D纹理,并表明它优于现有的基线。
translated by 谷歌翻译
通过持续一秒钟的单眼固定,人类视觉系统能够形成复杂环境的丰富表现,达到整体理解,便于物体识别和检测。这种现象被称为识别场景的“要点”,并且是通过依赖相关的先验知识来实现​​的。本文还提出了类似的问题,即在计算机视觉系统中使用存储器是否不仅可以提高视频流中物体检测的准确性,而且还可以减少计算时间。通过将传统的特征提取器与极其轻量级的特征提取器交错,只需要识别该思想的要点,我们表明,当存在时间存储器时,需要最少的计算来产生精确的检测。此外,我们展示了该主题包含足够的信息,用于部署强化学习算法以学习自适应推理策略。我们的模型在Imagenet VID 2015dataset上的移动方法中实现了最先进的性能,同时在Pixel 3手机上以高达70+ FPS的速度运行。
translated by 谷歌翻译