我们的艺术家和机器学习研究团队设计了一种创造性算法,可以生成真正的雕塑艺术品。这些艺术品不会模仿任何给定的形式,也不能轻易归类为数据集类别。我们的方法将DeepDream从图像扩展到3D点云。提出的算法,Amalgamated DeepDream(ADD),利用点云的属性来创建比天真扩展更好的对象.ADD为机器的创造力提供了希望,推动艺术家探索新方法或材料的创造力,并创造新的类型而不是在onegenre中创建现有表单或样式的变体。例如,从现实主义到抽象表现主义,或极简主义。最后,我们展示了基于ADD创建的点云进行3D打印的雕塑。
translated by 谷歌翻译
我们在最近普及的分散执行(CTDE)制度的集中培训中探索基于价值的多智能体强化学习(MARL)任务解决方案。然而,VDN和QMIX是代表性的例子,它将联合行动 - 价值函数的因子分解为分散执行的个体化。 VDN和QMIX仅解决可分解的MARL任务的分数,因为它们在诸如可加性和单调性之类的因素中具有结构约束。在本文中,我们提出了一种新的MARL分解方法,即QTRAN,它没有这种结构约束,并采用了一种新的方法将原始的联合作用 - 值函数转换为易于分解的函数,具有相同的优化。 QTRAN保证比VDN或QMIX更通用的因子分解,因此比以前的方法覆盖了更广泛的MARL任务类。多域Gaussian-squeeze和modifiedpredator-prey任务的Ourexperiments展示了QTRAN在游戏中的特殊大规模优越性能,其收益更加积极地惩罚非合作行为。
translated by 谷歌翻译
信用评分无处不在,对贷款提供商和监管机构起着重要作用。在本文中,我们展示了如何在实际环境中开发小额贷款信用系统。我们展示了出现的挑战并讨论了解决方案。特别是,我们关注模型的可解释性和数据质量。最后,我们介绍了有助于模型开发和评估其性能的半监督算法。
translated by 谷歌翻译
人工智能(AI)技术的进步使得可以从现有地图或其他视觉中学习风格设计标准,并转移这些风格以制作新的数字地图。在本文中,我们提出了一种新的框架,使用AI进行地图样式转换,适用于多个地图尺度。具体来说,我们通过两个生成性对抗网络(GAN)模型识别并从一组目标视觉示例(包括Google Maps,OpenStreetMap和艺术绘画)将设计元素转移到未经校正的GIS矢量数据。然后,我们基于深度卷积神经网络训练二元分类器,以评估转移风格的地图图像是否保留了原始地图设计特征。我们的实验结果表明,GAN具有很大的多尺度地图样式转移潜力,但仍存在许多挑战,需要进一步研究。
translated by 谷歌翻译
大数据的出现使我们能够通过应用情感计算从统计角度评估各种人类情感。在这项研究中,提出了一种从不同地方的大规模地理参考照片中提取人类情感的新框架。在基于用户生成的足迹收集的社交媒体网站的空间聚类构建之后,利用在线认知服务利用最先进的计算机视觉技术从面部表情中提取人文动机。并且定义了两个幸福指标用于测量不同地方的人文情绪。为了验证该框架的可行性,以世界各地的80个旅游景点为例,以及根据600多万张照片中检测到的超过200万张面孔的人类情感,生成幸福的地方列表。通过考虑不同类型的地理环境,找出人类情感与环境因素之间的关系。结果表明,不同地方的大部分情感变异可以用一些因素来解释,比如开放性。该研究可以提供关于整合人类情感的见解,以丰富对地理和地方GIS中的地方感的理解。
translated by 谷歌翻译
我们研究了不同扰动类型之间的深度神经网络的对抗鲁棒性的转移。虽然大多数关于对抗性实例的工作都集中在$ L_ \ infty $和$ L_2 $ -bounded扰动上,但这些并没有捕获对手可用的所有类型的扰动。目前的工作评估了5种不同类型的32次攻击,对抗100个ImageNet子集的对抗模型。我们的实证结果表明,对广泛的扰动大小进行评估对于理解扰动类型之间的对抗鲁棒性转移是必要的。我们进一步证明针对一种扰动类型的鲁棒性可能并不总是意味着可能有时会损害对其他扰动类型的鲁棒性。鉴于这些结果,我们建议对各种扰动类型和大小的对抗性防御进行评估。
translated by 谷歌翻译
网络是强大的数据结构,但与传统的机器学习方法相结合具有挑战性。网络嵌入(NE)方法试图通过学习节点的向量表示来解决这个问题,随后在下游机器学习任务中使用。链接预测(LP)是一种这样的下游机器学习任务,它是NE方法的重要用例和流行基准。不幸的是,尽管NE方法在这项任务中表现得非常好,但与简单的LP方法相比,它们缺乏不透明性。我们引入了ExplaiNE,一种通过识别网络中解释预测链接的现有链接,为基于NE的LP方法提供反事实解释的方法。 ExplaiNE适用于广泛的NE算法。对NE方法“条件网络嵌入”进行广泛的实证评估,特别证明了其准确性和可扩展性。
translated by 谷歌翻译
近年来,已经提出了将深度学习应用于诸如图形的结构化数据的先进方法。特别是,研究的重点是将卷积神经网络推广到图形数据,其中包括重新定义图形的卷积和下采样(池化)操作。将卷积运算概括为图的方法已被证明可以提高性能并被广泛使用。然而,对图表应用下采样的方法仍然难以执行并且具有改进的空间。在本文中,我们提出了一种基于自我关注的图池化方法。使用图卷积的自我注意允许我们的池化方法考虑节点特征和图形拓扑。为了确保公平比较,对现有的池化方法和方法使用相同的培训程序和模型体系结构。实验结果表明,我们的方法使用合理数量的参数在基准数据集上实现了卓越的图分类性能。
translated by 谷歌翻译
基于特征的时间序列表示在广泛的时间序列分析方法中引起了广泛的关注。最近,使用时间序列特征进行预测模型选择和模型平均已经成为预测社区研究的焦点。尽管如此,大多数现有方法依赖于手动选择一组适当的特征。在最先进的时间序列分析中,利用机器学习方法从时间序列中自动提取特征变得至关重要。在本文中,我们介绍了一种基于图像的自动化方法来提取时间序列特征。时间序列是首先转换的生成图像,可以使用计算机视觉算法从中提取局部特征。提取的特征用于预测模型选择和模型平均。我们的实验表明,基于自动提取特征的预测,较少的人为干预和对原始时间序列数据的更全面的观点,产生与最大预测竞争M4中提出的最佳方法相当的性能。
translated by 谷歌翻译
工业推荐系统通常包括匹配阶段和排名阶段,以处理十亿规模的用户和项目。匹配阶段检索与用户兴趣相关的候选项,而该阶段按用户兴趣对候选项进行排序。因此,最具批评性的是模拟和表示任一阶段的用户兴趣。大多数现有的基于深度学习的模型将一个用户表示为单个向量,这不足以捕捉用户兴趣的不同性质。在本文中,我们从不同的角度来处理这个问题,用一个用户来表示用户利益的不同方面的多个向量。我们提出了具有动态路由(MIND)的多利益网络,用于处理用户在匹配阶段的不同兴趣。具体来说,我们基于胶囊路由机制设计了多利益提取器层,适用于聚类历史行为和提取不同的兴趣。此外,我们开发了一种名为标签感知注意力的技术,以帮助学习具有多个向量的用户表示。通过对天猫的几个公共基准和一个大型工业数据集的大量实验,我们证明了MIND可以获得优于最先进的推荐方法的性能。目前,已部署MIND用于处理Mobile Tmall App主页上的主要在线流量。
translated by 谷歌翻译