r \'{e} NYI两个分布之间的跨熵度量，即香农跨透明拷贝的概括，最近用作改进的深度学习生成对抗网络设计的损失函数。在这项工作中，我们检查了该度量的属性，并在固定分布之一以及两个分布属于指数族时得出封闭形式的表达式。我们还通过分析确定了固定高斯过程和有限的阿尔如本字母马尔可夫来源的跨凝结速率的公式。
translated by 谷歌翻译
设计机器学习算法准确但公平，而不是基于任何敏感属性进行区分，对于社会接受对关键应用的AI至关重要。在本文中，我们提出了一种新颖的公平表示方法，称为R \'enyi公平信息瓶颈方法（RFIB），该方法包含了代表性的效用，公平性和紧凑性的约束，并将其应用于图像分类。我们方法的一个关键属性是，与大多数先前的工作相比，我们认为人口统计学奇偶ant和均衡的赔率是公平的约束，从而使对这两个标准的满意度更加细致。利用各种方法，我们表明我们的目标产生了涉及经典信息瓶颈（IB）措施的损失函数，并根据r \'enyi nyi nyi差异$ \ alpha $在共同信息上的r \'enyi差异ib术语IB术语测量紧凑度上建立上限在输入及其编码嵌入之间。在三个不同的图像数据集（Eyepacs，celeba和Fairface）上进行实验，我们研究了$ \ alpha $参数的影响以及其他两个可调IB参数对实现效用/公平性权衡目标的影响，并表明$ \ \ \ \ Alpha $参数提供了一个额外的自由度，可用于控制表示的紧凑性。我们使用各种效用，公平性和复合效用/公平指标评估方法的性能，表明RFIB的表现优于当前最新方法。
translated by 谷歌翻译
人类的活动识别在医学和监视领域具有重要意义。基于捕获的微多普勒（{\ mu} -d）签名，雷达对该字段表示了很大的可行性。在本文中，MIMO雷达用于制定用于非切向方案中的角速度（{\ mu} - {\ omega}）的新型微动谱图。组合{\ mu} -d和{\ mu} - {\ omega}签名表现出更好的性能。基于公制学习方法实现了88.9％的分类准确性。实验设置旨在捕获不同方面角度和视线（LOS）上的微观运动签名。与最先进的技术相比，利用的训练数据集具有较小的尺寸，其中捕获了八项活动。几次拍摄的学习方法用于调整预训练模型进行崩溃检测。最终模型显示了十项活动的分类准确性为86.42％。
translated by 谷歌翻译
基于深度学习的人类识别的雷达已成为越来越兴趣的研究领域。已经表明，Micro Doppler（$ \ MU $ -D）可以通过捕获周期性的肢体微光来反映步行行为。主要方面之一是在考虑实时和培训数据集大小约束时最大化随附的类的数量。在本文中，使用多输入 - 多数输出（MIMO）雷达来制定高程角速度的微动光谱图（$ \ mu $ - $ \ $ \ omega $）。研究了将这种新型频谱图与常用$ \ mu $ -d连接的有效性。为了适应无约束的实际步行运动，使用自适应周期分割框架，并在半步态周期（$ \ $ \ $ 0.5 s）上训练了公制学习网络。研究了各种类级别（5--20），不同数据集大小和不同观察时间Windows 1--2 s的影响的研究。相对于雷达，收集了22名受试者的无约束步行数据集。拟议的几次学习（FSL）方法的分类误差为11.3％，每个受试者只有2分钟的培训数据。
translated by 谷歌翻译