我们研究在有关系统的结构侧信息时学习一组变量的贝叶斯网络(BN)的问题。众所周知,学习一般BN的结构在计算上和统计上具有挑战性。然而,通常在许多应用中,关于底层结构的侧面信息可能会降低学习复杂性。在本文中,我们开发了一种基于递归约束的算法,其有效地将这些知识(即侧信息)纳入学习过程。特别地,我们研究了关于底层BN的两种类型的结构侧信息:(i)其集团数的上限是已知的,或者(ii)它是无菱形的。我们为学习算法提供理论保证,包括每个场景所需的最坏情况的测试数量。由于我们的工作,我们表明可以通过多项式复杂性学习有界树木宽度BNS。此外,我们评估了综合性和现实世界结构的算法的性能和可扩展性,并表明它们优于最先进的结构学习算法。
translated by 谷歌翻译
妥协的合法帐户是将恶意内容传播到在线社交网络(OSN)中的大型用户基础的一种方式。由于这些报告对用户以及OSN上其他用户造成了很多损害,因此早期检测非常重要。本文提出了一种基于作者身份验证的新方法,以识别受损的Twitter帐户。由于该方法仅使用从上一个用户的帖子中提取的功能,因此有助于尽早检测以控制损坏。结果,可以以令人满意的精度检测到没有用户配置文件的恶意消息。实验是使用Twitter上折衷帐户的现实世界数据集构建的。结果表明该模型适用于由于达到89%的精度而适用于检测。
translated by 谷歌翻译
Edge Computing通过同时且连续执行延迟敏感的机器学习(ML)应用程序来启用智能物联网的系统。这些基于边缘的机器学习系统通常是电池供电的(即能量限制的)。他们使用具有不同计算性能的异质资源(例如CPU,GPU和/或FPGA)来满足ML应用程序的延迟约束。面临的挑战是,就这些系统的能量和延迟约束分配了在异质边缘计算系统(HEC)上对不同ML应用程序的请求。为此,我们研究和分析资源分配解决方案,这些解决方案可以在考虑能量限制的同时增加准时任务完成率。重要的是,我们研究了边缘友好的(轻巧)多目标映射启发式方法,这些启发式启发式方法不会偏向于特定的应用程序类型以实现目标;取而代之的是,启发式方法在其映射决策中考虑了同一ML应用程序中的“公平性”。绩效评估表明,根据潜伏期和能源目标,尤其是在低至中等请求的到达率方面,提出的启发式胜诉率优于异质系统中广泛使用的启发式方法。我们观察到准时任务完成率提高了8.9%,节能提高了12.6%,而没有在边缘系统上施加任何明显的开销。
translated by 谷歌翻译
道路维护规划是道路资产管理的一个组成部分。维护和康复(M&R)实践中的主要挑战之一是确定维护类型和时间。本研究提出了一种基于长期路面性能(LTPP)数据库的强化学习(RL)的框架,以确定M&R实践的类型和时间。首先以所提出的算法开发预测DNN模型,其用作RL算法的环境。对于RL模型的策略估计,开发了DQN和PPO模型。然而,由于更好的收敛性和更高的样本效率,终点被选中了PPO。本研究中使用的指标是国际粗糙度指数(IRI)和车辙深度(RD)。最初,我们将裂化度量(cm)视为第三指示器,但是由于与其他指标相比的数据少得多,因此被排除在外,导致结果的准确性较低。此外,在成本效益计算(奖励)中,我们考虑了M&R治疗的经济和环境影响。使用Palate 2.0软件评估了成本和环境影响。我们的方法是在德克萨斯州德克萨斯州的23公里长的六车道高速公路的假设案例研究中进行了测试。结果提出了一个20年的M&R计划,其中道路状况保持在出色的条件范围。由于道路的早期阶段处于良好的服务水平,因此在第一年不需要重型维护实践。后来,经过重型的M&R作用,有几个1-2岁的治疗方法。所有这些都表明拟议的计划具有逻辑结果。决策者和运输机构可以使用此计划进行更好的维护实践,以防止预算浪费,同时最大限度地减少环境影响。
translated by 谷歌翻译
解决符号数学一直是在人类聪明才智的舞台中,需要组成和复发。然而,最近的研究表明,诸如变压器的大规模语言模型是普遍的,并且可以令人生意的是,可以训练作为求解复杂数学方程的顺序序列任务。这些大型变压器模型需要有时的培训数据,以概括到看不见的象征性数学问题。在本文中,我们通过使用语言翻译的首先预先预留变压器模型来解决符号任务的示例有效的方法,然后进行微调预先调整佩带的变压器模型来解决符号数学的下游任务。我们通过预磨模的模型实现了与预磨模的集成任务的可比准确性,同时使用大约1.5美元的数量级培训样本,了解符号数学的最先进的深度学习。与集成相比,差分方程任务的测试精度相比,与语言翻译中不存在的更高订单递归相比,相比之下。我们用不同的语言翻译预防我们的模型。我们的结果显示在解决符号数学任务中的语言偏见。最后,我们研究了微调模型对符号数学任务对分发班次的鲁棒性,我们的方法在函数集成的分布换档方案中概得更好。
translated by 谷歌翻译
转移学习中最关键的问题之一是域适应的任务,其中目标是将在一个或多个源域中培训的算法应用于不同(但相关)的目标域。本文在域内存在协变量转变时,涉及域适应。解决此问题的现有因果推断方法的主要限制之一是可扩展性。为了克服这种困难,我们提出了一种避免穷举搜索的算法,并识别基于Markov毯子发现的源和目标域的不变因果特征。 SCTL不需要先前了解因果结构,干预措施的类型或干预目标。有一个与SCTL相关的内在位置,使其实现实际上可扩展且稳健,因为本地因果发现增加了计算独立性测试的力量,并使域适配的任务进行了计算地进行了易行的。我们通过低维和高维设置中的合成和实际数据集显示SCTL的可扩展性和稳健性。
translated by 谷歌翻译