一种拟议的语言变化机制涉及在语言联系的情况下由第二语言(L2)学习者发挥的作用。如果在语音社区中存在足够多的L2扬声器,则与第一语言(L1)扬声器的数量相关,那么呈现L2采集困难的那些功能可能易于从语言中消失。本文提出了基于加强学习和非线性动力学的这种接触情况的数学模型。完全表征,描述了L1和L2扬声器的混合群的完整随机模型的确定性降低的均衡。语言是否改变了响应L2学习者的引入,结果取决于三个因素:L2学习者的总体比例在人口中,有问题的语言变异的相对优势,以及难度扬声器的力量在获取语言作为L2。这些因素是由描述从两个扬声器群体的损耗来保留L2困难特征的相转变的数学公式。这提供了可以针对经验数据测试的预测。在这里,借助于两种情况研究,南非荷兰语的形态调平以及非洲秘鲁西班牙语中的零类对象的侵蚀来评估该模型;该模型被发现与两种情况的历史发展一致。
translated by 谷歌翻译
在过去几年中的自然语言处理(NLP)研究的进展为自动用户交互或改进的数据分析提供了公司的新商业机会。建立复杂的NLP应用需要处理现代机器学习(ML)技术,从而阻碍企业建立成功的NLP项目。我们在应用NLP研究项目中的经验表明,具有质量保证的生产环境中的研究原型在生产环境中的不断整合在软件中建立了信任,并为业务目标提供了便利性和有用性。我们将印章4 NLP介绍为开发NLP应用程序的迭代和增量过程模型。通过邮票4 NLP,我们将软件工程原则与数据科学的最佳实践合并。实例化我们的流程模型允许通过利用模板,公约和实现,使开发人员和数据科学家专注于业务目标来有效地创建原型。由于我们的迭代 - 增量方法,企业可以在每次迭代后将增强版的原型版本部署到他们的软件环境中,最大限度地提高潜在的业务价值和信任,并避免成功的成本永不部署的实验。
translated by 谷歌翻译
我们介绍一种用于推断和预测潜伏状态的方法,以便只能模拟观察,并且转换动态未知。在此设置中,观察的可能性不可用,并且只能从黑盒模拟器生成合成观察。我们提出了一种在有限数量的模拟中完成状态的似然推理(LFI)和状态预测的方法。我们的方法使用多输出高斯工艺进行状态推理,以及贝叶斯神经网络作为状态预测的转换动态的模型。我们改进了现有的推断任务的LFI方法,同时还准确学习过渡动态。所提出的方法对于使用计算昂贵的模拟来建模动态系统中的逆问题是必要的,如使用非静止用户模型的实验中所示。
translated by 谷歌翻译
我们在一个或多个镜头中介绍FacialFilmroll,一种用于空间和时间一致地编辑面的解决方案。我们建立在未包装马赛克[Rav-Acha等。2008年]通过专门谈谈。我们利用最近的技术适应单眼视频的3D面部模型(i)提高了Edition的Mosaic的质量,并允许从一个拍摄的射击自动转移到同一演员的其他镜头。我们解释了FacialFilmroll如何集成在生产后设施中。最后,我们在高分辨率视频上使用FacialFilmroll提供视频编辑结果。
translated by 谷歌翻译
我们利用深度顺序模型来解决预测患者医疗保健利用的问题,这可能有助于政府更好地为未来的医疗保健使用提供资源。具体地,我们研究\纺织{发散亚组}的问题,其中较小的人口小组中的结果分布大大偏离了一般人群的群体。如果亚组的尺寸非常小(例如,稀有疾病),则对不同亚组的专业模型建造专门模型的传统方法可能是有问题的。为了解决这一挑战,我们首先开发一种新的无关注顺序模型,SANSFORMERS,灌输了适合在电子医疗记录中建模临床码的归纳偏差。然后,我们通过在整个健康登记处预先培训每个模型(接近100万名患者)之前,设计了一个特定的自我监督目标,并展示其有效性,特别是稀缺数据设置,特别是在整个健康登记处(接近一百万名患者)进行微调下游任务不同的子组。我们使用两个数据来源与LSTM和变压器模型进行比较新的SANSFARER架构和辅助医疗利用预测的多任务学习目标。凭经验,无关注的Sansformer模型在实验中始终如一地执行,在大多数情况下以至少$ \ SIM 10 $ \%表现出在大多数情况下的基线。此外,在预测医院访问数量时,自我监督的预训练将在整个始终提高性能,例如通过超过$ \ sim 50 $ \%(和高度为800美元\%)。
translated by 谷歌翻译