为了有效补偿光纤非线性,其中一个指导原则似乎是:更少的步骤更好,更有效。我们对这一假设提出质疑,并表明精心设计的多步骤可以导致更好的性能复杂性权衡,而不是他们的步骤。
translated by 谷歌翻译
我们考虑Nachmani等人最近提出的加权置信传播(WBP)解码器。其中为每个Tanner图表引入了不同的权重,并使用机器学习技术进行了优化。我们的重点是简单缩放模型,这些模型在某些边缘使用相同的权重,以减少存储和计算负担。主要贡献是表明,使用少量参数进行简单缩放通常可以获得与完全参数化相同的增益。此外,提出了WBP的若干培训改进。例如,已经表明,在比特误码率(BER)和新的“软BER”损失方面,最小化平均二进制交叉熵最不是最优的,这可以导致更好的性能。我们还研究参数适配器网络(PAN),它们了解信噪比和WBP参数之间的关系。例如,对于具有高度冗余奇偶校验矩阵的(32,16)Reed-Muller码,训练具有软BER损失的PAN,假设仅使用三个参数进行简单缩放,则提供近似最大似然性能。
translated by 谷歌翻译
过去十年中机器学习的快速改进开始产生深远的影响。对于通信,具有有限的domainexpertise的工程师现在可以使用现成的学习包来设计基于模拟的高性能系统。在机器学习的当前革命之前,大多数通信工程师都非常清楚可以使用随机梯度下降来学习系统参数(例如滤波器系数)。然而,一点也不清楚,系统架构中更复杂的部分也可以学习。在本文中,我们讨论了机器学习技术在双通信问题中的应用,并着重于从结果系统中学到的东西。我们惊喜地发现,在一个例子中观察到的收益有一个简单的解释,事后才明白。从本质上讲,深度学习发现了一种简单而有效的策略,这种策略以前没有被考虑过。
translated by 谷歌翻译
我们提出了一种用于数字反向传播的低复杂度子带级DSP架构,其中使用简单的去除元件来补偿离散效应。对于模拟的96-Gbaud信号和2500 km光链路,我们的方法在线性均衡方面实现了2.8 dB的SNR改善。
translated by 谷歌翻译
我们考虑使用机器学习技术联合优化和量化的色散滤波器进行时域数字反向传播。与基线实现相比,我们在28-nm CMOS中显示出改善的BER性能和> 40%的功耗降低。
translated by 谷歌翻译
任务机器学习预测时间序列的片段需要使用来自时间序列的输入/输出对来估计ML模型的参数。使用统计数据同化和监督机器学习之间的等价,我们重新审视了这个任务。机器的训练方法利用精确退火方法来识别动作的全局最小值(-log [P])。通过这种方式,我们能够确定在时间序列中产生良好概括(预测)所需的训练对的数量。我们从标量时间序列$ s(t_n)开始; t_n = t_0 + n \ Delta t $并使用非线性时间序列分析的方法显示如何产生$ D_E> 1 $维度时间延迟嵌入空间,其中时间序列没有假邻居,观察到的$ s(t_n)$时间也是如此系列。在$ D_E $ -dimensional空间中,我们探索使用前馈多层感知器作为在$ D_E $ -dimensional输入和生成$ D_E $ -dimensional输出上运行的网络模型。
translated by 谷歌翻译
众所周知,深度神经网络容易受到对抗性攻击。这将它们暴露在安全敏感应用程序中的潜在漏洞中,并强调它们缺乏健壮性。本文使用变分自动编码器(VAE)来抵御图像分类任务的对抗性攻击。这种VAE防御有一些很好的特性:(1)它非常灵活,随机性的使用使其更难攻击; (2)它可以学习防止模糊重建的解开的代表; (3)使用贴片式VAE防御策略,不需要对不同尺寸的图像进行再训练。对于中度到严重的攻击,该系统的性能优于JPEG压缩,并具有最佳的质量参数。通过培训,它还具有更大的灵活性和改进潜力。
translated by 谷歌翻译
语言提供了将普遍知识传达给其他人的简单方法(例如,“鸟飞”,“约翰徒步”,“火使烟”)。尽管在每种语言中都有发现并且在发展的早期出现,但普遍化的语言在语言上令人费解并且抵制了精确的形式化。在这里,我们提出了关于人类理解的定量预测的一般化语言的第一个正式说明。我们在三个不同的领域中测试我们的模型:关于类别(通用语言),事件(习惯语言)和原因(因果语言)的概括。该模型通过简单的真值条件语义理论和关于属性的不同信念之间的相互作用来解释人类认可的渐进性。这项工作为精确理解抽象知识如何从语言中学习打开了大门。
translated by 谷歌翻译
将机器学习(ML)模型有效地转化为临床实践需要建立临床医生的信任。可解释性,或anML模型证明其结果合理性并帮助临床医生合理化模型预测的能力,一般被认为对建立信任至关重要。然而,该领域在不同环境中缺乏具体定义可用解释。为了确定可解释ML模型建立信任的可解释性的具体方面,我们调查了两个不同的急症护理专业(强化护理单位和紧急部门)的临床医生。我们使用他们的反馈来表征不可解释性有助于提高临床医生对ML模型的信任。我们进一步确定临床医生认为对于有效转化为临床实践最重要和最关键的解释类别。最后,我们识别出严格评估临床可解释性方法的具体指标。通过整合临床医生和MLresearchers之间的可解释性观念,我们希望能够促进ML系统在医疗保健领域的认可和广泛采用以及持续使用。
translated by 谷歌翻译
视觉运动估计是自主导航中不可或缺的一个充分研究的挑战。最近的工作集中在解决多动态估计,这在高度动态的环境中尤其具有挑战性。这样的环境不仅包括多个复杂的运动,而且还倾向于表现出明显的遮挡。多目标跟踪的先前工作侧重于保持对象轨道的完整性,但通常依赖于特定的基于外观的描述符或受约束的运动模型。这些方法在特定应用中非常有效,但不能推广到完全的多运动估计问题。本文通过采用物理创建的运动先验,将多运动视觉测距(MVO)管道扩展到通过遮挡(包括摄像机运动)进行多个运动估计。这允许管道连续地估计场景中每个运动的完整轨迹并且识别何时暂时遮挡的运动变得不被遮挡。根据OxfordMultimotion数据集的实际数据评估管道的估算性能。
translated by 谷歌翻译