Hypernym发现是找到与给定术语具有关系的术语的问题。我们引入了一种新的上下文类型,以及用于区分上位词与其他类型的语义关系的相关性度量。我们的文档结构度量基于文档中术语的层次位置,以及它们在定义文本中的存在或其他。此度量使用多个属性和加权距离函数的类来量化文档结构。
translated by 谷歌翻译
机器人在越来越复杂的环境中使用,并且有望适应变化和未知情况。最简单,最快捷的方法是改变机器人的控制系统,但对于越来越复杂的环境,人们也应该改变机器人的身体 - 它的形态 - 以更好地适应手头的任务。体验认知的理论认为,控制不是认知的唯一来源,身体,环境,这些与心灵之间的相互作用都有助于认知资源。利用这些概念可以改善适应性,稳健性和多功能性,然而,在现实世界的机器人上执行这些概念会对硬件提出额外的要求,并且与学习控制相比有几个挑战。与进化机器人技术的大部分工作相比,艾本在“进化机器人的巨大挑战”中争论真实世界的实验。这需要能够进行重复实验的强大硬件平台,当不可预见的需求出现时,这些实验同时应该是灵活的。在本文中,我们介绍了具有自适应形态的独特机器人平台。我们讨论了设计时遇到的挑战,以及从现实世界测试和学习中汲取的经验教训。
translated by 谷歌翻译
我们给出了过度约束的回归问题的第一维降维方法。 Tukey损失函数$ \ | y \ | _M = \ sum_i M(y_i)$有剩余误差的$ M(y_i)\ approx | y_i | ^ p $ $ $ y_i $小于规定阈值$ \ tau $,但是$ M(y_i)$对于错误$ | y_i |变为常量> \ tau $。我们的结果取决于一个新的结构结果,建设性地证明,对于任何$ d $ -dimensional子空间$ L \ subset \ mathbb {R} ^ n $,有一个固定的有界大小的坐标子集,包含每个$ y \ in L $,关于Tukey损失函数的所有大坐标,$ y $。我们的方法将给定的Tukey回归问题减少到较小的加权版本,whosesolution对于原始问题是可证明的良好近似解。我们的减少是快速,简单和易于实现的,并且我们使用现有的启发式解算器为小版本提供了证明其实用性的经验结果。我们还给出了指数时间算法,给出了可证明的解决方案,并且硬度结果表明在最坏的情况下不太可能出现显着的加速。
translated by 谷歌翻译
我们展示的第一次,就我们所知,这是可能的toreconcile在网上学习的零和游戏两个看似contradictoryobjectives:消失时间平均的遗憾和不消失的步长。 Thisphenomenon,我们硬币``速度与激情”的学习游戏,设置一个关于什么是可能无论是在最大最小优化以及inmulti代理系统newbenchmark。我们的分析不依赖于引入carefullytailored动态。相反,我们关注在最充分研究的在线动态梯度下降。同样,我们专注于最简单的教科书类的游戏,2剂的双策略零和游戏,如匹配便士。即使thissimplest基准的总最著名的束缚悔,为ourwork之前,当时的$琐碎一个O(T)$,这是立即适用甚至anon在学习剂。基于扩散核武器-平衡轨迹的双重空间,我们证明了一个遗憾的几何形状的紧密理解结合$ \西塔(\ SQRT横置)$匹配在网上设置开往自适应stepsizes众所周知的最佳的,这保证适用于具有预先知道的时间范围,并调整fixedstep尺寸所有固定步sizeswithout因此。作为一个推论,我们建立,即使fixedlearning率的时间平均的混合策略,公用事业收敛其得到精确的纳什均衡值。
translated by 谷歌翻译
本文针对具有静态障碍的约束工作空间中的多个水下航行器操纵系统(UVMS)进行协同物体运输的问题,其中协调仅依赖于机器人与普通抓取物体的物理相互作用引起的隐性通信。我们提出了一种新颖的分布式领导者 - 跟随式结构,其中领先的UVMS,其具有对象的期望轨迹的知识,试图通过阻抗控制定律实现期望的跟踪行为,以这种方式导航,朝向目标配置的整体形成,同时避免碰撞有障碍。另一方面,以下UVMS通过新规定的性能估计法则估计物体的期望轨迹,并实施类似的阻抗控制定律。反馈依赖于每个UVMS的力/扭矩测量,并且没有明确的数据在机器人之间在线交换。此外,控制方案根据其特定的有效负载能力采用UVMS之间的负载分配。最后,各种模拟研究阐明了所提出的方法并验证了其效率。
translated by 谷歌翻译
虽然卷积神经网络(CNN)在各种分类/识别任务上取得了令人瞩目的成绩,但它们通常包含大量参数。这导致显着的存储器需求以及计算开销。因此,需要用于压缩基于CNN的模型的过滤器级修剪方法,这不仅减少了参数的总数,而且还减少了整体计算。我们提出了一个新的min-max框架,用于CNN的过滤级修剪。我们的框架,称为Play和Prune(PP),通过自适应修剪,共同修剪和微调CNN模型参数,同时保持模型的预测性能。我们的框架由两个模块组成:(1)自适应滤波器修剪(AFP)模块,它最大限度地减少了模型中滤波器的数量; (2)修剪率控制器(PRC)模块,其在修剪期间最大化精确度。此外,与以前的方法不同,我们的方法允许直接指定欲望差异而不是修剪级别。我们的压缩模​​型可以在运行时进行部署,无需任何特殊的库或硬件。我们的方法减少了VGG-16的参数数量,令人印象深刻的因子为17.5倍,FLOPS的数量减少了6.43倍,没有精度损失,显着优于其他最先进的滤波器修剪方法。
translated by 谷歌翻译
近年来见证了基于可穿戴传感器数据的人类活动识别(HAR)的快速发展。人们可以在这方面找到许多实用的应用,特别是在医疗保健领域。许多机器学习算法,例如决策树,支持向量机,NaiveBayes,K-Nearest Neighbor和Multilayer Perceptron,都成功地用于了HAR。尽管这些方法快速且易于实施,但由于在许多情况下性能较差,它们仍然存在一些限制。在本文中,我们提出了一种基于集成学习的新方法,以提高这些机器学习方法对HAR的性能。
translated by 谷歌翻译
定量磁敏度作图(QSM)是一种强大的MRI技术,在量化许多神经疾病中的组织易感性方面显示出巨大的潜力。然而,内在的不适定偶极子反演问题极大地影响了磁化率图的准确性。我们提出了QSMGAN:一种基于改进的U-Net的3D深度卷积神经网络方法,增加了相位感受野,并使用WWAN-GP训练策略进一步细化了网络。我们的方法可以有效地从单方向相位图生成准确和逼真的QSM,并且比传统的基于非学习的偶极子反演算法表现得更好。
translated by 谷歌翻译
神经网络力场(NNFF)是一种执行回归原子结构 - 力关系的方法,绕过昂贵的量子力学计算,阻止执行长的从头开始质量的分子动力学模拟。然而,大多数用于复杂多元素原子系统的NNFF方法通过利用单原子结构旋转不变特征和计算上昂贵的网络特征空间衍生物来间接地预测原子力矢量。我们开发了交错的NNFF体系结构,分别利用旋转不变和协变特征来直接预测原子力矢量而不使用空间衍生物,从而将昂贵的结构特征计算减少了~180-480x。这种加速使我们能够开发出NNFF,它直接预测复杂的三元和四元元素扩展系统中的原子力,这些系统由长聚合物链,无定形氧化物和表面化学反应组成。所描述的交错旋转不变 - 协变结构还可以直接预测来自计算材料科学之外的域中的局部物理结构的复杂协变矢量输出。
translated by 谷歌翻译
卷积神经网络(CNN)已成为物体检测任务的最新技术。在本文中,我们已经解释了基于CNN的不同对象检测模型。我们根据两种不同的方法对这些检测模型进行了分类:两阶段方法和一阶段方法。在本文中,我们已经展示了从R-CNN到最终RefineDet的物体检测模型的进步。我们已经讨论了每个模型的模型描述和培训细节。我们还对这些模型进行了比较。
translated by 谷歌翻译