Recommender systems are a long-standing research problem in data mining and machine learning. They are incremental in nature, as new user-item interaction logs arrive. In real-world applications, we need to periodically train a collaborative filtering algorithm to extract user/item embedding vectors and therefore, a time-series of embedding vectors can be naturally defined. We present a time-series forecasting-based upgrade kit (TimeKit), which works in the following way: it i) first decides a base collaborative filtering algorithm, ii) extracts user/item embedding vectors with the base algorithm from user-item interaction logs incrementally, e.g., every month, iii) trains our time-series forecasting model with the extracted time- series of embedding vectors, and then iv) forecasts the future embedding vectors and recommend with their dot-product scores owing to a recent breakthrough in processing complicated time- series data, i.e., neural controlled differential equations (NCDEs). Our experiments with four real-world benchmark datasets show that the proposed time-series forecasting-based upgrade kit can significantly enhance existing popular collaborative filtering algorithms.
translated by 谷歌翻译
近年来，人类面孔的影子化化身已经走了很长一段路，但是该地区的研究受到缺乏公开可用的高质量数据集的限制。在这项工作中，我们介绍了Multiface，这是一种新的多视图，高分辨率的人脸数据集，该数据集是从13个身份的神经面部渲染研究中收集的13个身份。我们介绍了Mugsy，这是一种大型多摄像机设备，可捕获面部表现的高分辨率同步视频。 Multiface的目的是缩小学术界高质量数据的可访问性的差距，并使VR触觉研究能够进行研究。随着数据集的释放，我们对不同模型体系结构对模型的新观点和表达式的插值能力进行消融研究。通过有条件的VAE模型作为我们的基线，我们发现添加空间偏见，纹理翘曲场和残差连接可改善新型视图合成的性能。我们的代码和数据可在以下网址获得：https：//github.com/facebookresearch/multiface
translated by 谷歌翻译
可以通过串联协作来启用第二语言学习，在该协作中，学生在呼叫中学习其他学生的母语时，将学生分组为视频电话会议。这使学生处于在线环境中，更外向的人可以积极贡献和进行对话，而那些更害羞和不确定其第二语言技能的人可以通过电话坐下来坐下来。我们已经构建并部署了L2L系统，该系统记录了所有参与者在呼叫中的对话说话的时间。我们生成可视化的，包括每个呼叫中每个学生的参与率和时间表，并在仪表板上呈现。我们最近制定了一种称为个人对话波动率的措施，以表明每个学生在每个呼叫中对对话的贡献如何。我们介绍了来自大学学习Frenchm的19个讲英语的学生的样本的对话波动率措施的分析，在一个教学学期的86个串联电信呼叫中。我们的分析表明，有必要研究互动的本质，看看分配给他们的讨论主题的选择是否太难了，这可能会以某种方式影响他们的参与。
translated by 谷歌翻译
许多移动制造商最近在其旗舰模型中采用了双像素（DP）传感器，以便更快的自动对焦和美学图像捕获。尽管他们的优势，由于DT在DP图像中的视差缺失的数据集和算法设计，但对3D面部理解的使用研究受到限制。这是因为子孔图像的基线非常窄，并且散焦模糊区域存在视差。在本文中，我们介绍了一种以DP为导向的深度/普通网络，该网络重建3D面部几何。为此目的，我们使用我们的多摄像头结构光系统捕获的101人拥有超过135k张图片的DP面部数据。它包含相应的地面真值3D模型，包括度量刻度的深度图和正常。我们的数据集允许建议的匹配网络广泛化，以便以3D面部深度/正常估计。所提出的网络由两种新颖的模块组成：自适应采样模块和自适应正常模块，专门用于处理DP图像中的散焦模糊。最后，该方法实现了最近基于DP的深度/正常估计方法的最先进的性能。我们还展示了估计深度/正常的适用性面对欺骗和致密。
translated by 谷歌翻译
此导频研究侧重于称为L2L的工具，允许第二语言（L2）学习者可视化和分析其与母语人员的缩放交互。 L2L使用Zoom转录程序自动生成对话指标，其播放功能与时间戳允许学生重放会话后的任何所选部分的会话反映和自我评审。这项探索性研究调查了一个七周的Teletandem项目，来自爱尔兰大学的本科生学习法国（B2）与来自法国大学学习英语（B2 +）的同龄人通过放大互动。从调查（n = 43）和半结构化访谈（n = 35）收集的数据表明，定量对话指标和对同步内容的定性审查有助于提高学生的置信水平，同时与母语扬声器汇集。此外，它允许他们设定有形的目标来提高他们的参与，并更加了解他们是如何学习的原因。
translated by 谷歌翻译
最近在体现AI中的研究已经通过使用模拟环境来开发和培训机器人学习方法。然而，使用模拟已经引起了只需要机器人模拟器可以模拟的任务：运动和物理接触的任务。我们呈现IGIBSON 2.0，一个开源仿真环境，通过三个关键创新支持模拟更多样化的家庭任务。首先，IGIBSON 2.0支持对象状态，包括温度，湿度水平，清洁度和切割和切片状态，以涵盖更广泛的任务。其次，IGIBSON 2.0实现了一组谓词逻辑函数，该逻辑函数将模拟器状态映射到烹饪或浸泡等逻辑状态。另外，给定逻辑状态，IGIBSON 2.0可以对满足它的有效物理状态进行示例。此功能可以以最少的努力从用户生成潜在的无限实例。采样机制允许我们的场景在语义有意义的位置中的小对象更密集地填充。第三，IGIBSON 2.0包括虚拟现实（VR）界面，以将人类浸入其场景以收集示威操作。因此，我们可以从这些新型任务中收集人类的示威活动，并使用它们进行模仿学习。我们评估了IGIBSON 2.0的新功能，以实现新的任务的机器人学习，希望能够展示这一新模拟器的潜力来支持体现AI的新研究。 IGIBSON 2.0及其新数据集可在http://svl.stanford.edu/igibson/上公开提供。
translated by 谷歌翻译
逆合合成是一种将分子转化为潜在反应物的过程，因此鉴定了合成途径。我们提出了一个新颖的生成框架，称为$ \ mathsf {g^2retro} $，用于一步回曲预测。 $ \ mathsf {g^2retro} $模仿合成反应的反向逻辑，也就是说，首先预测反应中心以将靶分子转换为名为合成的片段，然后将合成剂转化为反应剂，然后按照先前的基于半电压的方法转换为反应剂。在预测反应中心时，$ \ mathsf {g^2retro} $定义了一组全面的反应中心类型，并通过考虑多个反应中心候选者来实现预测反应的多样性。在完成合成子时，$ \ mathsf {g^2retro} $部署了一系列子结构附件，以将合成物转换为反应物，该反应物利用了要完成的合成结构的最新结构的整体视图，以及所有所涉及的合成物和所有合成的结构产品结构。在这里，我们证明$ \ mathsf {g^2retro} $能够更好地对基准数据集中最可能的反应物进行优先级，而不是最先进的方法，并且发现了不包括在该方法中基准数据集。
translated by 谷歌翻译
可变形的对象操作需要与机器人感应方式兼容的计算有效表示。在本文中，我们提出了Virdo：可变形弹性对象的隐式，多模式和连续表示。Virdo直接在视觉（点云）和触觉（反作用力）方式上运行，并了解了接触位置和力量丰富的潜在嵌入，以预测受外部接触的物体变形。 - 具有密集无监督的对应关系的模式重建，ii）概括为看不见的接触地层，iii）抑制了局部粘膜反馈的状态估计
translated by 谷歌翻译
给定一个单词二进制关系$ \ tau $我们在有限的语言x上定义一个$ \ tau $ -gray周期，以置换w [i] 0 $ \ le $ i $ \ le $ | x | --1的x这样，每个单词wi是前一词wi - 1的图像，由$ \ tau $ 1。在该框架中，我们介绍了复杂性测量$ \ lambda $（n），等于具有最多长度的语言x的最大基数，使得$ \ tau $-gray周期存在于x上。本文涉及与\ tau $ = $ \ sigma $ k，所谓的k字符替代，其中（v）属于$ \ sigma $ k，如果汉明距离你和v是k。我们为所有字母基数和Argument n计算绑定$ \ lambda $（n）。
translated by 谷歌翻译