我们提出了一个混合框架Oppinn：物理知识的神经网络（PINN），其中运算符学习以近似于Fokker-Planck-Landau（FPL）方程的解决方案。 Oppinn框架分为两个步骤：步骤1和步骤2。在步骤1期间对操作员替代模型进行训练后，PINN可以使用预训练的替代模型在步骤2期间有效地近似于FPL方程。操作员替代模型可大大降低计算成本，并通过近似FPL方程中的复杂Landau碰撞积分来提高PINN。操作员替代模型也可以与传统的数值方案结合使用。当速度模式变大时，它在计算时间中提供了高效率。使用Oppinn框架，我们在各种类型的初始条件下为FPL方程提供了神经网络解决方案，并在两个和三个维度中提供相互作用模型。此外，基于FPL方程的理论属性，我们表明，随着预定义的损耗函数的降低，近似的神经网络解决方案会收敛到FPL方程的先验经典解。
translated by 谷歌翻译
复杂物理动态的建模和控制在真实问题中是必不可少的。我们提出了一种新颖的框架，通常适用于通过用特殊校正器引入PDE解决方案操作员的代理模型来解决PDE受约束的最佳控制问题。所提出的框架的过程分为两个阶段：解决PDE约束（阶段1）的解决方案操作员学习并搜索最佳控制（阶段2）。一旦替代模型在阶段1训练，就可以在没有密集计算的阶段2中推断出最佳控制。我们的框架可以应用于数据驱动和数据的案例。我们展示了我们对不同控制变量的各种最优控制问题的成功应用，从泊松方程到汉堡方程的不同PDE约束。
translated by 谷歌翻译
迅速严重性评估患有传染病感染的确诊患者的评估模型可以实现高效的诊断和减轻医疗系统的负担。本文利用机器学习技术提供了严重性评估模型的开发过程及其在SARS-COV-2患者的应用。在这里，我们强调我们的模型只需要基本患者的基本个人数据，从而允许他们判断自己的严重程度。我们选择了基于升级的决策树模型作为分类器，并将死亡率解释为建模后的概率分数。具体而言，使用贝叶斯优化技术调整确定树模型结构的超参数，而不知道医疗信息。结果，我们测量了模型性能并识别通过模型影响严重性的变量。最后，我们的目标是建立一个允许患者检查自己的严重性的医疗系统，并根据其他患者的过去的治疗细节来访问他们访问适当的诊所中心。
translated by 谷歌翻译
有源推断可以被定义为具有生物可粘合模型的脑的贝叶斯建模。其主要思想依赖于自由能原理和药剂的优先偏好。代理人将选择一个导致其前后偏好的行动，以便将来的观察结果。在本文中，我们声称可以使用强化学习（RL）算法来解释有源推断，并在它们之间找到理论连接。我们扩展了预期的自由能量（EFE）的概念，这是有源推理的核心量，并要求EFE可以被视为负值函数。通过前后偏好的概念和理论连接的概念，我们提出了一种简单但新的方法来学习从专家的先前偏好。这说明可以通过有源推断的新视角来接近逆R1的问题。先前偏好学习的实验结果表明，基于EFE的奖励和应用于反向RL问题的可能性。
translated by 谷歌翻译
学习图形结构与图形神经网络（GNN）的数据被涌现为一个重要领域，因为它在生物信息学，化疗，社交网络分析和数据挖掘中的广泛适用性。最近的GNN算法基于神经消息传递，这使得GNN能够递归地集成本地结构和节点特征。然而，基于1跳邻域神经消息传递的过去的GNN算法暴露于对局部结构和关系的信息丢失的风险。在本文中，我们提出了邻居边缘聚合器（近），这是通过边缘聚集在邻域中的节点之间的关系的框架。近的，可以与图同构网络（GIN）正交结合，提供描述邻域中的节点的集成信息。因此，接近可以在1跳邻域中反映每个节点的局部结构的局部结构的附加信息。多图分类任务的实验结果表明，我们的算法在基于GNN的其他基于GNN的基于GNN的算法中取得了良好的改进。
translated by 谷歌翻译
受到正规彩票假说（RLTH）的启发，该假说假设在密集网络中存在平稳（非二进制）子网，以实现密集网络的竞争性能，我们提出了几个播放类增量学习（FSCIL）方法。 to as \ emph {soft-subnetworks（softnet）}。我们的目标是逐步学习一系列会议，每个会议在每个课程中只包含一些培训实例，同时保留了先前学到的知识。软网络在基本训练会议上共同学习模型权重和自适应非二进制软面具，每个面具由主要和次要子网组成；前者的目的是最大程度地减少训练期间的灾难性遗忘，而后者的目的是避免在每个新培训课程中过度拟合一些样本。我们提供了全面的经验验证，表明我们的软网络通过超越基准数据集的最先进基准的性能来有效地解决了几个弹药的学习问题。
translated by 谷歌翻译
先前的作品已经为神经集功能建立了固体基础，以及有效的体系结构，这些架构保留了在集合上操作的必要属性，例如对集合元素的排列不变。随后，已经确定了在保持输出上保持一致性保证的同时，依次处理任何随机设置分区方案的任何置换的能力，但已建立了网络体系结构的选项有限。我们进一步研究了神经集编码功能中的MBC特性，建立了一种将任意非MBC模型转换为满足MBC的方法。在此过程中，我们为普遍MBC（UMBC）类的集合功能提供了一个框架。此外，我们探讨了通过我们的框架实现的有趣的辍学策略，并研究了其对测试时间分配变化下的概率校准的影响。我们通过单位测试支持的证据来验证UMBC，还提供了有关玩具数据，清洁和损坏的云云分类的定性/定量实验，并在Imagenet上摊销了聚类。结果表明了UMBC的实用性，我们进一步发现我们的辍学策略改善了不确定性校准。
translated by 谷歌翻译
我们提出了Styletalker，这是一种新颖的音频驱动的会说话的头部生成模型，可以从单个参考图像中综合一个会说话的人的视频，并具有准确的音频同步的唇形，逼真的头姿势和眼睛眨眼。具体而言，通过利用预验证的图像生成器和图像编码器，我们估计了会说话的头视频的潜在代码，这些代码忠实地反映了给定的音频。通过几个新设计的组件使这成为可能：1）一种用于准确唇部同步的对比性唇部同步鉴别剂，2）一种条件顺序的连续变异自动编码器，该差异自动编码器了解从唇部运动中解散的潜在运动空间，以便我们可以独立地操纵运动运动的运动。和唇部运动，同时保留身份。 3）自动回归事先增强，并通过标准化流量来学习复杂的音频到运动多模式潜在空间。配备了这些组件，Styletalker不仅可以在给出另一个运动源视频时以动作控制的方式生成说话的头视频，而且还可以通过从输入音频中推断出现实的动作，以完全由音频驱动的方式生成。通过广泛的实验和用户研究，我们表明我们的模型能够以令人印象深刻的感知质量合成会说话的头部视频，这些视频与输入音频相符，可以准确地唇部同步，这在很大程度上要优于先进的基线。
translated by 谷歌翻译
在这项工作中，我们提出了一个具有结构性图形的新型不确定性感知对象检测框架，其中节点和边缘分别用对象及其空间语义相似性表示。具体而言，我们旨在考虑对象之间的关系，以有效地将它们背景化。为了实现这一目标，我们首先检测对象，然后测量其语义和空间距离以构建对象图，然后由图形神经网络（GNN）表示，用于完善对象的视觉CNN特征。但是，精炼CNN功能和每个对象的检测结果效率低下，可能不需要，因为其中包括不确定性低的正确预测。因此，我们建议通过将表示形式从某些对象（源）转移到有向图上的不确定对象（目标）来处理不确定的对象，而且还仅在对象上改善CNN功能，因为对象被认为是不确定的，其代表性输出来自GNN。此外，我们通过在不确定的物体上给予更大的权重来计算训练损失，以专注于改善不确定的对象预测，同时保持某些对象的高性能。我们将模型称为对象检测（UAGDET）的不确定性感知图网络。然后，我们在实验中验证了我们的大规模空中图像数据集，即DOTA，该数据集由大量对象组成，这些对象在图像中具有很小至大的对象，在该图像上，我们的对象可以改善现有对象检测网络的性能。
translated by 谷歌翻译
在本文中，我们通过利用给定数据集中的规律性来有效地介绍了一种新颖的方法来系统地解决数据集凝结问题。我们没有直接在原始输入空间中凝结数据集，而是假设数据集的生成过程，其中一组可学习的代码在紧凑的潜在空间中定义，然后是一组微型解码器，它们将它们映射到原始输入空间。通过互换组合不同的代码和解码器，我们可以大大增加具有相同参数计数的合成示例的数量，因为潜在空间要较低，并且由于我们可以假设尽可能多的解码器来捕获数据集中表示的不同样式费用微不足道。这种知识分解允许以系统的方式有效地共享综合示例之间的信息，从而在压缩比和生成的示例的质量之间进行了更高的权衡。我们通过实验表明，我们的方法通过各种基准数据集（例如SVHN，CIFAR10，CIFAR100和Tinyimagenet）在各种基准数据集上实现了新的最新记录。
translated by 谷歌翻译