我们提出了一种新的预测器组合算法,该算法基于潜在相关的参考预测器来改进给定的任务预测器。现有方法的局限性在于,为了发现潜在的任务依赖性,它们要么需要所有预测变量的已知参数形式,要么访问所有预测变量共同评估的单个固定数据集。为了克服这些限制,我们设计了一种新的非参数任务依赖性估计程序,该程序自动对齐不相交特征集的异构预测器的评估。我们的算法被实例化为一个强大的流形扩散过程,它共同改进了估计的预测分配和相应的任务依赖性。我们将该算法应用于相对属性排序问题,并证明它不仅扩展了预测器组合方法的应用范围,而且即使应用于经典预测器组合设置也优于现有方法。
translated by 谷歌翻译
交通信号控制是一种新兴的应用场景,用于加强学习。除了作为影响人们通勤日常生活的重要问题之外,交通信号控制在适应动态交通环境和协调包括车辆和行人在内的数千名代理人方面对于强化学习提出了独特的挑战。现代强化学习成功的关键因素依赖于商品模拟器来生成大量用于学习的数据样本。然而,最常用的开源流量模拟器SUMO不能扩展到大型公路网和大流量,这阻碍了对交通场景的强化学习的研究。这促使我们创建一个新的流量模拟器CityFlow,它具有基本优化的数据结构和高效的算法。 CityFlow可以根据合成和真实数据支持灵活的道路网络和交通流量定义。它还提供了用户友好的强化学习界面。最重要的是,CityFlow比SUMO快20多倍,并且能够通过交互式渲染形式监控来支持全市范围的交通模拟。除了交通信号控制,CityFlow还可以作为其他交通研究的基础,并为智能交通领域的测试机器学习方法创造新的可能性。
translated by 谷歌翻译
复杂的设计任务通常需要按特定顺序执行各种操作。为了(半)自主地完成这些任务,应用程序需要理解并学习广泛的设计过程,即CreativeProcedural-Knowledge(CPK)。先前的知识库建设和采矿业通常涉及创意领域,例如设计和艺术。在本文中,我们使用五个组件形式化CPK的本体:目标,工作流,动作,命令和用法;并从在线设计中提取组件的值。我们抓取了19.6K与教程相关的网页,并为专业设计人员构建了一个Web应用程序,以识别和总结CPK组件。带注释的数据集由819个唯一命令,47,491个参数和2,022个工作流和目标组成。基于该数据集,我们提出了年龄CPK提取管道,并证明现有的文本分类和序列到序列模型仅限于识别,预测和总结异构方式中描述的复杂操作。通过定量和定性误差分析,我们讨论了未来研究需要解决的CPKextraction挑战。
translated by 谷歌翻译
使用忆阻器作为神经元突触的忆阻神经网络(MNNs)最近成为一个热门的研究课题。然而,大多数忆阻器与主流集成电路技术不兼容,目前大规模的可靠性不是很好。本文介绍了一种硬件友好的MNN电路,其中忆阻特性由数字集成电路实现。通过这种方法,实现了尖峰时间依赖可塑性(STDP)和无监督学习。提出了一种权重共享机制,以弥合网络规模和硬件资源的差距。实验结果表明,硬件资源得到了显着的保存,保持了良好的识别精度和高速度。此外,资源增长的趋势比网络规模的扩大慢,这推断了我们的方法在大规模神经形态网络实现方面的潜力。
translated by 谷歌翻译
获得具有高分辨率的磁共振图像(MRI)并生成用于评估组织生物化学的基于图像的定量生物标记物在临床和研究应用中是非常重要的。然而,获取定量生物标记物需要高信噪比(SNR),这在MRI中具有高分辨率,尤其是在单个快速序列中。在本文中,我们展示了如何利用超分辨率来维持足够的SNR,以准确定量T2弛豫时间生物标记,同时生成高分辨率图像。我们使用峰值SNR和结构相似性等指标来比较分辨率增强的功效。我们通过与标准参考方法进行比较来评估软骨T2弛豫时间的准确性。我们的评估表明,SRcan可成功维持高分辨率并生成准确的生物标记物,用于加速MRI扫描并提高临床和研究MRI的价值。
translated by 谷歌翻译
在数字格式的全息图的处理,存储和传输中减少大量数据是一个关键问题。在照片压缩方面,几乎所有的系统和设备都支持JPEG标准。如果JPEG标准适用于全息图压缩,具有通用兼容性的优点将是有利的。然而,来自JPEG压缩全息图的构造图像遭受严重的质量劣化,因为全息图中的一些高频特征将在压缩过程中丢失。在这项工作中,我们采用深度卷积神经网络来减少JPEG压缩全息图中的伪影。模拟和实验结果表明,我们提出的“JPEG + deeplearning”全息图压缩方案可以实现计算机生成的仅相位全息图的令人满意的重建结果。压缩。
translated by 谷歌翻译
This paper presents a deep learning method for faster magnetic resonance imaging (MRI) by reducing k-space data with sub-Nyquist sampling strategies and provides a rationale for why the proposed approach works well. Uniform subsampling is used in the time-consuming phase-encoding direction to capture high-resolution image information, while permitting the image-folding problem dictated by the Poisson summation formula. To deal with the localization uncertainty due to image folding, a small number of low-frequency k-space data are added. Training the deep learning net involves input and output images that are pairs of the Fourier transforms of the subsampled and fully sampled k-space data. Our experiments show the remarkable performance of the proposed method; only 29% of the k-space data can generate images of high quality as effectively as standard MRI reconstruction with the fully sampled data.
translated by 谷歌翻译
我们提出了一个新的CogQA框架,用于多跳问题回答inweb-scale文档。受认知科学中的双重过程理论的启发,该框架通过协调隐式提取模块(系统1)和显式推理模块(系统2)逐步在迭代过程中构建\ textit {认知图}。在给出准确答案的同时,我们的框架进一步提供了可解释的推理路径。具体而言,基于BERT和图形神经网络的实现有效处理了HotpotQAfullwiki数据集中的多跳推理问题的数百万个文档,在排行榜上获得了34.9的联合$ F_1 $得分,而最佳竞争对手的得分为23.6。
translated by 谷歌翻译
研究人员经常通过他们的应用程序编程接口(API)查询在线社交平台,以找到目标人群,例如人类患有疾病的人[\ cite {De-Choudhury2017}和jazzmusicians~ \ cite {heckathorn2001finding}。这些目标群体的实体满足通常使用oracle(人类或预先训练的分类器)识别的属性。当目标实体的属性不能通过API直接查询时,我们将属性称为“隐藏”,将人口称为隐藏群体。在社交网络上查找属于这些人群的人很难,因为他们是不可查询的,并且采样器必须从有限预算限制内的组合查询空间进行探索。通过利用可查询属性和感兴趣的人口之间的相关性以及通过对查询空间进行分层排序,我们提出了一个基于决策树的Thompson采样器(\ texttt {DT-TMP}),可以有效地发现要查询的正确属性组合。我们提出的采样器在在线实验中的表现优于最先进的采样器,例如推特上的54%。当离线实验中已知查询的匹配程度数时,\ texttt {DT-TMP}在基线采样器上的执行速度比0.9-1.5 $ \ times $好。在未来,我们希望通过制定更复杂的查询来探索寻找隐藏人口的选择。
translated by 谷歌翻译
对于基于SGD的分布式随机优化,由随机梯度调用的数量的收敛速度测量的计算复杂度和通过节点间通信轮次数测量的通信复杂度是两个最重要的性能度量。 SGD超过$ N $工作者的经典数据并行实现可以实现其收敛速度的线性加速,但在每个批处理中引发节点间通信。我们通过表征所获得的收敛速度和所需的通信轮次数,研究了在并行SGD中使用动态增加的批量大小进行随机非凸优化的好处。通过对PL条件下的随机非凸优化,具有指数级增加批量大小的经典数据并行SGD可以通过线性加速实现最快已知的$ O(1 /(NT))$收敛,仅使用$ \ log(T)$通信轮。对于一般的随机非凸优化,我们提出了一种类似Catalyst的算法,只需$ O(\ sqrt {NT} \ log(\ frac {T} {N}))$通信轮次。
translated by 谷歌翻译