我们提出了一种新的贝叶斯非参数方法来学习非欧几里德域上的翻译不变关系。结果图卷积高斯过程可以应用于机器学习中的问题,其中输入观察是具有通用图上的域的函数。这些模型的结构允许高维输入,同时保持可表达性,如卷积神经网络的情况。我们将图形卷积高斯过程应用于图像和三角网格,展示了它们的多功能性和有效性,与现有方法相比,尽管是相对简单的模型。
translated by 谷歌翻译
多段连续臂为传统的刚体机器人提供了互补的特性。这些机器人受到生物附属物,如大象树干和章鱼臂的启发,其交易刚性符合要求,安全准确,因此在人类占用空间的应用中具有很强的潜力。先前的工作已经证明了它们在拥挤的空间中操作的优越性以及对不规则形状物体的操纵。然而,它们尚未在实验室空间之外被广泛应用。一个关键的理由是,由于合规性,它们很难控制。复杂和数值有效的动态模型是实现动态控制的必要条件。在本文中,我们提出了一种新颖的,数值稳定的,基于重心的动态模型,用于可变长度多节连续臂。该模型可以容纳具有不同物理尺寸的任意数量的截面的连续机器人。动态算法具有O(n2)复杂度,运行速度为9.5 kHz,模拟比三段连续机器人实时快6-8倍,因此非常适合实时控制实现。模型精度通过作者提出的积分动力学模型进行数值验证,并通过实验用于横截面气动可变长度多分段连续模型。这是基于可变长度多段连续臂的平滑连续变形模型的第一个子实时动态模型。
translated by 谷歌翻译
气动肌肉执行器(PMA)易于制造,重量轻,柔顺,并具有高功率重量比,因此使其成为许多软和连续机器人的理想选择。但到目前为止,在动态控制PMA方面已经开展了有限的工作。一个原因是PMA具有很大的滞后性。再加上它们的高顺应性和响应滞后,PMA难以控制,特别是在受到外部负载时。迄今为止提出的滞后模型依赖于许多物理和机械参数,这些参数难以可靠地测量,因此用于实现动态控制的用途有限。在这项工作中,我们采用Bouc-Wen磁滞回归方法来解释PMA的滞后现象,并使用该模型来实现动态控制。然后将控制器与PID反馈控制进行比较,以进行多个动态位置跟踪测试。基于Bouc-Wen滞后模型的动态控制显示出明显更好的跟踪性能。这项工作为实现PMA驱动的高自由度软连续机器人的动态控制奠定了基础。
translated by 谷歌翻译
我们提出了一种新的成本函数,用于神经网络的半监督学习,鼓励潜在空间的紧凑聚类,以促进分离。关键思想是通过嵌入训练批次的标记和未标记样本来动态创建图形,以捕获特征空间中的底层结构,并使用标签传播来估计其高密度区域和低密度区域。然后,我们在图上设计基于马尔可夫链的成本函数,使潜在空间正规化以形成单个紧凑的聚类类,同时避免在优化期间干扰现有聚类。我们在三个基准测试中评估我们的方法,并与最先进的结果进行比较。我们的方法将基于图形的规范化的优势与高效的归纳推理相结合,不需要对网络架构进行修改,因此可以很容易地应用于现有网络,以便有效地使用未标记的数据。
translated by 谷歌翻译
在本报告中,我们回顾了基于记忆的元学习作为建筑样本有效策略的工具,该策略从过去的经验中学习以适应目标类中的任何任务。我们的目标是为读者提供此工具的概念基础,以构建在陆域上运行的新的可扩展代理。为此,我们提出了基本的算法模板,用于建立最佳预测器和强化学习器,其行为就好像它们具有允许它们有效地利用任务结构的概率模型。此外,我们在贝叶斯框架内重建基于内存的元学习,显示元学习策略接近最优,因为它们分摊贝叶斯过滤数据,其中适应在内存动态中实现为具有足够统计数据的状态机。从本质上讲,基于记忆的学习 - 学习将概率序贯推理的难题转化为回归问题。
translated by 谷歌翻译
软件定义的超曲面(SDM)包括称为元原子的基本元素的密集拓扑,在智能面板技术中对表面电流施加最高程度的控制。因此,它们可以以复杂的方式改变电磁(EM)波,改变它们的方向,功率,频谱,极性和相位。定义明确的软件接口允许将这些功能应用于波形和互联网络SDM,同时抽象出基础物理。部署在区域内的对象(例如布局规划墙)上的SDM网络创建可编程无线环境(PWE),其中具有完全可定制的波传播。这项工作研究使用机器学习来配置这样的环境,以使用户受益。该方法包括将无线传播建模为定制的,可解释的,反向传播的神经网络,其中SDM元素作为节点并且它们的交叉作为链接。在训练期之后,网络学习SDM的传播基础并将其配置为便于其附近的用户的通信。
translated by 谷歌翻译
事实证明,半监督学习是利用未标记数据来减轻对大型标记数据集的依赖的有力范例。在这项工作中,我们统一了当前用于半监督学习的主要方法,产生了一种新算法MixMatch,它通过猜测低熵标签来处理数据增强的未标记示例,并使用MixUp混合标记和未标记数据。我们展示了MixMatch通过许多数据集和标记数据量的大数据获得最先进的结果。例如,在具有250个标签的CIFAR-10上,我们将错误率降低了4倍(从38%降至11%),在STL-10上降低了2倍。我们还演示了MixMatch如何帮助实现更好的准确性 - 隐私折衷以实现差异隐私。最后,我们进行了一项消融研究,以分辨出MixMatch的哪些组件对其成功最重要。
translated by 谷歌翻译
来自EEG的癫痫发作检测是一个具有挑战性且耗时的临床问题,其将受益于自动算法的开发。 EEGs可以被视为结构时间序列,因为它们是多变量时间序列,其中导线在患者头皮上的放置提供了关于相互作用结构的预先信息。通常用于时间序列的深度学习模型不提供利用结构信息的方法,但这在结构时间序列的模型中是期望的。为了应对这一挑战,我们提出了时间图卷积网络(TGCN),利用结构信息并且参数相对较少的模型.TGCN应用了在时间和空间上定位和共享的特征提取操作,从而在任务中提供有用的归纳偏差。期望类似的特征在不同的序列中具有辨别力。在我们的实验中,我们关注最重要的检测方法,并证明TGCN与其他任务中已经证明是最先进的相关模型的性能相匹配。此外,我们通过探索帮助临床医生的方法来研究TGCN的可解释性优势。确定何时发生精确癫痫发作,以及大多数参与的大脑部位。
translated by 谷歌翻译
模拟机器学习硬件平台承诺比数字机器学习硬件平台更快,更节能。波动物理学,如发现的声学和光学,是构建模拟处理器变化信号的自然候选者。在这里,我们确定了波动学的动力学与递归神经网络中的计算之间的映射。该映射表明,可以使用标准的神经网络训练技术训练物理波系统以学习时间数据中的复杂特征。作为演示,我们表明,反向设计的非均匀介质可以通过这种介质的简单波传播对原始音频数据进行元音分类,从而实现与循环神经网络的标准数字实现相当的性能。这些发现为一类新的模拟机器学习平台铺平了道路,能够在其原生域中快速有效地处理信息。
translated by 谷歌翻译
深度学习模型在几个问题上表现出色,但是他们的培训过程往往需要大量的计算和人力资源用于培训和标签,限制了可以解决的问题类型。因此,需要小标记训练集的有效训练方法的设计是一个重要的研究方向,可以更有效地利用资源。为解决这个问题而设计的两种方法尤其令人感兴趣:数据增强和主动学习。数据增加通过人工生成新的训练点来实现这一目标,而主动学习则依赖于选择由甲骨文标记的未标记训练样本的“信息量最大”子集。虽然在实践中是成功的,但数据增强可能浪费计算资源,因为它不加区分地生成不保证提供信息的样本,并且主动学习选择可能不足以用于训练过程的一小部分信息样本(来自大量注释的集合)。在本文中,我们提出了一种贝叶斯生成主动深度学习方法,将主动学习与数据增强相结合 - 我们提供理论和经验证据(MNIST,CIFAR - $ \ {10,100 \} $和SVHN),我们的方法有更有效的培训和更好的分类结果比数据增强和主动学习。
translated by 谷歌翻译