问答(QA)作为一个研究领域,主要关注知识库(KB)或自由文本作为知识来源。这两个来源在历史上形成了通过资源提出的各种问题,以及为解决这些问题而开发的方法。在这项工作中,我们看到QA的实际用例,而不是用户指导的知识,它将结构化QA的元素与知识库,非结构化QA与叙述相结合,将多关系QA的任务引入个人叙述。作为实现这一目标的第一步,我们做出了三个关键贡献:(i)我们生成并发布TextWorldsQA,一组五个不同的数据集,whereeach数据集包含动态叙述,描述模拟世界中的实体和关系,与可变组成问题配对知识,(ii)我们在这项任务中对几个最先进的QA模型及其变体进行了全面的评估和分析,以及(iii)发布了一个轻量级的基于Python的框架,我们称之为TextWorlds,可以轻松生成任意的额外世界和叙事,目标是允许社区创建和分享越来越多的不同世界作为此任务的测试平台。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
在本文中,我们讨论了一类基于一维切片方法的基于AutoEncoder的生成模型。该想法是基于将样本之间的区分减少到一维情况。我们的实验表明,这些方法可以分为两组。首先包括对标准正态性测试进行修改的方法,而第二种方法基于样本之间的经典距离。事实证明,这两个组都是正确的生成模型,但第二个组的Fr \'{e} chet起始距离(FID)的下降速度略快。
translated by 谷歌翻译
在我们的研究中,我们证明了卷积神经网络与SMILES的多样性之间的协同效应。我们提出的模型,即所谓的卷积神经指纹(CNF)模型,达到了传统描述符的准确性,如Dragon(Mauri等人[22]),RDKit(Landrum [18]),CDK2(Willighagen等人[43] ]和PyDescriptor(Masand和Rastija [20])。此外,CNF模型通常比高度精细的传统描述符表现更好,特别是在小数据集上,这对化学领域非常有利,因为实验成本,分子的可用性或私有数据库的可访问性,数据集通常较小。我们在训练和测试期间评估CNF模型以及SMILES增强。据我们所知,这是第一次提出这种方法。我们表明,使用SMILESduring训练的多样性可以充当常规器,从而避免过度拟合,并且在考虑进行测试时可以被视为集成学习。
translated by 谷歌翻译
ChArUco板用于机器人和增强现实中的相机校准,单眼姿态估计和姿态验证。这种基准点可以通过传统的计算机视觉方法(如在OpenCV中找到的)在光照环境中检测到,但是当光线较差或者当图像经历极端运动模糊时,经典方法会失败。我们提出Deep ChArUco,区域时间姿态估计系统,它结合了两个自定义深度网络ChArUcoNet和RefineNet,以及Perspective-n-Point(PnP)算法来估计标记的6DoF姿势。 ChArUcoNet是一种双头标记特定卷积神经网络(CNN),它联合输出ID特定分类器和2D点位置。使用RefineNet将2D点位置进一步细化为子像素坐标。我们的网络使用目标标记的自动标记视频,合成亚像素角数据和极端数据增强的组合进行训练。我们评估Deep ChArUco具有挑战性的低光,高运动,高模糊情景,并证明我们的方法优于传统的基于OpenCV的ChArUcomarker检测和姿态估计方法。
translated by 谷歌翻译
基于神经网络的对话模型通常缺乏对异常域外(OOD)用户输入的鲁棒性,这会导致意外的对话行为,并且在很大程度上限制了这些模型在任务关键型生产环境中的使用。这个问题尤其与设置具有有限训练数据的对话系统自举有关,并且无法访问OOD示例。在本文中,我们探讨了这种系统的恶意输入的鲁棒性问题以及与其在看到和看到的精度上的折衷相关联的问题。数据。我们提出了一个新的数据集,用于研究对话系统对OOD输入的鲁棒性,这是bAbI Dialog Task 6以受控方式增加了OOD内容。然后,我们提出了转弯辍学,这是一种简单而有效的基于负采样的技术,用于提高神经对话模型的鲁棒性。我们将其有效性应用于混合代码网络 - 家庭模型(HCN),这些模型在我们的OOD增强数据集以及原始数据集上达到最先进的结果。具体而言,受过甩尾训练的HCN在增强数据集的OOD转向和74%F1得分作为OOD探测器时具有超过75%的每个发声准确度的最先进性能。此外,我们引入了变化的HCN增强在原始bAbI任务6数据集中,丢失率超过56.5%,因此优于最初报告的HCN结果。
translated by 谷歌翻译
游戏测试的过程是主观的,昂贵的和不完整的。在本文中,我们提出了一种游戏测试方法,用于探索游戏空间和游戏代理,并收集数据来回答设计师提出的问题。除了让代理与实际游戏客户端进行交互之外,这种方法将游戏的裸骨机制重新建立为一个单独的系统。 。我们的代理人能够在几分钟内完成有机游戏的测试日数。数千个游戏模拟的分析暴露了游戏中的不平衡,确定了无关紧要的奖励并评估了选择性战略选择的有效性。我们的测试案例游戏The Sims Mobile最近发布,此处显示的调查结果影响了设计变更,从而改善了玩家体验。
translated by 谷歌翻译
人类智能的许多标志,例如从有限经验,抽象推理和规划,类比推理,创造性问题解决和语言能力的概括,需要能够将经验整合到概念中,概念作为理解和推理的基本构建块。我们提出了一个框架,通过环境中的事件的能量函数来定义概念,以及参与事件的注意力掩模过多。鉴于很少的示范事件,我们的方法推论时间优化程序生成涉及类似概念的事件或识别概念中涉及的实体。我们评估我们的框架,以无监督的方式从示范事件中学习视觉,定量,关系,时间概念。我们的方法能够在几次设置中成功生成和识别概念,并且可以在整个环境中重复使用所得到的概念。有关我们结果的示例视频,请访问sites.google.com/site/energyconceptmodels
translated by 谷歌翻译
我们提出了一个在线计划和离线学习(POLO)框架,用于具有内部模型的代理需要在世界中不断行动和学习的环境。我们的工作建立在基于本地模型的控制,全球价值功能学习和探索之间的协同关系之上。我们研究局部轨迹优化可以应对值函数中的近似误差,并且可以稳定和加速价值函数学习。相反,我们还研究了近似值函数如何帮助减少计划范围并允许更好的策略超出局部解。最后,我们还演示了轨迹优化如何用于执行同步协调探索以及估计值函数近似的不确定性。这种探索对快速和稳定地学习价值功能至关重要。将这些组件结合起来,可以解决复杂的控制任务,例如人形运动和灵巧手操作,相当于几分钟的局部经验。
translated by 谷歌翻译
“社交”对话系统的总体目标是支持各种主题的吸引人,娱乐性和冗长的对话,包括社交闲聊。除了原始对话数据之外,用户提供的评级是用于训练此类系统以产生引人入胜的响应的最常见信号。在本文中,我们展示了社会对话系统可以从未经注释的数据中有效地进行训练。使用在2017年Alexa奖挑战中收集的真实对话的数据集,我们开发了一个神经排名器,用于选择对用户话语的良好系统响应,即可能导致对话和参与对话的响应。我们证明了(1)我们的神经系统在训练优化用户评级时始终优于几个强大的基线; (2)当训练大量数据并仅使用对话长度作为目标时,排名员的表现优于使用评级的onetrained - 最终达到0.87的精度@ 1。这一进展将使社交对话代理的数据收集在未来变得更加简单和昂贵。
translated by 谷歌翻译