我们提出了一种有效的方法,用于从多视图图像观察中联合优化拓扑,材料和照明。与最近的多视图重建方法不同,通常在神经网络中产生纠缠的3D表示,我们将三角形网格输出具有空间不同的材料和环境照明,这些方法可以在任何传统的图形引擎中未修改。我们利用近期工作在可差异化的渲染中,基于坐标的网络紧凑地代表体积纹理,以及可微分的游行四边形,以便直接在表面网上直接实现基于梯度的优化。最后,我们介绍了环境照明的分流和近似的可分辨率配方,以有效地回收全频照明。实验表明我们的提取模型用于高级场景编辑,材料分解和高质量的视图插值,全部以三角形的渲染器(光栅化器和路径示踪剂)的交互式速率运行。
translated by 谷歌翻译
在这个简短的注意事项中,我们在宽两层沿着两层沿着双层神经网络中的存储容量问题和宽神经网络核限制的快速生长体内的储存容量问题之间的联系。具体地,我们观察到统计力学文献中研究的“有效订单参数”与无限宽度神经网络高斯工艺内核相当等同。这封对应关系连接宽两层神经网络的表达性和培训性。
translated by 谷歌翻译
奖励黑客 - RL代理商在错过奖励功能中利用差距 - 已被广泛观察到,但尚未系统地研究。要了解如何批量奖励,我们会构建具有误报奖励的四个RL环境。我们调查奖励黑客作为代理能力的函数:模型容量,动作空间分辨率,观察空间噪声和培训时间。更有能力的代理经常利用奖励拼写错误,实现更高的代理奖励和较低的真正奖励,而不是更有技能的代理商。此外,我们发现阶段转换的实例:代理人的行为定性转移的能力阈值,导致真正奖励的急剧下降。这种相转变对监测ML系统的安全构成挑战。为了解决这个问题,我们提出了异常策略的异常检测任务,并提供了几个基线探测器。
translated by 谷歌翻译
在神经元网络中,使用本地信息单独更新,允许完全分散的学习。相反,人工神经网络(ANN)中的元件通常使用中央处理器同时更新。在这里,我们调查最近引入的分散,物理驱动的学习网络中异步学习的可行性和影响。我们表明,在理想化模拟中,Desynchization Learing Processe不会降低各种任务的性能。在实验中,Des同步实际上通过允许系统更好地探索解决方案的离散状态空间来实现性能。我们在随机梯度下降中的异步和迷你批处理之间绘制了类比,并表明它们对学习过程具有类似的影响。 des同步学习过程将物理驱动的学习网络建立为真正完全分布式的学习机器,在部署中提高更好的性能和可扩展性。
translated by 谷歌翻译
监督运营商学习是一种新兴机器学习范例,用于建模时空动态系统的演变和近似功能数据之间的一般黑盒关系的应用。我们提出了一种新颖的操作员学习方法,LOCA(学习操作员耦合注意力),激励了最近的注意机制的成功。在我们的体系结构中,输入函数被映射到有限的一组特征,然后按照依赖于输出查询位置的注意重量平均。通过将这些注意重量与积分变换一起耦合,LOCA能够明确地学习目标输出功能中的相关性,使我们能够近似非线性运算符,即使训练集测量中的输出功能的数量非常小。我们的配方伴随着拟议模型的普遍表现力的严格近似理论保证。经验上,我们在涉及普通和部分微分方程的系统管理的若干操作员学习场景中,评估LOCA的表现,以及黑盒气候预测问题。通过这些场景,我们展示了最先进的准确性,对噪声输入数据的鲁棒性以及在测试数据集上始终如一的错误传播,即使对于分发超出预测任务。
translated by 谷歌翻译
荧光显微镜是一直是观察胚胎(体内)生长的长期成像随时间的重要工具。然而,累积暴露是对如此敏感的实时样本的光毒性。虽然像光片荧光显微镜(LSFM)这样的技术允许减少曝光,但它不太适用于深度成像模型。其他计算技术是计算昂贵的并且通常缺乏恢复质量。为了解决这一挑战,可以使用各种低剂量成像技术来实现使用轴向(Z轴)的少量切片实现3D体积重建;但是,它们通常缺乏恢复质量。而且,在轴向上获取致密图像(具有小步骤)是计算昂贵的。为了解决这一挑战,我们介绍了一种基于压缩的感测(CS)方法来完全重建具有相同信噪比(SNR)的3D卷,其具有小于励磁剂量的一半。我们展示了该理论并通过实验验证了这种方法。为了证明我们的技术,我们在斑马鱼胚脊髓(30um厚度)中捕获RFP标记神经元的3D体积,使用共聚焦显微镜轴向采样0.1um。从结果中,我们观察到基于CS的方法从整个堆叠光学部分的小于20%的高于20%实现精确的3D体积重建。在该工作中的开发的基于CS的方法可以容易地应用于其他深度成像模态,例如双光子和光板显微镜,其中还原样品毒性是一个关键挑战。
translated by 谷歌翻译
稳定性选择(Meinshausen和Buhlmann,2010)通过返回许多副页面一致选择的功能来使任何特征选择方法更稳定。我们证明(在我们的知识中,它的知识,它的第一个结果),对于包含重要潜在变量的高度相关代理的数据,套索通常选择一个代理,但与套索的稳定性选择不能选择任何代理,导致比单独的套索更糟糕的预测性能。我们介绍集群稳定性选择,这利用了从业者的知识,即数据中存在高度相关的集群,从而产生比此设置中的稳定性选择更好的特征排名。我们考虑了几种特征组合方法,包括在每个重要集群中占据各个重要集群中的特征的加权平均值,其中重量由选择集群成员的频率决定,我们显示的是比以前的提案更好地导致更好的预测模型。我们呈现来自Meinshausen和Buhlmann(2010)和Shah和Samworth(2012)的理论担保的概括,以表明集群稳定选择保留相同的保证。总之,集群稳定性选择享有两个世界的最佳选择,产生既稳定的稀疏选择集,具有良好的预测性能。
translated by 谷歌翻译
在TAN(2006)边缘敏感模型下,在不观察到的混淆存在下构建平均处理效应的界限问题。结合涉及对冲倾向分数的现有表征具有对问题的新的分布稳健特征,我们提出了我们称之为“双重有效/双重尖锐”(DVD)估计的这些界限的新颖估算器。双重清晰度对应于DVD估计始终估计灵敏度模型所暗示的最有可能(即,夏普)的界限,即使当所有滋扰参数都适当一致时,即使在两个滋扰参数中的一个被击败并实现半污染参数之一。双倍有效性是部分识别的全新财产:DVD估计仍然提供有效,但即使在大多数滋扰参数都被遗漏时,仍然没有锐利。实际上,即使在DVDS点估计无法渐近正常的情况下,标准沃尔德置信区间也可能保持有效。在二进制结果的情况下,DVD估计是特别方便的并且在结果回归和倾向评分方面具有闭合形式的表达。我们展示了模拟研究中的DVD估计,以及对右心导管插入的案例研究。
translated by 谷歌翻译
基于分数的模型研究在过去几年中通过采用高斯去噪得分匹配(DSM)产生了艺术生成模型的状态。然而,高斯噪声假设具有几个高维限制,使未来甚至更高维度PDF估计的促进更具体的路线。在将理论扩展到更广泛的声音分布的情况下,我们概述了这一限制 - 即,广义正常分布。在理论上,我们可以在(去噪)得分匹配理论中放宽一个关键假设,展示了差异化的分布{几乎无处不在}允许与高斯同样的客观简化。对于噪声矢量长度分布,我们在深度学习中普遍存在的高维空间中的衡量标准的有利集中。在该过程中,我们发现偏斜噪声矢量长度分布,并开发迭代噪声缩放算法,以一致地初始化退火的Langevin动态中的多级噪声。在实践方面,我们使用重尾DSM导致分数估计,可控采样融合,更平衡的不规则的无条件生成性能,对不平衡数据集进行更高。
translated by 谷歌翻译
我们第一次将深度度量学习应用于微观图像上分类塑料传染媒体壳的ProB-LEM。该物种识别任务是重建过去气候的重要信息源和科学柱子。所有Foraminifer CNN识别管道在文献中产生的黑匣子分类器缺乏人类专家的可视化选项,不能应用于开放的设定问题。这里,我们对这些管道进行基准度学习,产生表型塑料综合体形态空间的第一个科学可视化,并证明公制学习可用于在训练期间进行群体看不见。我们展示了在该域中的所有已发布的基于CNN的最新的基于CNN的最先进的基准。我们评估了我们在35个现代综合素粉末类别的45张无尽的福特公共图书馆的34,640专家注释图像上的方法。我们对此数据的结果显示,在培训中从未遇到的聚类物种在从未遇到过66.5%的精度(0.70 f1-score)中,在再现专家标签中发出92%的精度(0.84 f1分)。我们得出结论,度量学习对该领域非常有效,并作为对微泡沫识别专家自动化自动化的重要工具。用本文发布了关键代码,网络权重和数据分离,以满足全重复性。
translated by 谷歌翻译