鉴于卷积神经网络(CNN)用于图像分类和对象识别的巨大成功,已经尝试将该方法概括为一般的图形结构数据。一个主要方向是基于光谱图理论和图形信号处理。在本文中,我们通过引入图的并行流分解,从完全不同的角度研究问题。基本思想是分解一系列非交叉的一维(1D)路径的图形,之后,我们可以沿着每个路径族应用一维CNN。我们证明了我们的方法,我们称之为GraphFlow,能够将CNN架构转换为通用图。为了展示我们的方法的有效性,我们在经典的MNIST数据集,网络信息传播的合成数据集和新闻文章分类数据集上测试我们的方法。
translated by 谷歌翻译
我们基于来自可能不可靠或有偏见的多个人的意见来调查真相发现的问题。我们考虑代理商的可靠性或偏差如果属于同一社区而相关的情况,该社区定义了一组具有类似意见的代理人。代理商可以属于不同的社区,用于不同的事件,这些社区是先验未知的。我们将代理人社会网络的知识纳入我们的真相发现框架,并开发拉普拉斯变分推理方法来估计代理人的可靠性,社区和事件状态。我们还开发了一种随机变分推理方法,以将我们的模型扩展到大型社交网络。对实际数据的模拟和实验表明,当观测稀疏时,我们提出的方法比其他几种推理方法更好,包括多数投票,TruthFinder,AccuSim,信心感知真相发现方法,贝叶斯分类器组合(BCC)方法和社区BCC。方法。
translated by 谷歌翻译
背景:药代动力学评价是药物发现和开发的关键过程之一。然而,目前的吸收,分布,代谢,排泄预测模型仍然具有有限的准确性。目的:本研究旨在构建一个综合的转移学习和多任务学习方法,用于开发定量结构 - 活性关系模型,预测四种人体药代动力学参数。方法:药代动力学数据集包括1104种美国FDA批准的小分子药物。该数据包括四个人体药代动力学参数子集(口服生物利用度,血浆蛋白结合率,稳态分布的表观体积和消除半衰期)。对预先训练的模型进行了超过3000万生物活性数据的训练。建立了综合转移学习和多任务学习方法,以加强模型的推广。结果:药代动力学数据集分为三个部分(60:20:20)进行训练,验证和测试,采用改进的最大不相似算法,代表初始集选择算法和加权距离函数。多任务学习技术增强了模型的可预测性。综合转移学习和多任务学习模型表现出最佳的准确性,因为深度神经网络具有一般的特征提取能力,转移学习和多任务学习改进了模型的推广。结论:首先介绍了改进数据集分裂算法的综合转移学习和多任务学习方法,以预测药代动力学参数。该方法可以进一步用于药物发现和开发。
translated by 谷歌翻译
我们提出并分析了$(1,\ lambda)$进化算法的自适应版本,其中当前的突变率是个体的一部分,因此也受到突变。对OneMax基准测试函数进行严格的运行时分析,发现当一个简单的局部变异方案导致$ O(n \ lambda / \ log \ lambda + n \ log n)$时的预期优化时间(适应度评估次数)$ \ lambda $至少是$ C \ ln n $ forsome constant $ C> 0 $。对于$ \ lambda \ ge C \ ln n $的所有值,在所有基于$ \ lambda $ -parallelmutation的无偏黑框算法中,此性能是渐近最佳的。我们的结果表明,进化计算中的自适应可以在运行中找到复杂的最优参数设置。同时,证明了Doerr,Gie {\ ss} en,Witt和Yang~(GECCO~2017)提出的相对复杂的突变率自调整方案可以用我们的简单内生方案代替。在技​​术方面,本文为分析动态参数选择中出现的二维漂移过程提供了新的工具,包括非恒定漂移过程中的占据概率。
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
视觉定位是一个有吸引力的问题,它基于查询图像估计来自数据库图像的相似定位。它是各种应用的关键任务,例如自动驾驶汽车,辅助导航和增强现实。任务的挑战性问题在于查询和数据库图像之间的不同外观变化,包括照明变化,季节变化,动态对象变化和观点变化。为了应对这些挑战,本文提出了全景环形透镜和强大的深度图像描述符的全景环形定位器。处理由单个摄像机捕获的全景环形图像并将其馈送到NetVLAD网络中以形成活动的深度描述符,并且利用顺序匹配来生成定位结果。在公共数据集和现场进行的实验说明了所提出的系统的验证。
translated by 谷歌翻译
从图像中自动消除雨水效果有许多应用,例如自动驾驶,无人机驾驶和照片编辑,并且仍然吸引了许多人的注意力。传统方法使用启发式手工制作各种先验,以从图像中移除或分离雨效果。最近提出了基于端到端深度学习的去除方法以提供更大的灵活性和有效性。然而,当遇到大雨的图像时,它们往往不会获得良好的视觉效果。大雨带来了不仅有雨的条纹,还有由于微小雨滴积聚而产生的雾状效应。与以往的去除方法不同,在本文中,我们使用新的雨模型来模拟雨水图像,不仅可以去除雨水条纹,还可以消除类似雾霾的效果。在我们的模型的指导下,我们设计了一个双分支网络来容忍其参数。然后,联合训练SPP结构以改进我们模型的结果,以便灵活地控制去除雾状效果的程度。此外,提出了一种可以定位雨天像素的子网,以指导我们的网络训练。在几个数据集上的广泛实验表明,我们的方法在目标评估和视觉质量方面都优于最先进的技术。
translated by 谷歌翻译
空间音频是观众对3D视觉和听觉体验的重要媒介。然而,记录设备和技术是昂贵的或者对于普通大众来说是不可访问的。在这项工作中,我们提出了一个自我监督的音频空间化网络,可以在给定相应的视频和单声道音频的情况下生成空间音频。为了增强空间化性能,我们使用辅助分类器对地面实况视频和左右声道交换的视频分类进行分类。我们收集具有空间音频的大型视频数据集以验证所提出的方法。实验结果证明了该模型在音频空间化任务中的有效性。
translated by 谷歌翻译
给定图形模型(GM),计算其分区函数是最重要的推理任务,但它在计算上通常是难以处理的。针对该问题,探索GM的某些局部结构/一致性的迭代近似算法已被研究作为实践中的流行选择。然而,由于它们的局部/迭代性质,它们经常输出异常或甚至不收敛,例如,在低温状态(大参数的硬实例)中。为了克服这个限制,我们提出了利用GM的全局光谱特征的新方法。我们的贡献是双重的:(a)我们首先提出一种完全多项式时间近似方案(FPTAS),用于近似与低阶秩耦合矩阵相关的GM的分区函数; (b)对于一般的高阶GM,我们利用(a)作为子程序设计一个光谱领域方案,其中它将高阶GM近似为秩-1 GM的乘积,以便有效地近似分区函数。所提出的算法在运行时间和精度上比现有方法更稳健,即,既不会遇到收敛问题,也不依赖于硬局部结构,如我们的实验所示。
translated by 谷歌翻译
贝叶斯推理的现代应用涉及足够复杂的模型,相应的后验分布是必需的并且必须近似。最常见的近似是基于马尔可夫链蒙特卡罗,但是当数据集很大和/或模型很复杂时这些可能很昂贵,因此更有效的变分近似最近得到了相当多的关注。传统的变分方法,旨在最小化Kullback - Leibler在相对简单的参数族之间的差异,提供后验均值的准确和有效的估计,但往往不捕捉其他时刻,并且在模型方面有局限性。它们可以应用。在这里,我们提出了基于最小化Fisher散度的变分近似的构造,并开发了一种有效的计算算法,该算法可以应用于各种模型而无需共轭或可能不现实的中心假设。我们证明了所提出的方法对于逻辑回归的基准情况的优越性能。
translated by 谷歌翻译