紧张的机器人由刚性杆和柔性电缆组成，表现出高强度对重的比率和极端变形，使它们能够驾驭非结构化的地形，甚至可以在严酷的冲击力上生存。但是，由于其高维，复杂的动态和耦合体系结构，它们很难控制。基于物理学的仿真是制定运动策略的途径，然后可以将其转移到真实的机器人中，但是建模时态机器人是一项复杂的任务，因此模拟会经历大量的SIM2REAL间隙。为了解决这个问题，本文介绍了台词机器人的真实2SIM2REAL策略。该策略是基于差异物理引擎的，可以在真正的机器人（即离线测量和一个随机轨迹）中进行有限的数据进行训练，并达到足够高的精度以发现可转移的运动策略。除了整体管道之外，这项工作的主要贡献包括在接触点处计算非零梯度，损失函数和轨迹分割技术，该技术避免了训练期间梯度评估的冲突。在实际的3杆张力机器人上证明并评估了所提出的管道。
translated by 谷歌翻译
利用基于文本的节点属性的节点分类具有许多真实的应用程序，从学术引用图中的纸张主题到社交媒体网络中用户特征的分类范围。最新的节点分类框架（例如Giant）使用两阶段管道：首先嵌入图节点的文本属性，然后将所得嵌入的嵌入到节点分类模型中。在本文中，我们消除了这两个阶段，而是开发了建立在巨人基于端到端巨型（E2EG）的端到端节点分类模型。在我们的方法中，主体和辅助分类目标的串联利用导致了更强大的模型，从而使BERT主链可以切换为蒸馏编码器，其参数数量减少了25％-40％。此外，模型的端到端性质提高了易用性，因为它避免了链接多个模型进行节点分类的需求。与OGBN-ARXIV和OGBN产品数据集的巨型+MLP基线相比，我们的模型能够在换电环境（+0.5％）中获得稍好的精度，同时将模型培训时间最多减少40％。我们的模型也适用于电感设置，优于巨型 +MLP高达 +2.23％。
translated by 谷歌翻译
神经原理模型对于NLP任务的可解释预测很受欢迎。在其中，选择器提取了输入文本的片段，称为理由，并将这些段传递给分类器进行预测。由于基本原理是分类器可访问的唯一信息，因此可以将其定义为解释。这样的表征无条件正确吗？在本文中，我们与相反的论点说，哲学观点和经验证据都表明，理由模型也许比预期的不太理性和可解释。我们呼吁对这些模型进行更严格和全面的评估，以确保确实实现了可解释性的所需属性。该代码可以在https://github.com/yimingz89/neural-rationale-analysis中找到。
translated by 谷歌翻译
对头部磁共振成像（MRI）检查的需求不断增长，以及全球放射科医生的短缺，导致在全球报告头部MRI扫描所花费的时间增加。对于许多神经系统疾病，这种延迟会导致发病率和死亡率增加。一种自动分解工具可以通过在成像时识别异常并确定这些扫描的报告优先级来减少异常检查的报告时间。在这项工作中，我们提出了一个卷积神经网络，用于检测$ \ text {t} _2 $加权的头部MRI扫描中临床上相关的异常。使用经过验证的神经放射学报告分类器，我们从两家英国两家大型医院进行了43,754张标记的数据集，以进行模型培训，并在800张测试集上证明了准确的分类（AUC下的区域（AUC）= 0.943），由800张扫描集进行了标签。神经放射学家团队。重要的是，当仅在一家医院接受扫描培训时，模型从另一家医院进行了扫描（$ \ delta $ auc $ \ leq $ 0.02）。一项模拟研究表明，我们的模型将使异常检查的平均报告时间从28天到14天，并从两家医院的9天到5天，这表明在临床分类环境中使用了可行性。
translated by 谷歌翻译
特征归因方法在可解释的机器学习中受欢迎。这些方法计算每个输入特征的归属来表示其重要性，但没有关于“归因”的定义的共识，导致许多竞争方法，缺乏地面真理归因，特别是缺乏地面真实的归因。为了解决这个问题，我们提出了一个数据集修改程序来诱导如此的实践。使用此过程，我们评估三种常见方法：显着性图，理由和注意。我们确定了几种缺陷，向越来越多的证据质疑这些方法在野外数据集上应用这些方法的正确性和可靠性来添加新的视角。我们进一步讨论可能的补救途径，并在部署之前推荐以对地面真理进行测试的新归因方法。代码可在https://github.com/yilunzhou/feature --attribution-evaluation
translated by 谷歌翻译