机器学习显着增强了机器人的能力，使他们能够在人类环境中执行广泛的任务并适应我们不确定的现实世界。机器学习各个领域的最新作品强调了公平性的重要性，以确保这些算法不会再现人类的偏见并导致歧视性结果。随着机器人学习系统在我们的日常生活中越来越多地执行越来越多的任务，了解这种偏见的影响至关重要，以防止对某些人群的意外行为。在这项工作中，我们从跨学科的角度进行了关于机器人学习公平性的首次调查，该研究跨越了技术，道德和法律挑战。我们提出了偏见来源的分类法和由此产生的歧视类型。使用来自不同机器人学习域的示例，我们研究了不公平结果和减轻策略的场景。我们通过涵盖不同的公平定义，道德和法律考虑以及公平机器人学习的方法来介绍该领域的早期进步。通过这项工作，我们旨在为公平机器人学习中的开创性发展铺平道路。
translated by 谷歌翻译
Panoptic现场了解和跟踪动态代理对于机器人和自动化车辆至关重要，以在城市环境中导航。由于LiDAR提供了方案的精确照明和几何描绘，使用LIDAR点云执行这些任务提供可靠的预测。然而，现有数据集缺乏城市场景类型的多样性，并且具有有限数量的动态对象实例，其阻碍了这些任务的学习以及开发方法的可信基准。在本文中，我们介绍了大规模的Panoptic Nuscenes基准数据集，它扩展了我们流行的NUSCENES DataSet，具有用于语义分割，Panoptic分段和Panoptic跟踪任务的Pock-Wise Trountruth annotations。为了便于比较，我们为我们提出的数据集提供了几个任务的强大基线。此外，我们分析了Panoptic跟踪的现有度量标准的缺点，并提出了一种解决问题的小说实例的Pat度量。我们提供详尽的实验，展示了Panoptic Nuscenes与现有数据集相比的效用，并在Nuscenes.org提供的在线评估服务器。我们认为，此扩展将加快新颖的现场了解动态城市环境的新方法研究。
translated by 谷歌翻译
Modern machine learning pipelines are limited due to data availability, storage quotas, privacy regulations, and expensive annotation processes. These constraints make it difficult or impossible to maintain a large-scale model trained on growing annotation sets. Continual learning directly approaches this problem, with the ultimate goal of devising methods where a neural network effectively learns relevant patterns for new (unseen) classes without significantly altering its performance on previously learned ones. In this paper, we address the problem of continual learning for video data. We introduce PIVOT, a novel method that leverages the extensive knowledge in pre-trained models from the image domain, thereby reducing the number of trainable parameters and the associated forgetting. Unlike previous methods, ours is the first approach that effectively uses prompting mechanisms for continual learning without any in-domain pre-training. Our experiments show that PIVOT improves state-of-the-art methods by a significant 27% on the 20-task ActivityNet setup.
translated by 谷歌翻译
物理量的估计是大多数科学研究的核心，量子设备的使用有望增强其性能。在实际情况下，考虑到资源有限，贝叶斯自适应估计代表了有效分配所有可用资源的有效分配的强大方法，这是至关重要的。但是，该框架依赖于系统模型的精确知识，并以精细的校准检索，通常会在计算和实验要求上导致要求。在这里，我们介绍了一种基于模型和深度学习的方法，以有效地实施实现现实的贝叶斯量子计量任务，以实现所有相关挑战，而无需依靠对系统的任何APRIORI知识。为了克服这一需求，直接对实验数据进行了神经网络，以学习多参数贝叶斯更新。然后，通过通过训练并增强研究量子传感器的实验启发式的训练和增强实验启发式的增强学习算法提供的反馈，将系统设置为最佳工作点。值得注意的是，我们在实验上证明了比标准方法更高的估计性能实现，这证明了这两种黑盒算法在集成光子电路上的组合强度。这项工作是迈向完全基于人工智能的量子计量学的重要一步。
translated by 谷歌翻译
我们研究了从类别理论的数学字段中的英语文本中提取数学实体的不同系统，作为构建数学知识图的第一步。我们考虑四个不同的术语提取器，并比较它们的结果。这个小实验展示了从嘈杂域文本中提取的术语的构建和评估的一些问题。我们还提供了研究数学的两个开放语料库，尤其是类别理论：一小部分来自TAC期刊（3188个句子）的摘要，以及来自NLAB社区Wiki（15,000个句子）的较大语料库。
translated by 谷歌翻译
上下文：测试气味是开发测试用例时采用的亚最佳设计选择的症状。先前的研究证明了它们对测试代码可维护性和有效性的有害性。因此，研究人员一直在提出基于启发式的自动化技术来检测它们。但是，此类探测器的性能仍然有限，并且取决于要调整的阈值。目的：我们提出了基于机器学习来检测四种测试气味的新型测试气味检测方法的设计和实验。方法：我们计划开发最大的手动验证测试气味数据集。该数据集将被利用来训练六个机器学习者，并在跨项目内和跨项目内评估其功能。最后，我们计划将我们的方法与最新的基于启发式的技术进行比较。
translated by 谷歌翻译
课程学习是一种强大的培训方法，可以在某些情况下更快，更好的培训。但是，这种方法需要一个概念，即哪些示例很难且容易，这并不总是很容易提供。最近称为C得分的度量标准将其作为代理，例如，将其与学习一致性联系起来。不幸的是，这种方法是相当大的强化，从而限制了其对替代数据集的适用性。在这项工作中，我们通过不同的方法训练模型，以预测CIFAR-100和CIFAR-10的C得分。但是，我们发现这些模型在相同的分布和分布不足之内都概括了。这表明C分数不是由每个样本的个体特征定义的，而是由其他因素定义的。我们假设样本与其邻居的关系，尤其是其中有多少人共享相同的标签，可以帮助解释C分数。我们计划在未来的工作中探索这一点。
translated by 谷歌翻译
持续的学习方法努力减轻灾难性遗忘（CF），在学习新任务时，从以前学习的任务中丢失了知识。在这些算法中，有些在训练时维护以前任务中的样本子集。这些样本称为内存。这些方法表现出出色的性能，同时在概念上简单易于实现。然而，尽管它们很受欢迎，但几乎没有做任何事情来理解要包含在记忆中的元素。当前，这种记忆通常是通过随机抽样填充的，没有指导原则可以有助于保留以前的知识。在这项工作中，我们提出了一个基于称为一致性意识采样（CAWS）的样本的学习一致性的标准。该标准优先考虑通过深网更容易学习的样本。我们对三种不同的基于内存的方法进行研究：AGEM，GDUMB和经验重播，在MNIST，CIFAR-10和CIFAR-100数据集上。我们表明，使用最一致的元素在受到计算预算的约束时会产生性能提高；如果在没有这种约束的情况下，随机抽样是一个强大的基线。但是，在经验重播上使用CAWS可以改善随机基线的性能。最后，我们表明CAWS取得了与流行的内存选择方法相似的结果，同时需要大大减少计算资源。
translated by 谷歌翻译
可激发的光电设备代表了在神经形态（脑启发）光子系统中实施人工尖峰神经元的关键构件之一。这项工作介绍并实验研究了用谐振隧穿二极管（RTD）构建的光电 - 光学（O/E/O）人工神经元，该神经元（RTD）耦合到光电探测器作为接收器和垂直腔表面发射激光器作为发射机。我们证明了一个明确定义的兴奋性阈值，在此上面，该神经元在该神经元中产生100 ns的光学尖峰反应，具有特征性的神经样耐受性。我们利用其粉丝功能来执行设备中的重合检测（逻辑和）以及独家逻辑或（XOR）任务。这些结果提供了基于RTD的Spiking光电神经元的确定性触发和任务的首次实验验证，并具有输入和输出光学（I/O）终端。此外，我们还从理论上研究了拟议系统的纳米光子实施的前景，并结合了纳米级RTD元素和纳米剂的整体设计。因此，在未来的神经形态光子硬件中，证明了基于RTD的综合兴奋节点对低足迹，高速光电尖峰神经元的潜力。
translated by 谷歌翻译
支架再狭窄是由于球囊扩张和支架放置引起的血管损伤，冠状动脉窄的复发。它可能导致心绞痛症状或急性冠状动脉综合征复发。提出了具有四个不确定参数（内皮再生时间，平滑肌细胞粘合断裂，血流速度和内部弹性薄片的衰减百分比）的支架内再狭窄模型的不确定性定量。研究了两种兴趣，即血管平均横截面积和最大相对区域损失。由于模型的计算强度和不确定量化所需的评估的数量，基于具有适当正交分解的高斯过程回归的代理模型，随后在不确定量化中取代了原始的内支架再生模型。提出了对不确定性传播和敏感性分析的详细分析。在平均横截面积和最大相对面积损失上观察到大约11％和16％的不确定性，并且不确定性估计表明，更高的失败主要决定了该过程初始阶段的内部生长中的不确定性。另一方面，血流速度和内皮再生时间的不确定性主要在后期的临床相关阶段的临床相关阶段来确定患者数量的不确定性。与其他不确定参数相比，阈值应变中的不确定性相对较小。
translated by 谷歌翻译