从大脑活动中解码语言是医疗保健和神经科学中期待已久的目标。由于颅内设备，最近已经达到了主要里程碑：对基本语言任务的侵入性大脑反应训练的主题特定管道现在开始有效地解释可解释的功能（例如字母，单词，频谱图）。但是，将这种方法扩展到自然语音和非侵入性脑记录仍然是一个主要挑战。在这里，我们提出了一个端到端的架构，该体系结构在大量个体中进行了对比学习，以预测自然语音的自我监督的表现。我们在四个公共数据集上评估了我们的模型，其中包括169名用磁性或电脑图（M/EEG）记录的志愿者，同时他们听了自然的语音。结果表明，我们的模型可以从3s MEG信号中识别出相应的语音段，其中1,594个不同的段中最高72.5％的前10个精度（和44％的TOP-1准确性），最多可在19.1％中获得19.1％。脑电图记录的2,604个细分市场 - 因此允许训练集中不存在短语。模型比较和消融分析表明，这些性能直接从我们的原始设计选择中受益，即（i）对比目标，（ii）语音的预估计表示和（iii）在几个参与者中同时培训的常见卷积架构。这些结果共同描述了一个有希望的途径，可以从无创的大脑活动记录中实时解码自然语言处理。
translated by 谷歌翻译
混合边界成形是提高大型MIMO系统能源效率的有前途的技术。特别是，亚阵列混合边界可以通过减少相移数来进一步降低功耗。但是，由于子阵列连接的离散性质和移相量的离散性质，设计混合波束形成向量是一项复杂的任务。找到RF链和天线之间的最佳连接需要在大型搜索空间中解决非凸面问题。此外，常规解决方案假定可用的CSI可用，这在实际系统中并非如此。因此，我们提出了一种新型的无监督学习方法，以设计任何子阵列结构的杂交光束，同时支持量化的相位变速器和嘈杂的CSI。该拟议的体系结构的一个主要特征是不需要波束成形的代码簿，并且对神经网络进行了训练以考虑相变量的量化。仿真结果表明，所提出的深度学习解决方案可以比现有方法获得更高的总和率。
translated by 谷歌翻译
关于语言模型（LMS）的先前工作表明，对大量不同任务进行培训可以改善新任务的少数学习（FSL）表现。我们将其带到极端，从Internet表中自动提取413,299个任务 - 比下一大公共数据集的数量级多。在生成的数据集上进行填充可改善自然语言处理（NLP）任务的FSL性能，但与数据集量表不成比例。实际上，我们发现数据集的狭窄子集有时比数据集更优于多样化的数据集。例如，从support.google.com上对软件文档进行填充，在52个下游任务上提高了FSL性能，平均 +7.5％，该任务击败了40个人类策划的NLP数据集（ +6.7％）的培训。在各种狭窄数据集上进行填充会导致在测试任务之间进行类似的广泛改进，这表明收益不是来自域的适应性，而是适应FSL。我们没有观察到导致FSL收益的数据集之间的清晰模式，而是关于某些数据为何有助于FSL的开放问题。
translated by 谷歌翻译
我们引入了责任感敏感安全性（RSS）的目标延长，这是一种基于规则的自动驾驶系统安全保证（ADS）的方法。制定RSS规则保证目标实现 - 除了原始RSS中的避免碰撞外，还需要进行长时间的操纵序列的复杂计划。为了应对复杂性，我们基于程序逻辑引入了一个构图推理框架，其中可以系统地为较小的子赛车制定RSS规则，并将它们组合起来以获取用于较大场景的RSS规则。作为框架的基础，我们介绍了一个程序逻辑DFHL，可满足连续的动态和安全条件。我们的框架介绍了基于DFHL的工作流程，用于导出目标感知RSS规则；我们也讨论其软件支持。我们在安全体系结构中使用RSS规则进行了实验评估。它的结果表明，目标感知RSS确实有效地实现了避免碰撞和目标实现目标。
translated by 谷歌翻译
非负Tucker分解（NTD），一个张量分解模型，近年来的兴趣增加了兴趣，因为它能够盲目地提取张量数据中的有意义的模式。然而，对计算NTD的现有算法主要是为欧几里德丢失而设计的。另一方面，NTD最近被证明是音乐信息检索的强大工具。这项工作提出了一种乘法更新算法来计算NTD的β发散损耗，通常被认为是音频处理的更好的损失。我们显着展示如何使用Tensor代数来实现有效的乘法规则，这是一个天真的方法是棘手的。最后，我们展示了音乐结构分析任务，即无监督的NTD符合β发散损失的损失优于早期的欧几里德损失获得的结果。
translated by 谷歌翻译
The standard semantics of multi-agent epistemic logic S5 is based on Kripke models whose accessibility relations are reflexive, symmetric and transitive. This one dimensional structure contains implicit higher-dimensional information beyond pairwise interactions, that we formalized as pure simplicial models in a previous work (Information and Computation, 2021). Here we extend the theory to encompass simplicial models that are not necessarily pure. The corresponding class of Kripke models are those where the accessibility relation is symmetric and transitive, but might not be reflexive. Such models correspond to the epistemic logic KB4 . Impure simplicial models arise in situations where two possible worlds may not have the same set of agents. We illustrate it with distributed computing examples of synchronous systems where processes may crash.
translated by 谷歌翻译
工业机器人的机器人编程方法是耗时的，并且通常需要运营商在机器人和编程中具有知识。为了降低与重新编程相关的成本，最近已经提出了使用增强现实的各种接口，为用户提供更直观的手段，可以实时控制机器人并在不必编码的情况下编程它们。但是，大多数解决方案都要求操作员接近真正的机器人的工作空间，这意味着由于安全危险而从生产线上移除它或关闭整个生产线。我们提出了一种新颖的增强现实界面，提供了用户能够建模工作空间的虚拟表示，该工作空间可以被保存和重复使用，以便编程新任务或调整旧任务，而无需与真正的机器人共同定位。与以前的接口类似，操作员随后可以通过操纵虚拟机器人来实时地控制机器人任务或控制机器人。我们评估所提出的界面与用户学习的直观和可用性，其中18名参与者为拆卸任务编写了一个机器人操纵器。
translated by 谷歌翻译