为会话代理定义行动空间并通过强化学习优化他们的决策制定过程是一个持久的挑战。通常的做法是使用手工制作的对话行为或输出词汇,例如:在神经编码器解码器中,作为动作空间。两者都有自己的局限性。本文提出了一种新的潜在行动框架,它将端到端对话代理的动作空间作为潜在变量进行处理,并开发无监督方法,以便从数据中引出自己的动作空间。综合实验研究了连续和离散动作类型以及基于随机变分推理的两种不同的优化方法。结果表明,在DealOrNoDeal和MultiWoz对话框中,所提出的潜在行为比先前的单词级政策梯度方法具有更好的经验性能改进。我们的详细分析还提供了有关政策学习的各种潜在变量方法的见解,并可作为在未来研究中开发更好的潜在反应的基础。
translated by 谷歌翻译
对话状态跟踪是口语对话系统的核心部分。在每次对话转变时都会考虑可能的用户目标的信念。然而,对于大多数当前的方法,很难扩展到大型对话域。它们具有以下一个或多个限制:(a)某些模型在本体中的槽值动态变化的情况下不起作用; (b)模型参数的数量与槽的数量成正比; (c)一些基于手工制作词典的模型提取特征。为了应对这些挑战,我们提出了StateNet,一个普遍的对话状态跟踪器。它独立于值的数量,在所有插槽中共享参数,并使用预先训练的字向量而不是显式语义字典。我们在twodatasets上的实验表明,我们的方法不仅克服了局限性,而且显着优于最先进方法的性能。
translated by 谷歌翻译
在中国快速城市化建设过程中,城市地理信息的获取和及时的数据更新是城市精细化管理的重要和根本要素。随着国内遥感技术的发展,Gaofen-2(GF-2)高分辨率遥感图像的应用可以大大提高信息提取的准确性。本文介绍了一种基于面向对象分类方法的基于GF-2卫星数据的城市特征提取方法。利用光谱,空间属性和隶属函数相结合的方法绘制了南京市秦淮区的城市特色。数据预处理由ENVI软件执行,后续数据输出到eCognition软件中,用于面向对象的分类和城市特征信息的提取。最后,使用ARCGIS软件对获得的光栅图像分类结果进行矢量化,并将矢量图存储在库中,可用于进一步分析和建模。使用通过视觉解释和其他可靠的二级数据源获得的地面实况数据进行准确性评估。与基于像素的监督(神经网络)分类结果相比,开发的面向对象方法可以显着提高提取精度,经过人工解释后,总体准确率达到95.44%,Kappa系数为0.9405,客观证实面向对象方法的优越性和GF-2卫星数据利用的可行性。
translated by 谷歌翻译
本文描述了针对机器翻译(MT),实体发现和链接(EDL)以及文本和语音中的情景帧(SF文本和语音)的检测的低资源人类语言技术(LoReHLT)2018评估的ARIEL-CMU提交。
translated by 谷歌翻译
简单和全面是必要的,以便在解释黑箱决策系统时简明扼要地提供大量信息。然而,现有的可解释的机器学习方法不能同时考虑简洁性和全面性,这可能导致多余的解释。我们提出了一种系统无关的可解释方法,通过采用鼓舞人心的信息理论原则,信息瓶颈原理,提供了一个简短而全面的解释。使用信息理论目标,VIBI选择关于输入(简要性)最大压缩的实例关键特征,并且关于由该输入(综合)上的黑盒做出的决定提供信息。所选择的关键特征充当信息瓶颈,作为每个黑盒决策的简明解释。我们表明,VIBI在人类和定量指标评估的可解释性和保真度方面优于其他可解释的机器学习方法。
translated by 谷歌翻译
图像属性转移旨在将输入图像改变为具有预期属性的目标,近年来已经受到极大关注。然而,大多数现有方法缺乏将目标属性和无关信息去相关的能力,即其他属性。和背景信息,因此经常遭受模糊和文物。针对这些问题,我们提出了一种新颖的属性流形编码GAN(AME-GAN),用于全功能属性传输,可以修改和调整图像中的细节。具体来说,我们的方法将输入图像分为图像属性部分和图像背景部分,分别由属性潜变量和背景潜变量控制。通过将属性潜变量强加到高斯分布和背景潜变量到均匀分布,属性转移过程变得可控,图像生成更加逼真。此外,我们采用条件多尺度鉴别器来渲染准确和高质量的目标属性图像。三个流行数据集的实验结果证明了我们提出的方法在属性转移和图像生成质量两方面的优越性。
translated by 谷歌翻译
近年来,在端到端神经对话系统中生成信息响应引起了很多关注。以前的各种工作都利用了外部知识和对话背景来产生这样的反应。然而,很少有人证明他们有能力将适当的知识纳入应对措施。受此启发,本文提出了一种新的开放域对话生成模型,该模型采用后验知识分布来指导知识选择,从而在对话中生成更为恰当和信息丰富的响应。据我们所知,我们是第一个利用后验知识分布促进对话生成的人。我们对bot自动和人体评估的实验清楚地证实了我们模型优于最先进基线的优越性能。
translated by 谷歌翻译
进化算法已被广泛用于一系列随机优化问题。在大多数研究中,目标是优化解决方案的预期质量。受约束性违反具有极大破坏性影响的现实问题的启发,我们考虑了背包问题的一种变体,即利用最大$ $ alpha $的小概率违反背包容量限制的约束下利润最大化。这个问题被称为机会约束的背包问题,而且机会约束优化问题迄今为止在进化计算文献中很少受到关注。我们展示了如何在通过进化算法解决这些问题时使用流行的偏差等值,如Chebyshev不等式和Chernoff边界作为解决方案评估的一部分,并将我们的算法的有效性与广泛的机会约束背包实例进行比较。
translated by 谷歌翻译
与针对更好的图像分类模型的巨大研究成果相比,应用于物体探测器训练的努力在流行度和普遍性方面相形见绌。由于更复杂的网络结构和优化目标,各种训练策略和管道专门针对某些检测算法而设计。在这项工作中,我们探索了有助于将最先进的物体检测模型的性能提升到一个新水平而不会降低推理速度的通用调整。我们的实验表明,这些免费赠品的绝对精度可以高达5%,每个人都应该在一定程度上考虑到物体检测训练。
translated by 谷歌翻译
在Bagging偏最小二乘法(PLS)和主成分分析(PCA)算法的推动下,本文提出了一种主模型分析(PMA)方法。在所提出的PMA算法中,PCA和PLS被组合。在该方法中,多个PLS模型在子训练集上训练,从基于随机采样和替换方法的原始训练集导出。所有子PLS模型的回归系数融合在一个联合回归系数矩阵中。通过在联合回归系数矩阵上执行PCA来估计最终投影方向。将所提出的PMA方法与其他传统的降维方法进行了比较,如PLS,Bagging PLS,线性判别分析(LDA)和PLS-LDA。六个公共数据集的实验结果表明,我们提出的方法可以获得更好的分类性能,并且通常更稳定。
translated by 谷歌翻译