我们开发了一种自动变分方法,用于推导具有高斯过程(GP)先验和一般可能性的模型。该方法支持多个输出和多个潜在函数,不需要条件似然的详细知识,只需将其评估为ablack-box函数。使用高斯混合作为变分分布,我们表明使用来自单变量高斯分布的样本可以有效地估计证据下界及其梯度。此外,该方法可扩展到大数据集,这是通过使用诱导变量使用增广先验来实现的。支持最稀疏GP近似的方法,以及并行计算和随机优化。我们在小数据集,中等规模数据集和大型数据集上定量和定性地评估我们的方法,显示其在不同似然模型和稀疏性水平下的竞争力。在涉及航空延误预测和手写数字分类的大规模实验中,我们表明我们的方法与可扩展的GP回归和分类的最先进的硬编码方法相同。
translated by 谷歌翻译
深度学习建立在梯度下降与目标函数收敛于局部最小值的基础上。不幸的是,这种保证在诸如生成对抗网之类的设置中失败,这些设置表现出多种相互作用的损失。基于梯度的方法在游戏中的行为并未被理解 - 并且随着对抗性和多目标体系结构的激增而变得越来越重要。在本文中,我们开发了新的工具来理解和控制n玩家可区分游戏的动态。关键的结果是将雅可比游戏分解为两个组成部分。第一个对称分量与潜在的游戏有关,这些游戏在隐式函数上减少了梯度下降。第二个反对称组件涉及哈密尔顿游戏,这是一类新的游戏,遵循经典机械系统中的守恒定律。分解激发了辛差梯度调整(SGA),这是一种在可微分游戏中寻找稳定不动点的新算法。基本实验表明,SGA与最近提出的用于在GAN中找到稳定的固定点的算法具有竞争性 - 同时适用于并且具有更多一般情况的保证。
translated by 谷歌翻译
鱼眼摄像机通常用于获得大视场监视,增强现实以及特别是汽车应用。尽管普遍存在,但很少有公共数据集用于详细评估鱼眼图像上的计算机视觉算法。我们发布了第一个广泛的鱼眼汽车数据集WoodScape,它以1906年发明了鱼眼摄像机的罗伯特·伍德的名字命名.WoodScape包括四个环视摄像机和一些任务,包括分割,深度估计,3D边界框检测和污染检测。实例级别的40个类的语义标注为10,000多个图像提供,并为超过100,000个图像提供其他任务的注释。我们希望鼓励社区适应鱼眼摄像机的计算机视觉模型,而不是天真的整改。
translated by 谷歌翻译
准确检测3D物体是计算机视觉中的一个基本问题,对自动驾驶汽车,增强/虚拟现实以及机器人技术中的多种应用产生巨大影响。在这项工作中,我们提出了基于神经网络的最先进的3D检测器和自动驾驶环境中的视觉语义分割的新颖融合。此外,我们还引入了刻度 - 旋转 - 平移分数(SRT),这是一种快速且高度参数化的评估指标,用于对象检测的比较,可将我们的参考时间加速到20%,并将训练时间缩短一半。最重要的是,我们在对象测量上应用最先进的在线多目标特征跟踪,以利用时间信息进一步提高准确性和鲁棒性。我们在KITTI上的实验表明,我们在所有相关类别中获得与最先进技术相同的结果,同时保持性能和准确性的权衡并仍然实时运行。此外,我们的模型是第一个融合视觉语义和3D对象检测的模型。
translated by 谷歌翻译
在本文中,我们提出了可利用性下降,一种新的算法,用于通过针对最坏情况的直接策略优化来计算具有不完全信息的双玩家零和广义形式游戏中的近似均衡。我们证明,当遵循这种优化时,玩家策略的可利用性渐近地收敛为零,因此当两个玩家都采用这种优化时,联合策略会收敛到纳西均衡。与虚构游戏(XFP)和反事实后悔化(CFR)不同,我们的融合结果与被优化的政策而不是平均政策有关。我们的实验表明,在四个基准游戏中,收敛率与XFP和CFR相当。使用函数逼近,我们发现我们的算法在两个游戏中执行表格版本,据我们所知,这是在这类算法中不完全信息游戏中的第一个这样的结果。
translated by 谷歌翻译
本文描述,开发和验证SciLens,一种评估科学新闻文章质量的方法。我们工作的出发点是结构化方法,定义了手动评估新闻的一系列质量方面。基于这些方面,我们描述了一系列新闻质量指标。根据我们的实验,这些指标可以帮助非专家更准确地评估科学新闻文章的质量,比较那些无法获得这些指标的专家。此外,SciLenscan还可用于为anarticle生成完全自动化的质量评分,与专家评估人员相比,非专家评估人员的评估更多。 SciLens的主要元素之一是关注文章的内容和背景,其中上下文由(1)文章对科学文献的明确和隐含参考,以及(2)社交媒体引用文章的反应提供。我们表明,两种语境元素都可以成为确定文章质量的重要信息来源。 SciLens的验证,通过专家和非专家注释的结合,证明了它对科学新闻的半自动和自动质量评估的有效性。
translated by 谷歌翻译
建筑能源管理领域近年来获得了大量的兴趣。该领域涉及将先进的传感器技术,通信和先进的控制算法相结合,以优化能源利用。强化学习是用于控制问题的最突出的机器学习算法之一,并且在建筑能源管理领域已经取得了许多成功的应用。本研究对与重建学习在开发自治建筑能源管理系统中的应用相关的文献进行了全面的综述。还概述了未来研究的主要方向和加强学习的挑战。
translated by 谷歌翻译
使用自我游戏的强化学习(RL)的最新进展已经在几种棋盘游戏(例如,Chess and Go)以及视频游戏(例如,Atari游戏和Dota2)上表现出显着的性能。从零知识开始,RL可能能够在经过一定程度的训练后逐渐接近胜利战略,这是合理的。在本文中,我们探索神经蒙特卡罗树搜索(神经MCTS),这是一种RL算法,已被DeepMind成功应用于超人类级别的Go和Chess。我们尝试容忍神经MCTS的计算能力来解决一类组合优化问题。根据Hintikka的游戏 - 理论语义学的观点,我们建议Z​​ermelo游戏化(ZG)将特定的组合优化问题转化为Zermelo游戏,其获胜策略对应于原始优化问题的解决方案。 ZG还提供专门设计的神经MCTS。我们使用组合规划问题,其中地面实况政策可以有效地计算,以证明ZG是有希望的。
translated by 谷歌翻译
深度神经网络(DNN)已经在许多基准和问题域中产生了最先进的结果。但是,DNN的成功取决于其体系结构和超参数的正确配置。这样的配置是困难的,因此,DNN通常不会用于其充分的潜力。此外,商业应用中的DNN通常需要满足现实世界的设计约束,例如参数的大小或数量。 Tomake配置更容易,自动机器学习(AutoML)系统用于深度学习已经开发,主要侧重于优化超参数。本文将AutoML向前推进了一步。它引入了一种名为LEAF的进化AutoML框架,它不仅优化了超参数,还优化了网络架构和网络规模。 LEAF使用最先进的进化算法(EA)和分布式计算框架。医学图像分类和自然语言分析的实验结果表明,该框架可用于实现最先进的性能。特别是,LEAF证明了架构优化提供了超过超参数优化的显着推动,并且可以在性能较低的同时最小化网络。因此,LEAF为人工智能的民主化和改进奠定了基础,并使AI在未来的应用中具有实用性。
translated by 谷歌翻译
我们提出了可预测性,可计算性和稳定性(PCS)框架,以从可以指导科学假设生成和实验设计的数据中提取可重复的知识。 PCS框架建立在机器学习的基础上,使用可预测性作为现实检查,评估数据收集,数据存储和算法设计中的计算考虑因素。它通过一个总体稳定性原则来增强PC,这大大扩展了传统的统计不确定性考虑因素。特别是,稳定性评估结果在数据科学生命周期中的选择(或扰动)方面的变化,包括问题制定,预处理,建模(数据和算法扰动),建模前后的探索性数据分析(EDA)。此外,我们开发PCS推理来研究数据结果的稳定性,并确定何时模型与相对简单的现象一致。我们将PCS推理与现有方法(例如选择性推理)在高维稀疏线性模型模拟中进行比较,以证明我们的方法在广泛的模拟设置范围内始终优于其他方法的ROC曲线。最后,我们提出了一个基于Rmarkdown,iPython或Jupyter Notebook的PCS文档,其中包含公开可用,可重现的代码和叙述,以支持人类在整个分析过程中做出的选择。 PCS工作流程和文档在Zenodo上提供的基因组学研究中得到了证明。
translated by 谷歌翻译