睡眠研究必须携带与睡眠损失相关的表型和有助于精神病理学的露出机制。最常见的是，调查人员手动将多色网络分类为警惕状态，这是耗时的，需要广泛的培训，并且容易出现帧间间变异性。虽然许多作品已经基于多个EEG通道成功开发了自动化状态分类器，但是我们的目标是生产一种自动化和开放式分类器，可以基于来自啮齿动物的单个皮质脑电图（EEG）来可靠地预测警惕状态，以最大限度地减少伴随的缺点通过电线束缚小动物到计算机程序。大约427小时的连续监测的脑电图，电灰度（EMG）和活性由总数据的571小时的域专家标记。在这里，我们评估各种机器学习技术对分类10-秒钟时期的各种机器学习技术的性能，进入三个离散类中的一种：矛盾，慢波或唤醒。我们的调查包括决策树，随机森林，天真贝叶斯分类器，Logistic回归分类器和人工神经网络。这些方法达到了约74％至约96％的精度。最值得注意的是，随机森林和巢穴分别实现了95.78％和93.31％的显着准确性。在这里，我们已经示出了各种机器学习分类器的潜力，以基于单个EEG读数和单一EMG读数自动，准确地和可靠地对警惕状态进行自动。
translated by 谷歌翻译
在本文中，我们介绍了基于差异驱动器快照机器人和模拟的用户研究的基于倾斜的控制的实现，目的是将相同的功能带入真正的远程介绍机器人。参与者使用平衡板来控制机器人，并通过头部安装的显示器查看了虚拟环境。使用平衡板作为控制装置的主要动机源于虚拟现实（VR）疾病；即使是您自己的身体与屏幕上看到的动作相匹配的小动作也降低了视力和前庭器官之间的感觉冲突，这是大多数关于VR疾病发作的理论的核心。为了检验平衡委员会作为控制方法的假设比使用操纵杆要少可恶意，我们设计了一个用户研究（n = 32，15名女性），参与者在虚拟环境中驾驶模拟差异驱动器机器人， Nintendo Wii平衡板或操纵杆。但是，我们的预注册的主要假设不得到支持。操纵杆并没有使参与者引起更多的VR疾病，而委员会在统计学上的主观和客观性上都更加难以使用。分析开放式问题表明这些结果可能是有联系的，这意味着使用的困难似乎会影响疾病。即使在测试之前的无限训练时间也没有像熟悉的操纵杆那样容易使用。因此，使董事会更易于使用是启用其潜力的关键。我们为这个目标提供了一些可能性。
translated by 谷歌翻译
用于训练机器学习（ML）模型的标签至关重要。通常，对于ML分类任务，数据集包含硬标签，但已证明使用软标签的学习可以产生模型概括，鲁棒性和校准的好处。较早的工作发现从多个注释者的硬标签形成软标签方面的成功；但是，这种方法可能不会融合到最佳标签，因此需要许多注释者，这可能是昂贵且效率低下的。我们专注于有效地从单个注释者那里引起软标签。我们通过众包研究（$ n = 242 $）收集并发布了CIFAR-10的软标签数据集。我们证明，使用标签学习可以实现可比的模型性能与先前的方法，同时需要更少的注释者。因此，我们的启发方法表明，有望使从业者能够通过更少的注释来享受改善模型性能和可靠性的好处，并为将来的数据集策展人提供指南，以了解从单个注释者那里利用更丰富信息（例如分类不确定性）的好处。
translated by 谷歌翻译
这项研究采用无限脉冲响应（IIR）图神经网络（GNN），有效地对智能网格数据的固有图形网络结构进行建模，以解决网络攻击本地化问题。首先，我们通过数值分析有限脉冲响应（FIR）和IIR图过滤器（GFS）的经验频率响应，以近似理想的光谱响应。我们表明，对于相同的滤波器顺序，IIR GF可以更好地近似所需的光谱响应，并且由于其合理类型的滤镜响应，它们也与较低阶GF的近似值相同。其次，我们提出了一个IIR GNN模型，以有效预测总线上的网络攻击的存在。最后，我们在样本（SW）和BUS（BW）水平的各种网络攻击下评估了模型，并将结果与现有架构进行比较。经过实验验证的是，所提出的模型的表现分别优于最先进的FIR GNN模型，分别在SW和BW定位方面分别优于9.2％和14％。
translated by 谷歌翻译
大型语言模型已被证明可以使用少量学习来实现各种自然语言任务的出色表现，这大大减少了将模型调整到特定应用程序所需的特定任务培训示例的数量。为了进一步了解量表对少量学习的影响，我们培训了一个5400亿个参数，密集激活的变压器语言模型，我们称之为“途径”语言模型棕榈。我们使用Pathways在6144 TPU V4芯片上训练了Palm，这是一种新的ML系统，可在多个TPU POD上进行高效的训练。我们通过在数百种语言理解和产生基准的基准方面实现最先进的学习结果来证明扩展的持续好处。在这些任务中，Palm 540B实现了突破性的表现，在一系列多步推理任务上表现出色，超过了最新的最新表现，并且在最近发布的Big Benchmark上表现优于平均人类表现。大量的大型基础任务显示出与模型量表的不连续改进，这意味着当我们扩展到最大模型时，性能急剧增加。 Palm在多语言任务和源代码生成方面也具有很强的功能，我们在各种基准测试中证明了这一点。我们还提供了有关偏见和毒性的全面分析，并研究了训练数据记忆的程度，相对于模型量表。最后，我们讨论与大语言模型有关的道德考虑，并讨论潜在的缓解策略。
translated by 谷歌翻译
本文考虑了使用户能够修改远程介绍机器人的路径的问题。该机器人能够自动导航到用户预定的目标，但是用户可能仍然希望修改路径，例如，远离其他人，或者更靠近她想在途中看到的地标。我们提出了人类影响的动态窗口方法（HI-DWA），这是一种基于动态窗口方法（DWA）的远程置换机器人的共享控制方法，该方法允许用户影响给予机器人的控制输入。为了验证所提出的方法，我们在虚拟现实（VR）中进行了用户研究（n = 32），以将HI-DWA与自主导航和手动控制之间的切换进行比较，以控制在虚拟环境中移动的模拟远程机器人。结果表明，用户使用HI-DWA控制器更快地实现了目标，并发现更容易使用。两种方法之间的偏好平均分配。定性分析表明，首选两种模式之间切换的参与者的主要原因是控制感。我们还分析了不同输入方法，操纵杆和手势，对偏好和感知工作量的影响。
translated by 谷歌翻译
我们建议展开沉浸式远程呈现机器人的用户所经历的轮换，以改善用户的舒适度并减少VR疾病。通过沉浸式远程呈现，我们指的是移动机器人顶部的360 \ TextDegree〜相机的情况将视频和音频流入遥远用户遥远的远程用户佩戴的头戴式展示中。因此，它使得用户能够在机器人的位置处存在，通过转动头部并与机器人附近的人进行通信。通过展开相机框架的旋转，当机器人旋转时，用户的观点不会改变。用户只能通过在其本地设置中物理旋转来改变她的观点;由于没有相应的前庭刺激的视觉旋转是VR疾病的主要来源，预计用户的物理旋转将减少VR疾病。我们实现了展开遍历虚拟环境的模拟机器人的旋转，并将用户学习（n = 34）进行比较，将展开旋转与机器人转弯时的ViewPoint转向。我们的研究结果表明，用户发现更优选且舒适的展开转动，并降低了他们的VR疾病水平。我们还进一步提出了关于用户路径集成功能，观看方向和机器人速度和距离的主观观察到模拟人员和对象的结果。
translated by 谷歌翻译
大物体的操纵和安全地在人类附近进行安全操作的能力是通用国内机器人助手的关键能力。我们介绍了一种柔软，触觉的人形的人形机器人的设计，并展示了用于处理大物体的全身丰富的接触操作策略。我们展示了我们的硬件设计理念，用于使用软触觉传感模块，包括：（i）低成本，抗缝，接触压力定位的武器， （ii）基于TRI软气泡传感器的爪子，用于最终效应器，（III）柔顺的力/几何传感器，用于粗糙几何感测表面/胸部。我们利用这些模块的机械智能和触觉感应，为全身抓握控制进行开发和展示运动原语。我们评估硬件在实现各种大型国内物体上实现不同优势的掌握。我们的结果表明，利用富含接触的操纵策略的柔软度和触觉感应的重要性，以及与世界的全身力量控制的互动前进的道路。
translated by 谷歌翻译
深度神经网络已广泛用于学习数据集的潜在结构，跨图像，形状和音频信号等模态。然而，现有模型通常是依赖的方式，需要自定义架构和目标来处理不同类别的信号。我们利用神经字段以典型的方式捕获图像，形状，音频和跨模型视听域中的底层结构。我们将任务作为学习歧管之一，我们的目标是推断我们的数据所在的低维，本地线性子空间。通过实施歧管，局部线性和局部等距的覆盖范围，我们的模型 - 被称为宝石 - 学会捕获跨模式的数据集的基础结构。然后，我们可以沿着我们歧管的线性区域旅行，以获得样品之间的感知一致的插值，并且可以进一步使用GEM在我们的歧管上恢复点，而不是不同的输入图像的完成，而是音频或图像信号的跨模式幻觉。最后，我们表明，通过走过宝石的底层歧管，我们可能会在信号域中生成新的样本。代码和其他结果可在https://yilundu.github.io/gem/获得。
translated by 谷歌翻译
设计优化算法一般表现良好，需要对一系列各种问题进行实验。培训神经网络是一项优化任务，在最近的深度学习成功方面已获得突出。尽管进化算法已用于培训神经网络，但梯度下降变体是迄今为止最常见的选择，其在大规模机器学习任务上的良好表现。在本文中，我们贡献了Cornn（使用神经网络对回归任务进行连续优化），这是一套大型套件，用于基准在神经网络培训问题上进行任何连续的黑盒算法的性能。使用一系列回归问题和神经网络体系结构，可以创建具有不同维度和难度级别的问题实例。我们通过比较了300多个问题实例的三种进化和基于群体的算法的性能，证明了康涅斯套件的使用，显示了算法之间的性能互补性的证据。作为基准，根据基于梯度的方法，基于人群的最佳算法的性能是基准的。 Cornn Suite作为公共Web存储库共享，以促进与现有基准平台的轻松集成。
translated by 谷歌翻译