知识图（kgs）以（头，谓词，尾部） - 轨道的形式存储信息。为了增强具有新知识的公斤，研究人员提出了kg完成（kgc）任务的模型，例如链接预测；即，回答（H; P;？）或（？; P; t）查询。这种模型通常在固定测试集上使用平均指标进行评估。尽管对于跟踪进度有用，但平均的单分数指标无法透露模型到底学到的或未能学习的内容。为了解决这个问题，我们提出了KGXBoard：一个交互式框架，用于对有意义的数据子集进行精细颗粒评估，每个框架都测试了KGC模型的个人和可解释功能。在我们的实验中，我们强调了使用KGXBoard发现的发现，这是无法通过标准平均单分数指标来检测到的。
translated by 谷歌翻译
通过以人为本的研究（HCR），我们可以引导研究活动，以便研究结果对人类利益相关者（例如最终用户）有益。但是，是什么使研究以人为中心为中心？我们通过提供工作定义来解决这个问题，并定义如何将研究管道分为不同的阶段，在这些阶段中可以添加以人为中心的组件。此外，我们使用HCR组件讨论了现有的NLP，并定义了一系列的指导问题，这些问题可以作为有兴趣探索以人为中心的研究方法的研究人员的起点。我们希望这项工作能够激发研究人员完善所提出的定义，并提出其他对实现HCR有意义的问题。
translated by 谷歌翻译
随着现实应用程序中AI系统的兴起，需要可靠和值得信赖的AI。一个基本方面是可解释的AI系统。但是，关于应如何评估可解释的AI系统的商定标准。受图灵测试的启发，我们引入了一个以人为本的评估框架，领先的领域专家接受或拒绝AI系统和另一个领域专家的解决方案。通过比较提供的解决方案的接受率，我们可以评估AI系统与域专家相比的性能，以及AI系统的解释（如果提供）是否可以理解。该设置与图灵测试相当 - 可以作为各种以人为中心的AI系统评估的框架。我们通过提出两个实例来证明这一点：（1）评估系统的分类准确性，可以选择合并标签不确定性； （2）评估以人为中心确定提供的解释的有用性。
translated by 谷歌翻译
我们日常生活中的深度学习是普遍存在的，包括自驾车，虚拟助理，社交网络服务，医疗服务，面部识别等，但是深度神经网络在训练和推理期间需要大量计算资源。该机器学习界主要集中在模型级优化（如深度学习模型的架构压缩），而系统社区则专注于实施级别优化。在其间，在算术界中提出了各种算术级优化技术。本文在模型，算术和实施级技术方面提供了关于资源有效的深度学习技术的调查，并确定了三种不同级别技术的资源有效的深度学习技术的研究差距。我们的调查基于我们的资源效率度量定义，阐明了较低级别技术的影响，并探讨了资源有效的深度学习研究的未来趋势。
translated by 谷歌翻译
我们提出了一种在带有多边形边界的连续平面工作区中，用于标记，磁盘形多机器人路径计划（MPP）的集中式算法。我们的方法会自动将连续问题转换为离散的基于图的变体，称为卵石运动问题，可以有效地解决。为了构建基础卵石图，我们通过内侧轴转换在工作区中的刻有圆圈，并将机器人组织到每个刻有圆圈内的层中。我们表明，我们的分层卵石图可实现无碰撞运动，使所有图形限制的MPP实例都是可行的。然后可以通过将机器人从与图形顶点路由和图形顶点求解的本地导航进行求解的MPP实例。我们在具有高机器人包装密度的多种环境（最高$ 61.6 \％的工作区）上测试了我们的方法。对于通道狭窄的环境，这种密度违反了最先进的MPP计划者做出的完善的假设，而我们的方法的平均成功率为$ 83 \％$。
translated by 谷歌翻译