电动汽车(EV)共享系统最近在全球范围内经历了前所未有的增长。在快速扩张期间,成功的一个基本决定因素是当整个系统不断发展时,能够动态预测站点的需求。这种动态需求预测问题存在几个挑战。首先,与预测只需要静态系统或在几个扩展阶段的大多数现有工作不同,在现实世界中,我们经常需要在站点部署或关闭之前预测需求,以便为决策提供信息和支持。其次,对于要部署的台站,没有可用于帮助预测其需求的历史记录或额外的移动数据。最后,部署/关闭站到系统中其余站的影响可能非常复杂。为了解决这些挑战,本文提出了一种基于图序列学习的新型动态需求预测方法,能够对系统扩展过程中的动态进行建模,并相应地预测需求。我们使用局部temporalencoding过程来处理个人站点的可用历史数据,并使用动态空间编码过程来考虑图表卷积神经网络之间的相关性。编码特征被馈送到多尺度预测网络,该网络预测电台的长期预期需求及其在近期的即时需求。我们对从上海的主要EV共享平台收集的实际数据进行了为期一年的评估。实验结果证明我们的方法明显优于现有技术,在预测快速扩展的EV共享系统的需求方面表现出高达三倍的性能提升。
translated by 谷歌翻译
众所周知,许多优化方法,包括用于过度参数化模型的SGD,SAGA和加速SGD,在平行设置中不能线性缩放。在本文中,我们提出了一个新版本的块coordinatedescent,它解决了许多方法的问题。核心思想是在每个并行单元上对坐标块进行采样,而不依赖于其他单元。令人惊讶的是,我们证明每次迭代中每个$ n $单位要更新的最佳块数等于$ m / n $,其中$ m $是总块数。作为一个例子,这意味着当使用$ n = 100 $并行单位时,$ 99 \%$的工作是浪费时间。我们证明,每个单元使用$ m / n $块,迭代复杂度通常仍然相同。在我们提到的其他应用程序中,这个事实可以在分布式优化的设置中被利用以打破通信瓶颈。我们的声明通过数值实验证明是合理的,这些实验证明了与我们在许多数据集上的理论几乎完全匹配。
translated by 谷歌翻译
训练非常大的机器学习模型需要分布式计算方法,模型更新的通信通常是瓶颈。出于这个原因,最近提出了几种基于更新的压缩(例如,稀疏化和/或量化)的方法,包括QSGD( Alistarh等,2017),TernGrad(Wen等,2017),SignSGD(Bernstein等,2018),和DQGD(Khirirat等,2018)。然而,这些方法都不能学习梯度,这意味着它们必然会遇到几个问题,例如在分批模式下无法收敛到真正的最佳状态,无法使用非光滑的正则化器,以及慢收敛速率。在这项工作中,我们提出了一种新的分布式学习方法--- DIANA ---通过压缩梯度差异来解决这些问题。我们在强凸和非凸面设置中进行理论分析,并表明我们的比率远远优于现有率。我们对块量化的分析以及$ \ ell_2 $和$ \ ell_ \ infty $量化之间的差异弥补了理论和实践中的差距。最后,通过将我们的分析技术应用于TernGrad,我们为此方法建立了第一个收敛。
translated by 谷歌翻译
MAPF是为多个代理找到路径的问题,使得每个代理达到其目标并且代理不会发生冲突。 MAPF上的大多数先前工作都在网格上,假设所有操作都相同,代理没有卷,并且考虑了离散时间步。在这项工作中,我们提出了一种MAPF算法,它不假设任何这些假设,是完整的,并提供可证明的最佳解决方案。该算法基于SIPP,连续时间单一代理规划算法和CBS(一种现有的多代理寻路算法)的新颖组合。我们分析这个算法,讨论它的利弊,并在几个标准基准上进行实验评估。
translated by 谷歌翻译
考虑一个Euclidean $ k $ -means或$ k $ -medians聚类的实例。通过投影到随机$ O(\ log(k / \ varepsilon)/ \ varepsilon ^ 2)$ - 维子空间,确定最优解的成本保持高达$(1+ \ varepsilon)$ 。此外,每个聚类的成本都保存在$(1+ \ varepsilon)$内。更一般地,我们的结果适用于满足温和的亚高斯尾条件的任何维度缩减图。我们在维度上的界限几乎是最优的。此外,我们的结果适用于Euclidean $ k $ -clustering,其距离提高到任何$ p $的$ p $ -th幂。对于$ k $ -means,我们的结果解决了Cohen,Elder,Musco,Musco和Persu提出的公开问题(STOC 2015);对于$ k $ -medians,它回答了Kannan提出的问题。
translated by 谷歌翻译
找到特殊形状的2D路径的问题,例如,本文考虑了由具有任意两个连续段之间的角度不超过预定阈值的特性的linesegments组成的路径。这个问题比任何形状的最短路径都要求的更难解决,因为刨床的搜索空间是因为需要考虑对应于相同位置的多个搜索节点,所以要大得多。减少搜索工作量的一种方法是固定路径段的长度并使违反强加约束的节点占优势。这导致不完整性和性能对所选参数值的敏感性。在这项工作中,我们引入了一种新技术,通过自动调整路径的快速分段长度来降低这种灵敏度,例如:在搜索过程中。将这种技术嵌入到基于知识网格的角度约束路径寻找算法 - LIAN中,可以显着提高规划者的有效性,例如:成功率,同时保持效率,例如运行时,合理级别的开销。实验评估表明,与前一代产品相比,具有所建议增强功能的LIAN(称为eLIAN)可以解决多达20%的任务。同时,eLIAN的解决方案质量几乎与LIAN的解决方案质量相同。
translated by 谷歌翻译
Graphlet被定义为k节点连接的诱导子图模式。对于无向图,3节点图基包括近三角形和开三角形。当k = 4时,有六种类型的图形,例如,有尾三角形和两个可能的4节点图形。每个graphlet的数量,称为graphletcount,是一个签名,表征agiven图的本地网络结构。 Graphlet计数在许多领域的网络分析中起着重要作用,最着名的是生物信息学和社会科学。然而,计算精确的图谱计数本质上是困难的并且计算成本昂贵,因为随着图形大小和/或图形尺寸k的增长,图形图形的数量呈指数增长。为了解决这一困难,提出了许多采样方法来估计有界误差的图谱计数。然而,这些方法需要大量样本在统计上可靠,这仍然是计算上的要求。此外,即使新图表与先前研究的图表完全相同,他们也必须重复费力的计数程序。直观地,从历史图表中学习可以使估计更准确并避免许多重复计数以降低计算成本。基于此,我们提出了卷积神经网络(CNN)框架和双重处理技术来估计图基元数量。对两种类型的随机图和现实世界生物化学图进行了大量实验,结果表明,我们的框架可以高精度地估算新图的图形数量。
translated by 谷歌翻译
我们提供灵活的FPGA立体视觉实现,能够处理高达每秒100帧或高达3.4megapels的图像分辨率,同时仅消耗8 W的功率。该实现使用半全局匹配(SGM)算法的变换,与许多更简单的方法相比,该算法提供了更好的结果。通过在计算成本立方体和视差图上操作的后处理链,立体匹配结果得到显着改善。通过这种实现,我们创建了两个独立的立体视觉硬件系统,称为SceneScan和SceneScan Pro。两种系统都已经开发成市,并且可以从Nerian Vision GmbH获得。
translated by 谷歌翻译
运动伪影是磁共振(MR)图像质量恶化的主要来源,对诊断性能具有强烈影响。目前,MR运动校正是前瞻性地,利用运动跟踪系统的辅助进行的,或者主要利用计算上昂贵的迭代算法进行回顾性研究。在本文中,我们利用一个名为MedGAN的新对抗框架,对不同体区的刚性和非刚性运动伪影进行联合回顾性校正,无需参考图像。 MedGAN利用非对抗性损失和新生成器架构的独特组合来捕获所需无伪影MR图像的纹理和精细结构。与其他对抗技术的定量和定性比较已经说明了所提出的模型性能。
translated by 谷歌翻译
我们提出了一种随机的一阶优化方法--SEGA(SkEtchedGrAdient方法) - 在整个迭代过程中逐步建立从oracle获得的梯度的随机线性测量(草图)的梯度的减少估计。在每次迭代中,SEG使用最新草图提供的信息通过草图和项目操作更新当前的梯度估计,并且随后用于通过随机松弛程序计算真实梯度的无偏估计。然后使用该无偏估计来执行梯度步骤。与标准子空间下降方法(例如coordinatedescent)不同,SEGA可用于具有不可分离的近似项的优化问题。我们提供一般收敛性分析并证明强凸目标的线性收敛。在coordinateketches的特殊情况下,SEGA可以通过各种技术进行增强,例如重要性,微缩和加速,并且它的速率达到与最着名的坐标下降速率相同的小的常数因子。
translated by 谷歌翻译