时间和因果关系在确定事件之间的依赖关系方面发挥着重要作用。对事件之间的时间和因果关系进行分类有许多应用程序，例如生成事件时间表，事件摘要，文本征集和问题应答。时间和因果关系与彼此密切相关。因此，我们提出了一个联合模型，该模型包含时间和因果特征来执行因果关系分类。我们使用文本的句法结构来识别文本中的两个事件之间的时间和因果关系。我们从文本中提取语音标签序列，依赖关系标签序列和单词序列。我们提出了一个基于LSTM的模型，用于时间和因果关系分类，捕获三个编码特征之间的相互关系。对四个流行数据集的模型的评估产生了对时间和因果关系分类的有希望的结果。
translated by 谷歌翻译
This paper proposes a data and Machine Learning-based forecasting solution for the Telecommunications network-rollout planning problem. Milestone completion-time estimation is crucial to network-rollout planning; accurate estimates enable better crew utilisation and optimised cost of materials and logistics. Using historical data of milestone completion times, a model needs to incorporate domain knowledge, handle noise and yet be interpretable to project managers. This paper proposes partition-based regression models that incorporate data-driven statistical models within each partition, as a solution to the problem. Benchmarking experiments demonstrate that the proposed approach obtains competitive to better performance, at a small fraction of the model complexity of the best alternative approach based on Gradient Boosting. Experiments also demonstrate that the proposed approach is effective for both short and long-range forecasts. The proposed idea is applicable in any context requiring time-series regression with noisy and attributed data.
translated by 谷歌翻译
本文描述了对象目标导航任务的框架，该任务要求机器人从随机的启动位置查找并移至目标对象类的最接近实例。该框架使用机器人轨迹的历史记录来学习空间关系图（SRG）和图形卷积网络（GCN）基于基于不同语义标记区域的可能性以及这些区域不同对象类别的发生的可能性。为了在评估过程中定位目标对象实例，机器人使用贝叶斯推理和SRG估计可见区域，并使用学习的GCN嵌入来对可见区域进行排名，并选择接下来的区域。
translated by 谷歌翻译
每年有超过500万五岁以下的儿童死于大部分可预防或可治疗的医疗状况，而在疫苗接种率低的欠发达国家中，死亡人数大部分大部分发生。联合国可持续发展目标之一（SDG 3）旨在结束五岁以下的新生儿和儿童的可预防死亡。我们专注于尼日利亚，在尼日利亚，婴儿死亡率令人震惊。我们与尼日利亚的大型非营利组织Helpmum合作设计和优化了不确定性下的异质健康干预措施的分配，以增加疫苗接种的吸收，这是尼日利亚的首次此类合作。我们的框架，顾问：AI驱动的疫苗接种干预优化器基于整数线性程序，该计划旨在最大程度地提高成功疫苗接种的累积概率。我们的优化公式在实践中是棘手的。我们提出了一种启发式方法，使我们能够解决现实世界中用例的问题。我们还为启发式方法提出了理论界限。最后，我们表明，通过实验评估，所提出的方法在疫苗接种方面优于基线方法。 Helpmum目前正在计划基于我们在最大的尼日利亚城市部署的方法，这将是该国AI驱动的疫苗接种吸收计划的首次部署，并希望为其他数据驱动计划铺平道路改善尼日利亚的健康状况。
translated by 谷歌翻译
强化学习（RL）使代理能够学习如何从头开始执行各种任务。在自动驾驶，推荐系统等域中，更优化的RL政策如果政策记住私人奖励的任何部分，则会促使隐私违约。我们研究了来自各种RL算法的现有差异私有RL策略，例如价值迭代，深Q网络和vanilla近端策略优化。我们提出了一种新的隐私感知逆RL（PRIL）分析框架，该框架执行奖励重建作为代理人可以部署的私人政策的对抗攻击。为此，我们介绍了奖励重建攻击，其中我们寻求使用逆RL算法从隐私保留策略重建原始奖励。如果代理商使用紧密私人政策，对手必须在重建原始奖励函数时进行糟糕。使用本框架，我们经验测试私有算法提供的隐私保证的有效性在不同复杂性的冻结领域的多个实例上。基于进行的分析，我们推断了所提供的目前的隐私标准与保护奖励函数所需的标准之间的差距。我们通过量化每个私营策略通过测量原始和重建奖励之间的距离来保护奖励功能的程度来实现。
translated by 谷歌翻译
本文介绍了基于Wav2VEC 2.0的跨语言语音表示学习的大规模模型。我们在128种语言中培训最多2B个公共讲话音频的近半小时的型号的模型，比公共数据的数量级比最大的已知事先工作。我们的评估涵盖了广泛的任务，域，数据制度和语言，都是高低资源。在Covost-2语音翻译基准测试中，我们将先前的最先进的状态平均为7.4 BLEU超过21个翻译方向进入英语。对于语音识别，XLS-R在Babel，MLS，CommonVoice以及Voxpopuli上的最佳已知工作中提高，降低了相对的误差率14-34％。 XLS-R还在Voxlingua107语言识别上设置了新的技术状态。此外，我们表明，具有足够的模型规模，交叉思维预先预测可以在将英语演讲翻译成其他语言时才能优于英语撇印，这是一个有利于单晶的预借预制的设置。我们希望XLS-R可以帮助改善世界上更多语言的语音处理任务。
translated by 谷歌翻译
从未标记数据的代表学习一直是对人工智能研究的重大兴趣。虽然自我监督的言语代表学习在语音研究界受欢迎，但很少有效地对非语音音频任务进行了全面分析了音频表示学习。在本文中，我们提出了一种自我监督的音频表示学习方法，并将其应用于各种下游非语音音频任务。我们将众所周知的Wav2Vec 2.0框架结合起来，这在用于语音任务的自我监督学习中取得了成功，具有参数效率的构装体系结构。我们的自我监督的预培训可以减少三分之二的标记数据的需求。在Audioset基准测试中，我们达到平均平均精度（地图）得分为0.415，这是通过仅限音频自我监督的学习在此数据集上的新型最先进的。我们的微调符合子也超越了在几个下游任务上以监督方式预先培训的先前系统的性能。我们进一步讨论了预先培训和微调的重要设计考虑因素。
translated by 谷歌翻译