通过深度神经网络实现的A*算法的启发式函数的优化通常是通过最大程度地减少正方形根损失的目标成本估计值来完成的。本文认为，这不一定会导致对A*算法的更快搜索，因为其执行依赖于相对值而不是绝对值。作为缓解措施，我们提出了L*损失，该损失是A*搜索中过度扩展状态的数量上限。当用于优化最先进的深度神经网络的L*损失，用于在索科班等迷宫领域的自动化计划和带有传送的迷宫，可显着改善解决问题的比例，基础计划的质量，并降低扩大状态的数量达到约50％
translated by 谷歌翻译
学习一项难以捉摸的问题域的知情启发式功能是一个难以捉摸的问题。虽然有了已知的神经网络架构来代表这种启发式知识，但它不明显地了解了哪些具体信息以及针对理解结构的技术有助于提高启发式的质量。本文介绍了一种网络模型，用于学习一种能够通过使用注意机制通过最佳计划模仿与状态空间的遥远部分相互关联的启发式机制，这大幅提高了一种良好的启发式功能的学习。为了抵消制定难度越来越困难问题的方法的限制，我们展示了课程学习的使用，其中新解决的问题实例被添加到培训集中，反过来有助于解决更高复杂性的问题和远远超出所有现有基线的表演，包括古典规划启发式。我们展示了其对网格型PDDL结构域的有效性。
translated by 谷歌翻译
在这项研究中，我们提出了一种基于词素的方案，用于韩国依赖解析，并采用拟议方案来普遍依赖。我们介绍了语言原理，该基本原理说明了采用基于词素的格式的动机和必要性，并开发了脚本，这些脚本会在通用依赖项使用的原始格式和所提出的基于词素的格式自动之间转换。然后，统计和神经模型（包括udpipe和stanza）证明了提出的格式对韩国依赖解析的有效性，并以我们精心构造的基于词素的单词嵌入韩语。Morphud的表现优于所有韩国UD Treebanks的解析结果，我们还提供了详细的错误分析。
translated by 谷歌翻译
最近，对抗机器学习攻击对实用音频信号分类系统构成了严重的安全威胁，包括语音识别，说话者识别和音乐版权检测。先前的研究主要集中在确保通过在原始信号上产生类似小噪声的扰动来攻击音频信号分类器的有效性。目前尚不清楚攻击者是否能够创建音频信号扰动，除了其攻击效果外，人类还可以很好地看待。这对于音乐信号尤其重要，因为它们经过精心制作，具有可让人的音频特征。在这项工作中，我们将对音乐信号的对抗性攻击作为一种新的感知攻击框架，将人类研究纳入对抗性攻击设计中。具体而言，我们进行了一项人类研究，以量化人类对音乐信号的变化的看法。我们邀请人类参与者根据对原始和扰动的音乐信号对进行评分，并通过回归分析对人类感知过程进行反向工程，以预测给定信号的人类感知的偏差。然后将感知感知的攻击作为优化问题提出，该问题找到了最佳的扰动信号，以最大程度地减少对回归人类感知模型的感知偏差的预测。我们使用感知感知的框架来设计对YouTube版权探测器的现实对抗音乐攻击。实验表明，感知意识攻击会产生对抗性音乐的感知质量明显优于先前的工作。
translated by 谷歌翻译
描述了一种用于分析摄像机陷阱延时记录的新的开源图像处理管道。该管道包括机器学习模型，以帮助人类的视频细分和动物重新识别。我们在为期一年的项目中使用了该管道的实用性的一些绩效结果和观察结果，研究了Gopher Tortoise的空间生态和社会行为。
translated by 谷歌翻译
即使多模式的多目标多目标进化算法（MMOEA）旨在找到良好的解决方案，分布在所有本地最佳近似值集的多模式多模式多目标优化问题（MMOP）中，发现发现的风险是，发现的一组是一组。解决方案无法平稳导航，因为该解决方案属于各种壁ni，从而减少了决策者的见解。为了解决此问题，提出了一个新的mmoeA：多模式的B \'Ezier进化算法（MM-BEZEA），该算法产生近似集，涵盖单个利基市场并表现出固有的决策空间平稳性，因为它们由B \'参数化。Ezier曲线。MM-BEZEA结合了最近引入的bezea和Mo-Hillvallea背后的概念，以找到所有本地最佳近似集。当用线性帕累托套件上的MMOP上的MMOEAS MO_RING_PSO_SCD和MO-HILLVALLEA进行基准测试时，发现MM-BEZEA在最佳的HyperVolume方面表现最好。
translated by 谷歌翻译
随机梯度马尔可夫链Monte Carlo（SGMCMC）是一种流行的可扩展贝叶斯推断算法。然而，这些算法包括诸如步进尺寸或批量尺寸，这些算法基于所获得的后样品影响估计器的准确性。因此，必须由从业者调整这些超级参数，目前没有具体的和自动化方式来调整它们存在。基于接受率的标准MCMC调整方法不能用于SGMCMC，从而需要替代工具和诊断。我们提出了一种基于新的基于强盗的算法，通过最小化真正的后后部和蒙特卡罗近似之间的斯坦坦差异来调谐SGMCMC近似度。我们提供支持这种方法的理论结果，并评估各种基于Stein的差异。我们通过对模拟和实际数据集的实验支持我们的结果，并发现该方法对于各种应用程序实用。
translated by 谷歌翻译