Tensors or {\em multi-way arrays} are functions of three or more indices$(i,j,k,\cdots)$ -- similar to matrices (two-way arrays), which are functionsof two indices $(r,c)$ for (row,column). Tensors have a rich history,stretching over almost a century, and touching upon numerous disciplines; butthey have only recently become ubiquitous in signal and data analytics at theconfluence of signal processing, statistics, data mining and machine learning.This overview article aims to provide a good starting point for researchers andpractitioners interested in learning about and working with tensors. As such,it focuses on fundamentals and motivation (using various application examples),aiming to strike an appropriate balance of breadth {\em and depth} that willenable someone having taken first graduate courses in matrix algebra andprobability to get started doing research and/or developing tensor algorithmsand software. Some background in applied optimization is useful but notstrictly required. The material covered includes tensor rank and rankdecomposition; basic tensor factorization models and their relationships andproperties (including fairly good coverage of identifiability); broad coverageof algorithms ranging from alternating optimization to stochastic gradient;statistical performance analysis; and applications ranging from sourceseparation to collaborative filtering, mixture and topic modeling,classification, and multilinear subspace learning.
translated by 谷歌翻译
排名模型通常被设计为提供排名,以优化对用户的即时效用的一些测量。结果,他们无法预料到他们提出的排名会产生越来越多的不良长期后果,从推动错误信息的传播和增加两极分化到有辱人格的社会话语。我们是否可以设计能够理解其提议排名后果的排名模型,更重要的是能够避免不受欢迎的排名吗?在本文中,我们首先使用Markovdecision过程引入排名和用户动态的联合表示。然后,我们证明了这种表示极大地简化了构建相应的排序模型,这些模型利用了直接性和长期福利。特别是,我们可以通过对最大化即时效用度量的模型提供的排名应用加权抽样来获得最优的相关排名。然而,实际上,这种策略可能效率低且不切实际,特别是在高维场景中。为了克服这个问题,我们引入了一种有效的基于梯度的算法来学习参数化的结果排序模型,该模型有效地接近最优的排序模型。我们使用从Reddit收集的合理和真实数据展示我们的方法,并显示使用我们的方法得到的排名模型提供了可以减轻信息传播和提高在线讨论文明的等级。
translated by 谷歌翻译
本文介绍了自动驾驶汽车的算法和系统架构。引入的车辆由设计用于鲁棒性,可靠性和可扩展性的软件栈提供动力。为了自主地绕过先前未知的轨道,所提出的解决方案结合了来自不同机器人领域的技术的状态。具体而言,感知,估计和控制被合并到一个高性能自主车辆中。这个复杂的机器人系统由AMZ Driverless和ETHZurich开发,在我们参加的每个比赛中获得第一名:Formula StudentGermany 2017,Formula Student Italy 2018和Formula Student Germany 2018. Wediscuss这些比赛的结果和学习,并对每个模块进行实验评估我们的解决方案
translated by 谷歌翻译
由于深度网络和大型数据集,已知类别对象的视点估计得到了显着改善,但泛化的已知类别仍然非常具有挑战性。为了提高未知类别的表现,我们引入了类别级别的镜头观点估计问题。我们设计了一个新的框架来成功地为新类别训练视点网络,只有很少的例子(10个或更少)。我们将问题表述为学习估计特定类别的3D扫描形状,相关深度估计和语义2D关键点之一。我们应用元学习来学习我们网络的权重,这些权重是特定于特定类别的微观微调。此外,我们设计了一个灵活的暹罗网络,在元学习过程中最大化信息共享。通过对ObjectNet3D和Pascal3D + benchmark数据集的大量实验,我们证明我们的框架,我们称之为MetaView,明显优于微调状态。 -art模型与fewexamples,我们的方法的具体架构创新是实现良好性能的关键。
translated by 谷歌翻译
验证极端事件的集合预报仍然是一个具有挑战性的问题。一般公众和媒体自然会特别关注极端事件并得出关于合奏的全球预测性能的结论,这些合奏在需要时通常是不熟练的。将经典验证工具集中在这些事件上可能导致出人意料的行为。为了平衡这些影响,已经开发了阈值和加权评分规则。他们中的大多数使用连续排名概率分数(CRPS)的推导。但是,针对极端事件的CRPS的某些属性会对验证质量产生不良影响。使用理论论证和模拟实例,我们将描述传统验证工具的一些缺陷,并提出不同的方向来评估使用极值理论的集合预测,将适当的分数视为随机变量。
translated by 谷歌翻译
数据分类存在于不同的实际问题中,例如识别图像中的图案,区分生产线中的缺陷部分,对良性和恶性肿瘤进行分类等。这些问题中的许多都具有难以识别的数据模式,这需要更先进的分辨技术。最近,已经应用了几种针对不同人工神经网络架构的工作来解决分类问题。当分类问题必须通过图像获得时,目前,标准方法是使用卷积神经网络。因此,在本报告中,卷积神经网络被用来对鱼类进行分类。 Classifica \ c {c} \〜ao de dados est \'a presente em diversos problemas reais,tais como:reconhecer padr \〜oes em imagens,diferenciar pe \ c {c} as defeituosasem uma linha de produ \ c {c} \〜ao,classificar tumores benignos e malignos,dentrediversas outras。 Muitos认为问题可能是错误的问题,他们可能会发现问题,但是他们会在这里找到问题,他们会在这里找到自己的想法。 Recentemente,diversos trabalhosabordando diferentes arquiteturas de redes neurais artificiais v \ ^ em sendoaplicados para solucionar problemas de classifica \ c {c} \ ~ao。 Quando aclassifica \ c {c} \〜ao do problema deve ser obtida por meio de imagens,atualmentea metodologia padr \〜ao \'e udes de redes neurais convolucionais。 Sendo assim,neste trabalho s \〜ao utilizadas redes neurais convolucionais paraclassifica \ c {c} \ ~ao de esp \'ecies de peixes。
translated by 谷歌翻译
深度学习(DL)已成为人工智能(AI)的关键技术。它是一种从复杂数据中自动提取高级特征的强大技术,可用于计算机视觉,自然语言处理,网络安全,通信等应用。对于计算机视觉的特殊情况,已经提出了诸如实时视频中的对象检测之类的几种算法,并且它们在桌面GPU和分布式计算平台上工作良好。对于移动和嵌入式视觉应用而言,这些算法仍然很重要。智能便携设备和新兴5G网络的快速普及正在移动环境中引入新的智能多媒体应用。作为一个序列,在移动环境中实现深度神经网络的可能性吸引了许多研究人员。本文介绍了新兴的学习加速技术,可以随时随地将实时视觉识别交付给最终用户。
translated by 谷歌翻译
在工业控制系统等关键基础设施中广泛使用信息和通信技术使其易受攻击。一类特殊的网络攻击是高级持续威胁,高技术攻击者可以窃取用户身份验证信息,并在网络中从主机移动到主机,直到达到有价值的目标。应尽快发现攻击者,以便采取适当的响应,否则攻击者将有足够的时间来访问敏感资产。面对智能威胁时,必须设计智能解决方案。因此,在本文中,我们利用深度学习的最新进展来构建可以检测网络物理系统入侵的卷积神经网络。入侵检测系统应用于NSL-KDD数据集,并提出了所提出的方案的性能,并与现有技术进行了比较。结果显示了这些技术的有效性。
translated by 谷歌翻译
在本报告中,我们回顾了基于记忆的元学习作为建筑样本有效策略的工具,该策略从过去的经验中学习以适应目标类中的任何任务。我们的目标是为读者提供此工具的概念基础,以构建在陆域上运行的新的可扩展代理。为此,我们提出了基本的算法模板,用于建立最佳预测器和强化学习器,其行为就好像它们具有允许它们有效地利用任务结构的概率模型。此外,我们在贝叶斯框架内重建基于内存的元学习,显示元学习策略接近最优,因为它们分摊贝叶斯过滤数据,其中适应在内存动态中实现为具有足够统计数据的状态机。从本质上讲,基于记忆的学习 - 学习将概率序贯推理的难题转化为回归问题。
translated by 谷歌翻译
我们提出了用于设计和设计空间探索的新算法。由这些算法计算的设计是在组件库中指定的功能类型的组合。我们的算法将设计问题减少到量化的可满足性,并使用高级求解器来找到代表有用系统的解决方案。我们在本文中提出的算法是完整的,并且保证能够发现最佳尺寸的正确设计(如果存在的话)。我们将我们的方法应用于布尔系统的设计,并发现新的和更优的经典和量子电路,用于常见的算术函数,如加法和乘法。通过大量实验评估了算法的性能。我们首先创建了一个基准,包括可扩展合成数字电路和真实世界的mirochips规范。然后,我们生成了多个功能等效于基准测试的电路。与枚举所有非同构电路拓扑的生成和测试方法相比,量化可满足性方法显示超过四个数量级的加速。我们的方法概括了电路优化。它使用任意组件库,并应用于数字电路设计,诊断,诱导推理,测试向量生成和组合优化等领域。
translated by 谷歌翻译