众所周知，由于许多空间和时间变化的因素有助于斜率稳定性，因此难以预测滑坡。人工神经网络（ANN）已被证明可以提高预测准确性。但是，传统的ANN是无法解释的，复杂的黑匣子模型。这使得很难在建模区域中提取有关滑坡控制的机械信息，或在此高风险应用中信任结果。在此，我们介绍了可解释的加性神经网络在滑坡易感性建模中的首次应用。我们介绍了一个新的添加剂ANN优化框架，以及新的数据集除法和结果解释技术，适用于使用空间依赖的数据结构（例如滑坡易感性）建模应用程序。我们将我们的方法称为完全可解释性，高精度，高推广性和低模型复杂性作为超固有神经网络（SNN）优化的方法。我们通过培训模型来验证我们的方法，以评估喜马拉雅山脉最容易受到滑坡的三个不同区域的滑坡敏感性。 SNN生成的可解释的神经网络模型胜过基于物理的稳定性和统计模型，并实现了与最先进的深神经网络相似的性能，同时提供了有关滑坡控制因素的相对重要性的见解。 SNN模型发现，斜坡，降水和山坡方面的产物是对研究区域中高压滑敏感性的重要主要因素。这些确定的控件表明，强烈的斜坡气候耦合以及微气候以及在最东部喜马拉雅山的滑坡事件中起主要作用。
translated by 谷歌翻译
已广泛研究了确定量子状态（例如保真度度量）相似性的有效度量。在本文中，我们解决了可以定义可以\ textit {有效估计}的量子操作的相似性度量的问题。给定了两个量子操作，$ u_1 $和$ u_2 $，以其电路表格表示，我们首先开发一个量子采样电路，以估算其差异的归一化schatten 2-norm（$ \ | | | | | | U_1-U_2 \ | _ {s_2} $）使用精确$ \ epsilon $，仅使用一个干净的量子和一个经典的随机变量。我们证明了一个poly $（\ frac {1} {\ epsilon}）$ umper bound在样品复杂性上，该界限与量子系统的大小无关。然后，我们证明这种相似性度量与使用量子状态的常规保真度度量（$ f $）直接相关。 u_1-u_2 \ | _ {s_2} $足够小（例如$ \ leq \ frac {\ epsilon} {1+ \ sqrt {2（1/\ delta -1）} $）处理相同的随机和均匀选择的纯状态，$ | \ psi \ rangle $，如有需要（$ f（{{u} _1 | \ psi \ rangle，{u} _2 | \ psi \ wangle）\ geq 1 - \ epsilon $），概率超过$ 1- \ delta $。我们为量子电路学习任务提供了这种有效的相似性度量估计框架的示例应用，例如找到给定统一操作的平方根。
translated by 谷歌翻译
我们报告了一个新的模型，该模型将深度卷积神经网络（CNN）与生物视觉和基本粒子物理学联系起来。 CNN中的信息传播是通过与光学系统的类比建模的，该信息集中在瓶颈附近，其中2D空间分辨率折叠了大约焦点$ 1 \ times 1 = 1 $。 3D空间$（x，y，t）$由$（x，y）$在图像平面和CNN层$ t $中定义通过光轴和位于$（x，y）=（0,0）$的图像中心像素的信息传播方向，最尖锐的空间焦点仅限于图像平面中的混淆圈。我们的新颖见解是将主要光射线$（0,0，t）$建模为几何等同于$ n $的r^{n+} $中的正矫正$ i（x，y）\中的内侧向量 - 通道激活空间，例如沿着$ rgb $ color Space中的灰度（或亮度）矢量$（t，t，t）$。因此，信息集中在能量电位$ e（x，y，t）= \ | i（x，y，t）\ |^2 $中，特别是对于瓶颈层$ t $ t $ generic CNNS，是高度集中的和对称的关于空间起源$（0,0，t）$的对称，并表现出玻色子粒子的众所周知的“ sombrero”电位。这种对称性在分类中被打破，其中通用预训练的CNN模型的瓶颈层表现出对角度$ \ theta \在U（1）$中同时在图像平面和激活特征空间中同时定义的斜角$ \ theta \。最初的观察结果验证了我们的假设，可以从通用的预训练的CNN激活图和基于微小的存储器分类方案，而没有训练或调整。使用合并的一热$+ U（1）$损失从头开始培训可改善包括Imagenet在内的所有测试的任务的分类。
translated by 谷歌翻译
我们概述了新兴机会和挑战，以提高AI对科学发现的效用。AI为行业的独特目标与AI科学的目标创造了识别模式中的识别模式与来自数据的发现模式之间的紧张。如果我们解决了与域驱动的科学模型和数据驱动的AI学习机之间的“弥补差距”相关的根本挑战，那么我们预计这些AI模型可以改变假说发电，科学发现和科学过程本身。
translated by 谷歌翻译
本文提出了一种有效的变分推导框架，用于导出结构化高斯进程回归网络（SGPRN）模型的系列。关键的想法是将辅助诱导变量合并到潜在函数中，并共同处理诱导变量和超参数的分布作为变分参数。然后，我们提出了结构化可变分布和边缘化潜变量，这使得可分解的变分性下限并导致随机优化。我们推断方法能够建模数据，其中输出不共享具有与输入和输出大小无关的计算复杂性的公共输入集，因此容易处理具有缺失值的数据集。我们说明了我们对合成数据和真实数据集的方法的性能，并显示我们的模型通常提供比最先进的数据缺失数据的更好的估算结果。我们还提供了一种可视化方法，用于电职业学数据的输出中的输出的时变相关性，并且这些估计提供了了解神经群体动态的洞察力。
translated by 谷歌翻译
In statistical relational learning, the link prediction problem is key to automatically understand the structure of large knowledge bases. As in previous studies, we propose to solve this problem through latent factorization. However, here we make use of complex valued embeddings. The composition of complex embeddings can handle a large variety of binary relations, among them symmetric and antisymmetric relations. Compared to state-of-the-art models such as Neural Tensor Network and Holographic Embeddings, our approach based on complex embeddings is arguably simpler, as it only uses the Hermitian dot product, the complex counterpart of the standard dot product between real vectors. Our approach is scalable to large datasets as it remains linear in both space and time, while consistently outperforming alternative approaches on standard link prediction benchmarks. 1
translated by 谷歌翻译