无线技术的最新进步使连接的自动驾驶汽车（CAV）能够通过车辆到车辆（V2V）通信收集有关其环境的信息。在这项工作中，我们为CAVS设计了基于信息共享的多代理增援学习（MARL）框架，以在做出决定以提高交通效率和安全性时利用额外的信息。我们提出的安全参与者批评算法有两种新技术：截断的Q功能和安全动作映射。截断的Q功能利用了来自相邻骑士的共享信息，以使Q-功能的联合状态和动作空间在我们的算法中不会在大型CAV系统中生长。我们证明了截短Q和全局Q函数之间近似误差的结合。安全的操作映射为基于控制屏障功能的培训和执行提供了可证明的安全保证。我们使用CARLA模拟器进行实验，我们表明我们的方法可以在不同的CAV比和不同的交通密度下的平均速度和舒适性方面提高CAV系统的效率。我们还表明，我们的方法避免执行不安全的动作，并始终保持与其他车辆的安全距离。我们构建了一个障碍物的场景，以表明共同的愿景可以帮助骑士早些时候观察障碍，并采取行动避免交通拥堵。
translated by 谷歌翻译
近年来，深度学习（DL）算法的使用改善了基于视觉的空间应用的性能。但是，生成大量的注释数据来培训这些DL算法已被证明具有挑战性。虽然可以使用合成生成的图像，但在实际环境中测试时，经过合成数据训练的DL模型通常容易受到性能降解。在这种情况下，卢森堡大学的安全，可靠性和信任（SNT）跨学科中心开发了“ SNT Zero-G Lab”，用于在模拟现实世界太空环境的条件下培训和验证基于视觉的空间算法。 SNT Zero-G实验室开发的一个重要方面是设备选择。从实验室开发过程中学到的经验教训，本文提出了一种系统的方法，将市场调查和设备选择的实验分析结合在一起。特别是，本文专注于太空实验室中的图像采集设备：背景材料，相机和照明灯。实验分析的结果表明，在太空实验室开发项目中选择有效的设备选择需要通过实验分析来称赞的市场调查。
translated by 谷歌翻译
机器学习（ML）研究通常集中在模型上，而最突出的数据集已用于日常的ML任务，而不考虑这些数据集对基本问题的广度，困难和忠诚。忽略数据集的基本重要性已引起了重大问题，该问题涉及现实世界中的数据级联以及数据集驱动标准的模型质量饱和，并阻碍了研究的增长。为了解决此问题，我们提出Dataperf，这是用于评估ML数据集和数据集工作算法的基准软件包。我们打算启用“数据棘轮”，其中培训集将有助于评估相同问题的测试集，反之亦然。这种反馈驱动的策略将产生一个良性的循环，该循环将加速以数据为中心的AI。MLCommons协会将维护Dataperf。
translated by 谷歌翻译
机器学习（ML）可以改善和自动化质量控制（QC）在注塑制造中。但是，由于广泛的现实过程数据的标签成本很高，因此，模拟过程数据的使用可能会为成功实施提供第一步。在这项研究中，模拟数据用于开发一个预测模型，以针对注射成型排序容器的产品质量。测试集中达到的准确性，特异性和敏感性分别为$ 99.4 \％$，$ 99.7 \％$和$ 94.7 \％$。因此，这项研究表明了ML在注射成型中对自动化QC的潜力，并鼓励扩展到接受现实世界数据的ML模型。
translated by 谷歌翻译
我们为2022年MIP竞争开发的混合整数程序（MIP）提供了一个求解器。鉴于竞争规则确定的计算时间限制了10分钟，我们的方法着重于找到可行的解决方案，并通过分支机构进行改进 - 和结合算法。竞争的另一个规则允许最多使用8个线程。为每个线程提供了不同的原始启发式，该启发式是通过超参数调整的，以找到可行的解决方案。在每个线程中，一旦找到了可行的解决方案，我们就会停止，然后使用嵌入本地搜索启发式方法的分支和结合方法来改善现有解决方案。我们实施的潜水启发式方法的三种变体设法为培训数据集的10个实例找到了可行的解决方案。这些启发式方法是我们实施的启发式方法中表现最好的。我们的分支机构和结合算法在培训数据集的一小部分中有效，并且它设法找到了一个可行的解决方案，以解决我们无法通过潜水启发式方法解决的实例。总体而言，当用广泛的计算能力实施时，我们的组合方法可以在时间限制内解决训练数据集的19个问题中的11个。我们对MIP竞赛的提交被授予“杰出学生提交”荣誉奖。
translated by 谷歌翻译
在过去的几十年里，互联网用户在网上举办了实时事件并与现场，互动受众分享经历的日益增长的需求。像抽搐一样的在线流媒体服务吸引了数百万用户来流并窥视。关于抽搐对流动性普及的预测有很少的研究。在本文中，我们看起来可能有助于娱乐的潜在因素。在4周时段期间，通过使用Twitch的API一致的跟踪收集娱乐数据。收集每个用户的流信息，例如当前观看者和追随者的数量，流类型等。从结果中，我们发现流媒体会话的频率，内容的类型和流的长度是确定在会话期间可以获得多少观众和订户的垃圾媒体。
translated by 谷歌翻译
参数化量子电路（PQCS）的变分训练支撑在近期嘈杂的中间刻度量子（NISQ）器件上采用的许多工作流程。它是一种混合量子 - 经典方法，最小化相关的成本函数，以便培训参数化的ansatz。在本文中，我们适应\ Cite {Goodfellowive，Li2017Visualizing}和\ Cite {Draxler2018essentially}中使用的连接测试中引入的神经网络的定性损失景观特征，以研究PQC培训中的丢失景观功能。我们使用双层电路Ansatz验证了在简单的回归任务上培训的PQC的结果，该方法由参数化旋转门和缠绕栅极的交替层组成。多个电路培训，培训3美元$不同的批量梯度优化器：随机梯度下降，量子自然梯度和亚当。我们确定景观中的大功能，可以导致培训工作流程更快地收敛。
translated by 谷歌翻译
The BERT family of neural language models have become highly popular due to their ability to provide sequences of text with rich context-sensitive token encodings which are able to generalise well to many NLP tasks. We introduce gaBERT, a monolingual BERT model for the Irish language. We compare our gaBERT model to multilingual BERT and the monolingual Irish WikiBERT, and we show that gaBERT provides better representations for a downstream parsing task. We also show how different filtering criteria, vocabulary size and the choice of subword tokenisation model affect downstream performance. We compare the results of fine-tuning a gaBERT model with an mBERT model for the task of identifying verbal multiword expressions, and show that the fine-tuned gaBERT model also performs better at this task. We release gaBERT and related code to the community.
translated by 谷歌翻译
社交媒体越来越多地用于大规模的人口预测，例如估计社区健康统计数据。但是，社交媒体用户通常不是预期人群的代表性样本 - “选择偏见”。在社会科学中，这种偏见通常是通过约束技术解决的，在这种偏见的情况下，根据其社会人口统计学群体的不足或过度采样，将观察结果重新恢复。然而，很少评估约束性以改善预测。在这项两部分的研究中，我们首先评估了标准“现成”的限制技术，发现它们在四个从Twitter中介绍美国县人口健康统计数据的四个任务中没有提供任何改进，甚至通常会退化预测准确性。降级表现的核心原因似乎与他们对每个人群社会人口统计学的稀疏或缩减估计的依赖有关。在研究的第二部分中，我们开发和评估了强大的阶段化后，该方法包括解决这些问题的三种方法：（1）估算器重新分布以说明缩小的缩小，以及（2）自适应式嵌套和（3）告知平滑为处理稀疏的社会人口统计学估计。我们表明，这些方法中的每一种都会导致预测准确性比标准限制方法显着改善。综上所述，强大的后阶段能够实现最先进的预测准确性，在调查的生活满意度的情况下，解释的方差（R^2）增加了53.0％，所有任务的平均平均值增加了17.8％。
translated by 谷歌翻译