自动车辆（AVS）必须与异构地理区域的多种人类驱动因素互动。理想情况下，AVS的车队应该共享轨迹数据，以持续地从使用基于云的分布式学习的集体经验来重新列车和改进轨迹预测模型。与此同时，这些机器人应该理想地避免上传原始驱动程序交互数据，以保护专有政策（在与其他公司共享时的见解）或保护驾驶员隐私。联合学习（FL）是一种流行的机制，用于在不泄露私人本地数据的情况下从不同的用户学习来自不同用户的云服务器模型。然而，FL通常不是强大的 - 当用户数据来自高度异构的分布时，它会学习次优模型，这是人机交互的关键标志。在本文中，我们提出了一种小型变种的个性化FL，专门从事强大的机器人学习模型到不同的用户分布。我们的算法在实际用户研究中优于2倍的标准FL基准，我们进行了我们进行的人力操作车辆必须优雅地合并标准Carla和Carlo AV模拟器中的模拟AVS。
translated by 谷歌翻译
面向目标的意见单词提取（TOWE）是一项精细的情感分析任务，旨在从句子中提取给定意见目标的相应意见单词。最近，深度学习方法在这项任务上取得了显着进步。然而，由于昂贵的数据注释过程，TOWE任务仍然遭受培训数据的稀缺性。有限的标记数据增加了测试数据和培训数据之间分配变化的风险。在本文中，我们建议利用大量未标记的数据来通过增加模型对变化分布变化的暴露来降低风险。具体而言，我们提出了一种新型的多透明一致性正则化（MGCR）方法，以利用未标记的数据并设计两个专门用于TOWE的过滤器，以在不同的粒度上过滤嘈杂的数据。四个TOWE基准数据集的广泛实验结果表明，与当前的最新方法相比，MGCR的优越性。深入分析还证明了不同粒度过滤器的有效性。我们的代码可在https://github.com/towessl/towessl上找到。
translated by 谷歌翻译
重复是一种反应，可以在对话中重复上一位演讲者的话语中的单词。如语言研究所述，重复对于与他人建立信任至关重要。在这项工作中，我们专注于重复生成。据我们所知，这是解决重复产生的第一种神经方法。我们提出了加权标签平滑，一种平滑方法，用于明确学习在微调过程中重复哪些单词，以及一种重复评分方法，可以在解码过程中输出更合适的重复。我们进行了自动和人类评估，涉及将这些方法应用于预先训练的语言模型T5来产生重复。实验结果表明，我们的方法在两种评估中都超过了基线。
translated by 谷歌翻译
尽管最近在图像翻译方面进行了显着进展，但具有多种差异对象的复杂场景仍然是一个具有挑战性的问题。因为翻译的图像具有低保真度和微小对象，更少，并在对象识别中获得不满意的性能。如果图像的彻底对象感知（即，边界框，类别和掩码）作为先验知识，则在图像转换过程中将难以跟踪每个对象的样式转换。我们提出了基于Panoptic的对象样式对齐生成的对抗生成的对抗网络（POSA-GAN），用于图像到图像 - 图像到图像转换，以及一个紧凑的Panoptic semation数据集。 Panoptic分割模型用于提取Panoptic-Level感知（即，除去图像中的重叠的前景对象实例和背景语义区域）。这用于指导从目标域的样式空间采样的输入域图像和对象样式代码的对象内容代码之间的对齐。进一步转换样式对齐的对象表示以获得更高保真对象生成的精确边界布局。与不同的竞争方法系统的系统进行了系统地进行了系统地进行了系统地进行了系统地进行了比较，并对翻译图像的图像质量和物体识别性能进行了显着改善。
translated by 谷歌翻译
我们为RS-HDMR-GPR提供了一个Python实现（随机采样高维模型表示高斯进程回归）。该方法构建具有较低维度术语的多变量函数的表示，作为耦合顺序的扩展，或者仅使用仅给定维度的术语。特别是促进从稀疏数据恢复功能依赖性。代码还允许丢弃变量的缺失值，并且有用的HDMR术语的有用数量的显着修剪。该代码还可用于估计输入变量的不同组合的相对重要性，从而添加对一般机器学习方法的洞察元素。该回归工具的能力在涉及合成分析功能，水分子的潜在能量表面，材料（结晶镁，铝和硅）和金融市场数据的潜在能量表面进行了证明的能力。
translated by 谷歌翻译