今天的电信网络已成为大量广泛异构数据的来源。该信息可以从网络交通轨迹,网络警报,信号质量指示符,用户行为数据等中检索。需要高级数学工具从这些数据中提取有意义的信息,并从网络生成的数据中做出与网络的正常运行有关的决策。在这些数学工具中,机器学习(ML)被认为是执行网络数据分析和实现自动网络自配置和故障管理的最具前景的方法之一。 ML技术在光通信网络领域的应用受到光网络在最近几年所面临的网络复杂性的前所未有的增长的推动。这种复杂性的增加是由于引入了一系列可调和相互依赖的系统参数(例如,路由配置,调制格式,符号率,编码方案等),这些参数通过使用相干传输/接收技术,高级数字信号处理和光纤传播中非线性效应的补偿。在本文中,我们概述了ML在光通信和网络中的应用。我们对涉及该主题的相关文献进行分类和调查,并且我们还为对该领域感兴趣的研究人员和从业者提供了ML的入门教程。虽然最近出现了大量的研究论文,但ML光学网络的应用仍处于起步阶段:为了激发这一领域的进一步工作,我们总结了该论文提出了新的可能的研究方向。
translated by 谷歌翻译
国际指纹活体检测竞赛(LivDet)是学术界和私人公司的开放和公认的交汇点,它处理区分来自人造材料和图像相对于真实指纹的指纹再现的图像的问题。在本期LivDet中,我们邀请竞争对手提出具有匹配系统的集成算法。目标是调查这种整合对整体绩效的影响程度。提交了12个算法,其中8个在集成系统上运行。
translated by 谷歌翻译
在未来的运输系统中,电动自动移动需求(AMoD)车队的充电行为,即服务按需行程请求的自动驾驶车队,将可能挑战配电网络(PDN),从而导致过载或电压下降。在本文中,我们表明,如果在操作电动AMoD车队时考虑PDN的操作约束和外部负载(例如,来自家庭或企业),这些挑战可以显着减弱。假设AMoD与PDN运营商之间的全面合作,我们专注于系统级视角。通过这种单一的实体观点,我们得出了协调效益的上限。我们提出了一种基于优化的建模方法,用于联合控制电动AMoD车队和一系列PDN,并分析负载平衡约束下的协调效益。对于位于加利福尼亚州OrangeCounty的案例研究,我们展示了协调电动AMoD车队和PDNs帮助减少99%的过载和50%的电压降,这是电动车队在没有协调的情况下造成的。我们的研究结果表明,协调电介质AMoD和PDN有助于平衡负载,并且可以显着推迟将网络容量升级到更大规模以保持稳定性的点。
translated by 谷歌翻译
人工智能范例(以下简称“AI”)构建了数据分析,其中包括拍摄个人行为和偏好的图片。这些数据代表了数字生态系统中最有价值的货币,其价值来自于它们的基础资产,以便培训机器以开发AI应用程序。在这种环境中,在线提供商通过免费提供服务来吸引用户,并通过这些服务获得交换数据。鉴于它可能带来的不平衡以及市场失灵,这种以隐含性为特征的交换构成了本文的重点。我们使用移动应用程序和相关的权限系统作为通过计量经济学工具来探索这些问题的理想环境。结果源于一百多万个观测数据集,表明买家和卖家都知道访问数字服务隐含意味着数据交换,尽管这对下载(需求)水平和价格水平(供应)。换句话说,这种交换的隐含性质不允许市场指标有效运作。我们得出结论,当前的政策(例如透明度规则)可能具有内在的偏见,我们提出了新方法的建议。
translated by 谷歌翻译
机器学习已成为我们日常生活中许多方面的重要组成部分。然而,构建表现良好的机器学习应用程序需要高度专业化的数据科学家和领域专家。自动机器学习(AutoML)旨在通过使domainexperts能够自动构建机器学习应用程序而无需广泛了解统计数据和机器学习,从而减少对数据科学家的需求。在本次调查中,我们总结了学术界和工业界对AutoML的最新发展。首先,我们介绍一个整体问题的表述。接下来,介绍了解决AutoML变量问题的方法。最后,我们对所提出的合成和实际数据方法进行了广泛的经验评估。
translated by 谷歌翻译
在过去几年中,许多不同的方法一直专注于使用深度递归神经网络进行自然语言生成。最广泛使用的序列到序列神经方法是基于单词的:因此,它们需要一个称为去异构化(反过来说,relexicalization)的预处理步骤来处理不常见或未知的单词。然而,这些形式的处理对依赖于所使用的词汇并且不是完全自然的模型有所贡献。在这项工作中,我们提出了一个端到端的序列到序列模型,该模型具有在字符级别读取和生成的注意机制,不再需要取消隐式化,标记化,甚至小写。此外,由于字符构成了每个文本的共同“构建块”,因此它还允许更一般的文本生成方法,使得能够开发用于训练的转移学习。这些技能得益于两个主要特征:(i)在标准生成机制和副本之间交替的可能性,允许直接复制输入事实以产生输出,以及(ii)使用进一步提高质量的原始培训管道生成的文本。我们还引入了一个名为E2E +的新数据集,旨在突出基于字符的模型的复制功能,这是E2E Challenge中使用的众所周知的E2Edataset的修改版本。我们根据五个广泛接受的指标(包括广泛使用的蓝图)测试了我们的模型,表明在基于字符和基于字的方法方面具有竞争性。
translated by 谷歌翻译
我们研究了正式验证支持向量机(SVM)的adversarialexamples的鲁棒性问题,这是一种用于分类和回归任务的主要机器学习模型。在最近的(深度)神经网络的形式稳健性验证工作流之后,我们的方法依赖于给定SVM分类器的声音抽象版本来用于检查鲁棒性。这种方法在实际值的给定数值抽象上是参数化的,并且类似于神经网络的情况,需要neitherabstract最小上界,也不需要拓宽这种抽象的算子。标准区间域提供了我们抽象技术的简单实例化,它通过简化仿射形式的域来增强,这是对zonotope抽象域的有效抽象。这种鲁棒性验证技术已经基于线性和非线性(多项式和径向基函数)内核完全实现和实验评估,这些内核已经在流行的MNIST图像数据集和最近和更具挑战性的Fashion-MNIST数据集上进行了训练。我们的原型SVM鲁棒性验证器的实验结果似乎令人鼓舞:这种自动验证是快速,可扩展的,并且在MNIST的测试集上显示出可证明的稳健性的显着高百分比,特别是与神经网络的类似可证明的鲁棒性相比。
translated by 谷歌翻译
机器人技术的长期挑战之一是让人类与世界各地的机器人进行交流。如果它们是tocollaborate必不可少。人类是视觉动物,我们主要通过语言进行交流,因此人机交流不可避免地至少部分是语言和语言问题。这促进了Refer Expressiondatasets以及Vision和Language Navigation数据集。这些问题将问题划分为识别感兴趣对象或导航到另一个位置的问题。然而,机器人的许多最吸引人的用途需要关于远程对象的通信,因此不能反映数据集中的二分法。因此,我们提出了第一个对实际图像中的远程对象进行自然语言引用的远程实体引用表达式数据集。成功需要在先前看不见的环境中导航以选择通过一般自然语言识别的对象。这代表了复杂的挑战,但却是一个密切反映机器人技术核心视觉问题之一的挑战。还提出了一种Navigator-Pointer模型,该模型为任务提供了强大的基线。
translated by 谷歌翻译
我们使用Hybrid-cGAN介绍了DSM细化方法的工作流程,其中生成部分由两个编码器和一个公共解码器组成,该解码器将光谱和高度信息混合在一个网络中。 Hybrid-cGAN的输入是具有连续值的单通道摄影测量DSM和单通道全彩色(PAN)半米分辨率卫星图像。实验结果表明,具有不同物理意义的数据的早期信息融合有助于传播精细细节和有关建筑形式的3D信息不准确或缺失。此外,它改善了建筑物的边界,使它们更加直线。
translated by 谷歌翻译
答案集编程(ASP)是一种突出的知识表示语言,源于逻辑编程和非单调推理。组织双年度ASP竞争是为了提供具有挑战性的基准收集并​​评估ASP解决方案的最新进展。在本文中,我们报告了由卡拉布里亚大学(意大利),热那亚大学(意大利)和波茨坦大学(德国)联合举办的第七届ASP竞赛的设计和成果,并参加了第14届国际会议。逻辑编程和非单调推理(LPNMR 2017)。 (正在考虑接受TPLP)。
translated by 谷歌翻译