贝叶斯优化(BO)是黑盒优化的有效工具,其中目标函数评估通常非常昂贵。在实践中,目标函数的低保真度近似值通常是可用的。最近,多保真贝叶斯优化(MFBO)引起了人们的关注,因为它可以通过使用那些更便宜的观测来显着加速优化过程。我们提出了一种新的MFBO信息理论方法。基于信息的方法在BO中很受欢迎,但是基于信息的MFBO的现有研究受到难以准确估计信息增益的困扰。 Ourapproach基于一种基于信息的BO变体,称为最大值熵搜索(MES),它极大地便于评估MFBO中的信息增益。实际上,我们的采集函数的计算是在分析上编写的,除了一维积分和采样之外,可以有效和准确地计算。我们通过使用合成和基准数据集证明了我们方法的有效性,并进一步展示了材料科学数据的实际应用。
translated by 谷歌翻译
我们研究公制学习的安全筛选。距离度量学习可以优化一组三元组上的度量,每个三元组由一对相同的类实例和一个不同类中的实例定义。然而,即使对于小数据集,可能的三元组的数量也非常大。我们的safetriplet筛选识别三胞胎,可以从优化问题中安全地移除,而不会失去最优性。与现有的安全筛选研究相比,三重筛选特别重要,因为(1)大量可能的三联体,和(2)优化中的半确定约束。我们推导出筛选规则的几种变体,以及analyzetheir关系。基准数据集的数值实验证明了安全三联体筛选的有效性。
translated by 谷歌翻译
量子退火(QA)是利用虚拟量子涨落来解决优化问题的通用方法。执行QA的当前设备涉及控制横向场;通过使用标准技术将量子自旋系统映射到经典系统,可以经典地模拟。在这个意义上,尽管利用量子波动,但目前的QA系统并不强大。因此,我们开发了一个具有时间依赖的哈密顿量的系统,该系统由配制的Ising模型和仅具有量子波动的“驱动器”哈密顿量组成。在之前的研究中,完全连接自旋模型,量子涨落可以用相对简单的方式来解决。我们证明了完全连接的反铁磁相互作用可以转化为波动的横向场,因此可以在足够低的温度下进行经典模拟。利用波动的横向场,我们建立了几种方法来模拟经典计算机上的部分经验哈密顿量。我们在本研究中制定了消息传递算法。该算法能够评估QA的性能,其中部分非平均哈密顿量具有大量的自旋。换句话说,我们开发了一种不同的方法来模拟非模态哈密顿量而不使用quantumMonte Carlo技术。我们的结果通过与复制方法获得的结果进行比较来验证。
translated by 谷歌翻译
本文提出了深度学习辅助迭代检测算法形成超载多输入多输出(MIMO)系统,其中发射天线的数量$ n(\ gg 1)$大于接收天线$ m $的数量。由于所提出的算法基于具有可训练参数的投影梯度下降方法,因此将其命名为可训练的投影梯度检测器(TPG-检测器)。可以使用标准深度学习技术(例如后向传播和随机梯度下降算法)来优化诸如步长参数之类的可训练内部参数。这种方法被认为是数据驱动的调整带来了所提出的方案的显着优点,例如快速收敛。 TPG检测器的主要迭代过程包括矩阵向量乘积运算,需要$ O(m n)$ - 时间的迭代步骤。此外,TPG探测器中可训练参数的数量与天线数$ n $和$ m $无关。 TPG探测器的这些特征导致其快速和稳定的训练过程以及对大型系统的合理可扩展性。数值模拟表明,所提出的检测器实现了与用于大规模过载MIMO信道的已知算法(例如,最先进的IW-SOAV检测器)的检测性能相当,具有较低的计算成本。
translated by 谷歌翻译
几十年来,已经研究了从单一图像劣化类型(例如模糊,模糊,随机噪声和压缩)的图像恢复。然而,实际中的图像劣化通常是几种类型的降解的混合。这种组成降解使恢复变得复杂,因为它们需要区分不同的降解类型和水平。在本文中,我们提出了一种卷积神经网络(CNN)模型,该模型预测了给定退化图像的退化特性。此外,我们介绍了一种采用估计降级特性作为输入的图像恢复CNN模型。实验结果表明,所提出的退化估计模型能够成功地推断出成分退化图像的退化特性。所提出的恢复模型可以通过利用估计的降解特性来恢复降级的图像,并且可以实现盲和非盲图像修复。
translated by 谷歌翻译
我们制定了一个优化问题,以控制工厂中的大量自动导引车辆而不会发生碰撞。该公式由二元变量组成。这些变量的二次成本函数使我们能够利用数字计算机上的某些求解器和最近开发的专用硬件,如D-Wave 2000Q和Fujitsu digitalannealer。在本研究中,我们考虑日本的实际工厂,其中运行车辆,并评估我们的配方通过几个求解器优化车辆的效率。我们确认,与传统方法相比,我们的配方可以是用于执行平滑控制同时避免车辆之间碰撞的强大功能。此外,使用多个求解器进行的对比实验表明,D-Wave 2000Q可用作快速求解器,用于在短时间内生成控制车辆的计划,尽管它只处理少量车辆,而数字计算机可以快速解决相应的问题。优化问题,即使有大量二进制变量。
translated by 谷歌翻译
激活函数在深度神经网络中起着至关重要的作用。简单的整流线性单元(ReLU)广泛用于激活功能。在本文中,提出了加权S形门单元(WiG)作为激活函数。建议的WiG由输入的乘法和加权的乙状态门组成。结果表明,WiG包括ReLU和与特殊情况相同的激活功能。已经提出了许多激活功能来克服ReLU的性能。在文献中,性能主要通过对象识别任务来评估。使用对象识别任务和图像恢复任务来评估所提出的WiG。然后,实验比较表明所提出的WiG克服了现有的激活功能,包括ReLU。
translated by 谷歌翻译
低光图像增强是一种高度需求的图像处理技术,特别是对于消费者数码相机和移动电话上的相机。本文提出了一种基于梯度的低光图像增强算法。关键是要增强暗区的梯度,因为梯度对人类视觉系统比绝对值更敏感。另外,我们涉及图像积分的强度范围约束。通过使用强度范围约束,我们可以将输出图像与增强的梯度相结合,保留给定的梯度信息,同时在一定的强度范围内增强输出图像的强度范围。实验表明,所提出的基于梯度的低光图像增强可以有效地增强低光图像。
translated by 谷歌翻译
基于卷积神经网络(CNN)的盲图像恢复处理器因其高性能而得到了深入的研究。然而,它们对降解模型的扰动过于敏感。显然无法恢复其退化模型与训练的退化模型略有不同的图像。在本文中,我们提出了一种基于非盲CNN的图像恢复处理器,旨在与盲恢复处理器相比,能够抵抗退化模型的微扰。实验比较表明,与现有的基于盲CNN的图像恢复处理器相比,所提出的基于非盲CNN的图像恢复处理器可以稳健地恢复图像。
translated by 谷歌翻译
我们使用量子退火引发的量子涨落数值测试深度神经网络(DNN)的优化方法。为了有效优化,我们的方法利用超出势垒的量子隧道效应。 DNN优化的路径积分公式产生吸引力以模拟量子隧道效应。在标准量子退火方法中,量子涨落将在优化的最初阶段消失。在这项研究中,我们提出了一种学习协议,利用量子波动强度的有限值来获得更高的广义性能,这是一种鲁棒性。我们使用两个众所周知的开放数据集演示了我们方法的性能:MNIST数据集和Olivetti人脸数据集。虽然计算成本阻止我们在具有高维数据的大型数据集上测试我们的方法,但结果表明我们的方法可以通过诱导量子涨落的有限值来增强泛化性能。
translated by 谷歌翻译