高科技设备批判性依赖于精确操作和测量的柔性。通过弹性变形，柔性在其自由度的有限运动范围内提供极端位置重复性，而在约束的限制中的约束运动。拓扑优化证明了一种用于设计短行程弯曲的前瞻性工具，提供最大的设计自由并允许特定于应用的要求。弯曲合成的最先进的拓扑优化配方受到易于使用，多功能性，实施复杂性和计算成本的挑战，留下普遍接受的制剂。本研究提出了一种新颖的拓扑优化制剂，用于在规定的位移场景下独特地为短语屈曲合成短程弯曲。由此产生的自相伴随优化问题与经典合规性最小化和继承了类似的实现简单，计算效率和收敛性。数值示例展示了柔性类型的多功能性和附加设计要求的可扩展性。提供的源代码鼓励在学术界和工业中探索和应用制定。
translated by 谷歌翻译
事件日志被广泛用于复杂系统中的异常检测和预测。现有的基于日志的异常检测方法通常包括四个主要步骤：日志收集，日志解析，特征提取和异常检测，其中特征提取步骤提取有用的功能，可通过计数日志事件来进行异常检测。对于一个复杂的系统，例如由大量子系统组成的光刻机器，其日志可能包含数千个不同的事件，从而导致富含提取的功能。但是，当在子系统级别进行异常检测时，分析所有功能变得昂贵且不必要。为了减轻此问题，我们为基于日志的异常检测和预测开发了一种功能选择方法，从而在很大程度上提高了有效性和效率。
translated by 谷歌翻译
由于其样本的复杂性很高，截至今天，模拟对于成功应用增强学习至关重要。然而，许多现实世界中的问题都表现出过度复杂的动力学，这使其全尺度模拟在计算上很慢。在本文中，我们展示了如何将许多代理的大型网络系统分解为多个局部组件，以便我们可以构建独立和并行运行的单独模拟器。为了监视不同局部组件彼此施加的影响，这些模拟器中的每个模拟器都配备了一个经过定期训练实际轨迹的模型。我们的经验结果表明，在不同的过程之间分配仿真不仅可以在短短几个小时内训练大型多机构系统，还可以帮助减轻同时学习的负面影响。
translated by 谷歌翻译
长期以来一直研究规则集学习，并且由于需要可解释的模型，最近经常被重新审视。尽管如此，现有方法仍有几个缺点：1）最新方法需要二进制特征矩阵作为输入，直接从数字变量中学习规则； 2）现有方法在规则之间施加命令，无论是明确或隐式而损害解释性的； 3）当前，对于多级目标变量学习概率规则集尚无方法（只有一种概率规则列表的方法）。我们提出了TUR，以解决真正无序的规则集，以解决这些缺点。我们首先将学习真正无序规则集的问题形式化。为了解决由重叠规则引起的冲突，即多个规则所涵盖的实例，我们提出了一种利用规则集的概率属性的新方法。接下来，我们开发了一种两阶段的启发式算法，该算法通过精心发展的规则来学习规则。一个重要的创新是，我们在学习地方规则时使用替代得分来考虑规则的全球潜力。最后，我们从经验上证明，与非稳定和（明确或隐式）有序的最新方法相比，我们的方法学习规则集，这些规则集不仅具有更好的解释性（即它们是较小且真正的无序），，但也更好的预测性能。
translated by 谷歌翻译
我们提出了一种基于神经网络（NN）的算法，用于用于窄带物理随机访问通道（NB-iot）的窄带物理随机通道（NBRACH）的设备检测和到达时间（TOA）和载体频率偏移（CFO）估计（nprach） 。引入的NN体系结构利用了剩余的卷积网络以及对5G新无线电（5G NR）规格的序言结构的了解。第三代合作伙伴项目（3GPP）城市微电池（UMI）频道模型的基准测试，其随机用户与最先进的基线相对于最先进的基线表明，该提出的方法可在虚假的负率（FNR）中最多8 dB增益（FNR）以及假阳性率（FPR）和TOA和CFO估计精度的显着增长。此外，我们的模拟表明，所提出的算法可以在广泛的通道条件，CFO和传输概率上获得收益。引入的同步方法在基站（BS）运行，因此在用户设备上没有引入其他复杂性。它可能通过降低序列长度或发射功率来延长电池寿命。我们的代码可在以下网址提供：https：//github.com/nvlabs/nprach_synch/。
translated by 谷歌翻译
根据自我监督的方法，我们根据预先训练的深网络重新审视水印技术。我们提出了一种方法来将标记和二进制消息嵌入到其潜在空间中，利用在标记时间时使用数据增强。我们的方法可以在任何分辨率下运行，并在广泛的转换（旋转，作物，JPEG，对比度等）中创建水印稳健。它显着优于先前的零位方法，其对多比特水印的性能与最先进的编码器 - 解码器架构是对水印的端到端训练的端到端的平台。我们的实施和型号将公开可用。
translated by 谷歌翻译
在十亿缩放的数据集中快速检索类似载体的现代方法依赖于压缩域方法，例如二进制草图或产品量化。这些方法最小化了一定的损失，通常是针对检索问题量身定制的平均平方误差或其他目标函数。在本文中，我们重新解释了流行的方法，例如二进制散列或产品量化器作为自动编码器，并指出它们在解码器的形式上隐式制作次优假设。我们设计了向后兼容的解码器，可从相同的代码改进向量的重建，这转化为最近的邻居搜索中的更好性能。我们的方法显着提高了流行基准的二进制散列方法或产品量化。
translated by 谷歌翻译
潜在文本表示展示了几何规律，如着名的类比：女王是王的女人是男人。在图像表示上没有证明这种结构化语义关系。最近的作品，旨在将该语义差距缩短嵌入图像和文本到多峰空间，使传送文本定义的变换传输到图像模态。我们介绍SIMAT数据集以评估文本驱动图像变换的任务。 SIMAT包含6K图像和18K“转换查询”，其瞄准替换场景元素或更改其成对关系。目标是检索与（源图像，转换）查询一致的图像。我们使用匹配Oracle（OSCAR）的图像/文本来评估图像转换是否成功。 SIMAT DataSet将被公开可用。我们使用SIMAT来表明Vanilla Clip MultimoDal Embeddings不太适合文本驱动的图像转换，但Coco DataSet上的简单FineTuning可以带来戏剧性的改进。我们还研究利用普雷雷普雷普明的通用句子编码器（FastText，Lable和Labse）的几何特性是有益的。
translated by 谷歌翻译
传统上，奖励 - 麦卢斯系统（Bonus-Malus Systems）考虑了客户的索赔数量，无论其大小如何，即使这些组件在实践中取决于这些组件。我们提出了一种基于潜在的马尔可夫风险概况的新型联合体验评级方法，以允许积极或负面的个人频率依赖性。潜在的配置文件随着时间的推移而在隐藏的马尔可夫模型中演变，以捕获客户索赔经验中的更新，从而使索赔计数和大小有条件地独立。我们表明，由此产生的风险首屈一指会导致标准信誉PREMIA的动态，索赔经验加权的混合。提出的方法适用于荷兰汽车保险投资组合，并确定具有独特索赔行为的客户风险概况。这些概况又使我们能够更好地区分客户风险。
translated by 谷歌翻译
从对量子网络和传感器的基本力量的超敏感探测器，机械谐振器能够在室温环境中实现下一代技术。目前，氮化硅纳米腔作为这些进步中的领先微芯片平台，允许机械谐振器从环境热噪声显着隔离的机械谐振器。然而，迄今为止，人类直觉仍然是设计过程背后的驱动力。这里，由自然启发和通过机器学习引导，开发了一种蜘蛛网纳米机械谐振器，其显示通过数据驱动优化算法发现的新颖“扭转软夹紧”机构从环境热环境中分离的振动模式。然后制造该生物启发的谐振器;通过在室温环境中通过高于10亿以上的机械师进行实验证实了新的范式。与其他最先进的谐振器相比，这种里程碑是通过紧凑的设计实现的，该设计不需要亚微米光刻特征或复声胶凝带，使得在大尺度上制造显着更容易和更便宜。在这里，我们展示了机器学习与人类直觉一起工作的能力，以增加创造性的可能性，并在计算和纳米技术中发现新的策略。
translated by 谷歌翻译