实际项目调度通常需要在选择和替代生产活动的确切长度方面具有灵活性。此外,在许多生产计划应用中,必须同时安排多个批次。为了满足这些要求,引入了一个新的灵活资源约束的多项目调度问题,其中两个决策(活动选择灵活性和时间灵活性)被集成。除最小化完工时间外,还提出了两个由asteel行业应用案例启发的替代目标:最大化所选活动的平衡时间(时间平衡)和均衡资源利用(资源平衡)的最大化。针对已开发的集成柔性项目调度问题,提出了新的混合整数和约束规划(CP)模型。通过使用IBMILOG CPLEX的CP Optimizer解决大型钢铁行业实例,可以显示建议的CP模型的实际适用性。此外,灵活的资源约束项目调度问题(RCPSP)的基准实例被解决为最优。
translated by 谷歌翻译
本文探讨了跨不同知识图匹配实体的问题。给定一个知识图中的查询实体,我们希望在另一个知识图中找到对应的现实世界实体。我们在这个问题上形成了这个问题并提出了两个大规模的数据集,这个数据集基于DBpedia和维基数据之间的一对一的跨本体链接,主要关注数十万个模糊实体。使用基于分类的方法,我们发现基于从每个知识图中的实体的RDF2Vec图嵌入得到的表示的简单多层感知器足以实现高精度,仅具有少量训练数据。我们工作的贡献是用于检查此问题的数据集以及未来工作可以基于的强基线。
translated by 谷歌翻译
训练和测试领域之间的差异是机器学习技术概括的一个基本问题。最近,已经提出了几种通过深度学习来学习域不变特征表示的方法。然而,标签转移,其中每个类在域之间的数据百分比不同,受到的关注较少。 Labelshift自然会在许多情况下出现,特别是在行为自由选择的行为研究中。在这项工作中,我们提出了一种称为目标转移的域对手网(DATS)的方法,以解决标签转移,同时学习域不变表示。这是通过使用分布匹配来估计盲测试集中的标签比例来实现的。我们通过开发最类似于目标域的方案toupweight源域来扩展此框架以处理多个域。实证结果表明,该框架在合成和实验实验中的大标签转换下表现良好,证明了实际的重要性。
translated by 谷歌翻译
传统的强化学习者通过与环境的互动获得经验,过去或现在。我们的方法通过直接询问策略“是否存在X,Y和Z情况,以便在这些情况下您可以选择操作A,B和C?”来解决经验,而无需代理与环境交互。在本文中,我们介绍了Introspection Learning,这是一种允许查询神经网络策略的这些类型问题的算法。 IntrospectionLearning是强化学习算法不可知的,返回的状态可以用作政策健康状况的指标或以多种方式塑造政策。我们在加速训练和提高稳健性约束的稳健性的背景下证明了该算法的有用性。
translated by 谷歌翻译
在本文中,我们提出了一种新的哈希学习方法,与过去的框架相比,具有以下主要的区别特征。首先,在汉明空间中使用代码字作为辅助技术来完成其哈希学习任务。从数据推断出的这些码字试图捕获数据的散列码的分组方面。此外,所提出的框架能够解决有监督的,无监督的,甚至半监督的散列学习场景。此外,该框架对代码字采用正则化术语,从而自动选择问题的代码字。为了有效地解决问题,本文展示了一种块坐标下降算法。 Wealso表明,算法的一个步骤可以被分解为几个SupportVector Machine问题,这使我们的算法能够利用效率软件包。对于正则化项,本文提供了一个近似算子的闭合形式解。一系列以内容为基础的图像检索的对比实验突出了其性能优势。
translated by 谷歌翻译
在本文中,我们解决了用于连​​续监视城市环境的一群UAV的避免碰撞问题。我们的方法LSwarm在考虑覆盖约束的同时,有效地避免了与三维城市环境中的静态障碍,动态障碍和其他代理的碰撞。 LSwarm计算冲突避免速度,其中(i)最大化代理与全局覆盖策略给出的最佳路径的一致性,以及(ii)确保每个代理收集的覆盖数据的充分分辨率。我们的算法是基于ORCA(Optimal ReciprocalCollision Avoidance)制定的,并且可以根据群体的大小进行扩展。我们在复杂城市模型中对四旋翼飞行器的逼真模拟中评估LSwarm的覆盖性能。在实践中,我们的方法可以在几秒钟内生成全局轨迹,并且可以在由数十个建筑物组成的密集城市场景上计算由几十到几百个代理组成的群体的冲突避免速度。
translated by 谷歌翻译
在复杂的模拟环境中,某些参数空间区域可能会导致非收敛或非物理结果。因此,所有参数都可以用二进制类标记,描述它们是否导致有效结果。通常,确定可行的参数区域可能非常困难,尤其是在没有先前知识的情况下。我们提出了一种新的算法来探索这样一个未知的参数空间,并以迭代的方式改进其可行性分类。此外,我们在算法中包括一个额外的优化目标,以指导对感兴趣区域的探索并改进其中的分类。在我们的方法中,我们使用机器学习领域中已经建立的概念,如kernelsupport矢量机和内核岭回归。通过与基于最近发布的结果的基于克里格的探索方法的比较,我们可以在具有离散可行性约束违规的二元可行性分类方案中显示我们的算法的优点。在此背景下,我们还提出了基于克里金的探索方法的改进。我们将新方法应用于完全现实的,工业相关的化学过程模拟,以展示其实际可用性,并从相对较少的数据点找到相对较好的数据空间拓扑近似。
translated by 谷歌翻译
Vossian Antonomasia是一种多产的风格设备,自古以来就在使用。它可以将人或其他名称的引入或描述压缩成简洁,尖锐的配方,最好用一个例子来解释:当挪威世界冠军马格努斯卡尔森被描述为“国际象棋的莫扎特“,这是我们正在处理的Vossian Antonomasia。模式简单:源(莫扎特)用于描述目标(马格努斯卡尔森),通过修饰符(“国际象棋”)达到意义转移。之前已经讨论过这种现象(作为“隐喻性的antonomasia”,或者特别关注源对象,作为“paragons”),但尚未开发出基于语料库的方法来探索其广度和多样性。我们正在研究一个完整的文本报纸语料库(纽约时报,1987-2007),并描述了一种基于维基数据库自动提取Vossian Antonomasia的新方法。我们的分析提供了对热门对象的发生及其分布的新见解。
translated by 谷歌翻译
视网膜眼底图像上的视杯和盘的自动分割对于青光眼的自动检测/分析是基础。传统分割方法在很大程度上取决于手工制作的功能和用户的先验知识。因此,这些方法难以适应临床环境。最近,基于完全卷积网络(FCN)的深度学习方法已经成功地解决了分割问题。然而,在处理医学图像时,依赖于大注释的训练数据是有问题的。如果没有足够数量的带注释的训练数据来涵盖所有可能的变化,则FCN不提供准确的分割。此外,FCN在卷积层中具有大的感受场,因此产生粗略的边界输出。因此,我们提出了一种新的全自动方法,我们将其称为双级完全卷积网络(DSFCN)。我们的方法利用深度剩余架构和FCN,并以逐步的方式学习和推断光学杯和磁盘的位置,并具有细粒度的细节。在训练期间,ourapproach从训练数据和从前一次迭代得到的估计结果中学习。从前一次迭代中学习的能力可以优化光学杯和磁盘边界的学习。在测试(预测)期间,DSFCN使用测试(输入)图像和从先前迭代得到的估计概率图来逐渐改善分段准确性。我们的方法实现了视杯和磁盘分割的平均Dice系数为0.8488和0.9441,并且曲线下面积(AUC)为0.9513,用于青光眼检测。
translated by 谷歌翻译
统计学习理论的主要目标是为基于数据集的决策和模型构建问题提供基础框架。在这里,我们简要介绍统计学习理论的基本原理,特别是经验和结构风险最小化之间的差异,包括其最突出的实现之一,即支持向量机。
translated by 谷歌翻译