变序序列建模是人工和自然智能中的一个重要问题。虽然过度完备隐马尔可夫模型(HMMs),理论上具有表示长期时间结构的能力,但它们常常难以学习并收敛到局部最小值。我们通过使用受生物学启发的简单稀疏结构来约束HiddenMarkov模型(HMM),我们可以使它有效地学习变量序列。我们将此模型称为克隆HMM(CHMM),因为稀疏性结构强制许多隐藏状态确定性地映射到相同的发射状态。具有超过10亿个参数的CHMM可以在GPU上进行有效训练,而不会受到标准HMM的信用扩散问题的严重影响。与n-gram和序列记忆器不同,CHMM可以在任意长距离上建模时间依赖性,并识别其中带有“洞”的上下文。与RecurrentNeural Networks相比,CHMM是可以原生地处理不确定性的生成模型。此外,CHMM返回一个高阶图,表示数据的时间结构,可用于社区检测,以及构建分层模型。我们的实验表明,CHMM可以在字符级语言建模任务上击败字符串,序列记忆器和LSTM。在需要变量订单序列建模和处理不确定性的一些任务中,CHMM可以是这些方法的可行替代方案。
translated by 谷歌翻译
人类可以从图像对中推断出概念,并在物理世界中以完全不同的方式应用这些概念,从而实现像IKEA汇编这样的任务。如果机器人可以表示和推断高级概念,那么它将显着提高他们理解我们的意图和在不同环境之间转移的能力。为此,我们引入了一个复制人类概念学习方面的计算框架。概念被表示为新颖的计算机体系结构上的程序,该体系结构由视觉感知系统,工作记忆和动作控制器组成。该“认知计算机”的指令集具有解析视觉场景,引导和注意力,想象新物体,操纵视觉工作记忆内容和控制手臂运动的命令。推断一个概念对应于诱导一个可以将输入转换为输出的程序。一些概念需要使用想象和递归。以前学过的概念简化了后续更复杂概念的学习,并创建了抽象层次结构。我们演示了机器人如何使用这些抽象来解释作为示意图像呈现给它的新概念,然后在截然不同的情况下应用这些概念。通过将关于心理意象,感知符号,体现认知和指示机制的认知科学思想带入机器学习领域,我们的工作使我们更接近建立具有可解释性代表和常识的机器人的目标。
translated by 谷歌翻译
本文介绍了自动驾驶汽车的算法和系统架构。引入的车辆由设计用于鲁棒性,可靠性和可扩展性的软件栈提供动力。为了自主地绕过先前未知的轨道,所提出的解决方案结合了来自不同机器人领域的技术的状态。具体而言,感知,估计和控制被合并到一个高性能自主车辆中。这个复杂的机器人系统由AMZ Driverless和ETHZurich开发,在我们参加的每个比赛中获得第一名:Formula StudentGermany 2017,Formula Student Italy 2018和Formula Student Germany 2018. Wediscuss这些比赛的结果和学习,并对每个模块进行实验评估我们的解决方案
translated by 谷歌翻译
由于病理复杂性以及作为常规临床护理的一部分而产生的大量异质数据,临床决策具有挑战性。近年来,已经开发出机器学习工具来实现该过程。重症监护病房(ICU)入院代表了数据密集和时间紧迫的患者护理事件。在这种情况下,预测模型可以帮助临床医生确定哪些患者风险最大并且优先考虑护理。然而,诸如人工神经网络(ANN)之类的灵活工具缺乏可解释性限制了他们的可接受性。在这项工作中,我们提出了一种新颖的可解释贝叶斯神经网络架构,它提供了人工神经网络的灵活性和特征选择方面的可解释性。特别是,我们采用非依赖性诱导先验分布的方式,以了解哪些特征对结果预测很重要。我们使用两个真实的ICU队列来评估我们关于死亡率预测任务的方法。我们与临床医生合作,发现除了预测的结果结果外,还可以提供对不同临床测量重要性的新见解。这表明我们的模型可以在决策制定过程中为医学专家提供支持。
translated by 谷歌翻译
区块链在其生命周期中会记录大量数据,这些数据在完全使用时会保留在整个数据库中。在机器人环境中,旧信息对于人类评估或者与区块链接口的神谕有用,但是对于仅需要当前信息以继续其工作的机器人来说它是无用的。这导致存储容量有限的区块链节点中的存储问题,例如在通常围绕嵌入式解决方案构建的机器人附着的节点的情况下。本文为具有有限存储容量的设备提供了一种时间分段解决方案,该解决方案集成在一个名为机器人链接的特定机器人定向区块链中。给出了关于所提出的解决方案的结果,该解决方案表明在不损害在这些容器中使用区块链所产生的所有益处的情况下达到了限制每个节点容量的目标,相反,它允许廉价节点使用该区块链,降低存储成本和允许更快地部署新节点。
translated by 谷歌翻译
为了研究复杂环境中的运输,确定扩散的物理机制,并精确地表征其性质和参数是非常重要的。通常,这项任务受到由长度短和局部化精度有限的轨迹组成的数据的强烈影响。在本文中,我们提出了一种基于随机森林结构的机器学习方法,该方法能够将精确短路轨迹与下面的扩散机制相关联,具有较高的精度。此外,该方法能够根据正常的异常扩散对运动进行分类。并且通过小误差确定其异常指数。该方法即使在非常短的轨迹和存在实验噪声的情况下也能提供高精度的输出。我们进一步证明了转移学习在实验和模拟数据中的应用,不包括在训练/测试数据集中。这允许实验轨迹的完整,高精度表征而无需任何先前信息。
translated by 谷歌翻译
本文探讨了两种提高基于深度神经网络的文本依赖说话人验证系统性能的技术。首先,我们提出了一种通用的对齐机制来保持每个短语的时间结构,并获得一个带有说话者和短语信息的超向量,因为两者都是相关的。用于文本相关的验证。作为weshow,可以使用不同的对齐技术来替换平均池,从而显着提高性能。此外,我们提出了一种新颖的后端方法,通过优化曲线下面积(AUC)来训练神经网络用于检测任务,作为通常的丢包函数的替代,因此系统是端到端的,成本函数关闭到我们期望的绩效衡量标准。正如我们在实验部分中所看到的,这种方法提高了系统性能,因为我们的三元组AUCneural网络学习如何区分来自同一身份和不同身份对的示例对。除了新的后端方法之外,还在RSR2015-Part I数据库上测试了用于生成超向量的不同对齐技术,用于文本相关的说话者验证,与使用平均汇集提取超向量和使用简单后向器的类似大小的网络相比,提供了有竞争力的结果三重损失训练。
translated by 谷歌翻译
学习能够解决数据中可变性的潜在因素的表达是人工智能推理的直观前提。因此,它已成为机器学习社区许多努力的目标。通过解决由于数据中存在类别区分而产生多模式分布的生成因素的情景,这项工作在这个方向上更进了一步。我们在输入和类标签的联合分布上形成一个下界,并呈现N-VAE,这是一个能够将特定类别的变异因子与类之间共享的因子分开的模型。该模型通过使用类调节的潜在空间和共享的潜在空间来实现自然聚类。我们展示了其用于检测和解决依赖于类依赖的生成因子以及生成富含人工样本的有用性。
translated by 谷歌翻译
探测方案被认为具有可访问和可控的量子位,用于探测由与环境相互作用的第二个量子比特组成的失衡系统。探针和系统之间的量子自发同步出现在该模型中,并且通过调谐探针频率,可以同相和反相发生。我们在这种基于量子同步的探测方案中分析了机器学习的能力。人工神经网络用于从可观察的探测中推断出maindissipation特征,例如环境欧姆指数。在数据集中存在一些噪声的情况下算法的效率也被考虑。我们表明,由于反相/反相同步转换,分类和回归中的性能显着提高。这为环境的表征开辟了道路。任意密度。
translated by 谷歌翻译
下一代嵌入式信息和通信技术(ICT)系统是能够执行自主任务的互联协作智能系统。在Edge设备上培训和部署此类系统无论如何都需要对数据和工具进行细粒度的集成,以实现高精度并克服功能和非功能需求。在这项工作中,我们提出了一个模块化AI管道作为集成框架,将数据,算法和部署工具结合在一起。通过这些方式,我们能够连接特定系统的不同实体或阶段,并提供AI产品的端到端开发。我们通过解决自动语音识别挑战来证明AI管道的有效性,并且说明了导致Key-wordSpotting任务的端到端开发的所有步骤:语音数据的导入,分区和预处理,不同神经元的训练网络架构及其在异构嵌入式平台上的部署。
translated by 谷歌翻译