贝叶斯优化和Lipschitz优化已经开发出用于优化黑盒功能的替代技术。它们各自利用关于函数的不同形式的先验。在这项工作中,我们探索了这些技术的策略,以便更好地进行全局优化。特别是,我们提出了在传统BO算法中使用Lipschitz连续性假设的方法,我们称之为Lipschitz贝叶斯优化(LBO)。这种方法不会增加渐近运行时间,并且在某些情况下会大大提高性能(而在最坏的情况下,性能类似)。实际上,在一个特定的环境中,我们证明使用Lipschitz信息产生与后悔相同或更好的界限,而不是单独使用贝叶斯优化。此外,我们提出了一个简单的启发式方法来估计Lipschitz常数,并证明Lipschitz常数的增长估计在某种意义上是“无害的”。我们对具有4个采集函数的15个数据集进行的实验表明,在最坏的情况下,LBO的表现类似于底层BO方法,而在某些情况下,它的表现要好得多。特别是汤普森采样通常看到了极大的改进(因为Lipschitz信息已经得到了很好的修正) - 探索“现象”及其LBO变体通常优于其他采集功能。
translated by 谷歌翻译
生成具有最佳性质的新分子是许多工业中的关键步骤,例如药物发现。最近,深度生成模型已经显示出进行从头分子设计的有希望的方法。虽然图形生成模型目前可用,但它们或者在参数数量上具有图形尺寸依赖性,将它们的使用限制为仅非常小的图形或者被构造为构造图形所需的一系列离散动作,使得输出图形与模型参数不可微分。因此阻止它们用于条件图生成等场景。在这项工作中,我们提出了一个条件图生成模型,它具有计算效率,可以直接优化图。我们证明了我们的模型在基于原型的分子图条件生成任务中的有利性能。
translated by 谷歌翻译
无人驾驶飞行器(UAV)最近迅速发展,以促进广泛的创新应用,这些应用可以从根本上改变设计的道路物理系统(CPS)。 CPS是现代一代的系统,具有计算和物理潜力之间的协同合作,可以通过几种新机制与人类进行交互。在CPS应用中使用无人机的主要优势在于其独特的功能,包括其移动性,动态性,轻松部署,自适应高度,灵活性,可调节性以及随时随地有效评估现实世界的功能。此外,从技术角度来看,预计无人机将成为先进CPS发展的重要元素。因此,在本次调查中,我们的目标是确定用于CPS应用的多无人机系统的最基本和最重要的设计挑战。我们突出了关键和多功能方面,涵盖目标和基础设施对象的覆盖和跟踪,节能导航和使用机器学习的细粒度CPS应用程序的图像分析。还研究了关键原型和测试平台,以展示这些实用技术如何促进CPS应用。我们提出并提出最先进的算法,用定量和定性方法解决设计挑战,并将这些挑战与重要的CPS应用相结合,以便对每种应用的挑战得出深刻的结论。最后,我们总结了可能影响这些领域未来研究的潜在新方向和想法。
translated by 谷歌翻译
本文的目的是使用多个斜坡计量控制加上其互补的DynamicSpeed限制(DSL)来优化全速的交通流量。当最小化高速公路密度和临界比率最大交通流量之间的差异时,可以达到最佳的高速公路运行。在本文中,提出了一种用于斜坡计量和DSL的多路径强化学习高速公路控制(MARL-FWC)系统.MARL-FWC在网络层面引入了基于协同马尔可夫决策过程建模(Markov game)的新型微观框架。相关的合作Q学习算法。该技术在协调图框架下结合了支付传播(Max-Plus算法),特别适合于最佳控制目的。 MARL-FWC提供三种控制设计:完全独立,完全分布和集中;适用于不同的网络架构。 MARL-FWC进行了广泛测试,以评估联合收益的建议模型以及全球收益。在着名的VISSIM交通模拟器下进行实验,以评估MARL-FWC。实验结果表明,在保持最佳交通流量的同时,总行程时间显着减少,平均速度增加(与基础情况相比)。
translated by 谷歌翻译
从图形数据中学习可以构建许多重要问题。我们提出了一个学习任意图卷积神经网络的框架。这些图可以是无向的,定向的,并且具有离散和连续的节点和边缘属性。类似于在输入的局部连接区域上操作的基于图像的卷积网络,我们提出了从图中提取局部连通区域的通用方法。我们建立了基准数据集,我们证明了学习的特征表示与最先进的图形内核竞争,并且它们的计算效率很高。
translated by 谷歌翻译
贝叶斯优化算法(BOA)是使用贝叶斯网络作为概率图形模型(PGM)的分布算法估计(EDA)。给定解决方案样本确定最优贝叶斯网络结构是NP难问题。此步骤应在BOA的每次迭代中完成,从而导致非常耗时的过程。出于这个原因,mostimplementations使用贪婪的估计算法,如K2。然而,我们在本文中表明,PGM结构的显着变化不会发生,并且在进化结束时可能特别稀疏。因此,提出了BOA的统计学研究,以表征PGM调整模式,该模式可用作减少进化过程中PGM更新频率的指南。这是通过提出一种新的基于BOA的优化方法(FBOA)来实现的,该方法的PGM不会在每次更新时更新。这种新方法避免了标准BOA中常见的计算负担。结果比较了两种算法在一个NG风景优化问题上的性能,使用了坚固性和预期运行时间相关的枚举实例。实验表明,FBA具有竞争力,同时显着节省了计算时间。
translated by 谷歌翻译
学习解决图解推理(DR)对于计算机视觉研究社区来说可能是一个具有挑战性但令人感兴趣的问题。人们认为,下一代模式识别应用应该能够模拟人类大脑来理解和分析图像的推理。然而,由于缺乏图解推理的基准,本研究主要关注可应用于现实世界对象的视觉推理。在本文中,我们提出了一个图解推理数据集,它提供了大量的DR问题。此外,我们还提出了一个基于知识的长期短期记忆(KLSTM)来解决图解推理问题。我们提出的分析可以说是该研究中的第一项工作。在目前的背景下,已经使用了几种最先进的学习框架来与提出的KLSTM框架进行比较。初步结果表明,该领域与计算机视觉和模式识别研究高度相关,具有几个具有挑战性的途径。
translated by 谷歌翻译
典型的人重新识别框架在通常在不同条件下收集的图像的库中搜索k个最佳匹配。当在视频上重新识别时,图库可以包含图像序列。然而,这样的过程是耗时的,因为重新识别必须进行多次。在本文中,我们提取移动人员的帧的时空序列(称为管),并应用多阶段处理来匹配给定的查询管,其中存储管通过其他相机记录。最初,我们应用二进制分类器从输入查询管中删除噪声图像。在下一步中,我们使用基于键姿势检测的queryminimization。这通过删除冗余帧来减少查询管的长度。最后,根据匹配分数,使用3阶段分层重新识别框架来输出输出管。公开可用的视频重新识别数据集的实验表明,我们的框架比最先进的方法更好。它在多个数据集中对管的排名提高了6-8%的CMC准确度。此外,我们的方法显着减少了误报的数量。新的视频重新识别数据集,名为基于管的重新识别视频数据集(TRiViD),已经准备好,旨在帮助重新识别研究社区
translated by 谷歌翻译
贴纸广泛用于消息应用程序,如远足,以视觉方式表达一系列细微的想法和话语,并传达夸张的爆发。然而,在一个庞大且不断扩大的贴纸池的聊天中在适当的时间发现正确的贴纸可能很麻烦。在本文中,我们描述了一种系统,用于根据用户键入的内容和会话上下文,在用户聊天时推荐贴纸。我们将贴纸推荐问题分解为两个步骤。首先,我们预测用户可能在聊天中发送的下一个消息。其次,我们用适当的贴纸替换预测的消息。 Hike的大多数用户都会将消息从他们的母语转换为英语。这导致相同消息的大量正交变化,从而使消息预测复杂化。为了解决这个问题,我们对具有相同含义的消息进行聚类,并预测消息集群而不是消息。我们用不同的方法对聊天消息的嵌入进行训练,并研究它们在学习具有相同意图的消息的类似密集表示方面的功效。我们提出了一种新颖的混合消息预测模型,该模型可以在具有严格计算限制的低端电话上以低延迟运行。
translated by 谷歌翻译
许多灾后和冲突地区没有足够的关于运输基础设施资产的数据,阻碍了移动性和重建。特别是,随着老化和劣化桥的数量增加,有必要量化它们的负载特性以便进行维护并防止故障。承载能力和设计负荷被认为是任何土木结构的主要方面。当挑战性问题缺乏专业知识时,人道考虑可能代价高昂且速度慢。在本文中,我们建议采用深度学习作为方法来估算人群来源图像的承载能力。新的卷积神经网络架构受到来自6000多个桥梁的数据的培训,这将有益于未来的研究和应用。我们处理数据集中的显着变化(例如,类间隔,图像完成,图像颜色)并量化它们对预测准确度,精度,召回和F1分数的影响。最后,通过将多类分类转换为二元分类来实现实际优化,以实现有前景的使用性能。
translated by 谷歌翻译