The advancement in the area of computer vision has been brought using deep learning mechanisms. Image Forensics is one of the major areas of computer vision application. Forgery of images is sub-category of image forensics and can be detected using Error Level Analysis. Using such images as an input, this can turn out to be a binary classification problem which can be leveraged using variations of convolutional neural networks. In this paper we perform transfer learning with state-of-the-art image classification models over error level analysis induced CASIA ITDE v.2 dataset. The algorithms used are VGG-19, Inception-V3, ResNet-152-V2, XceptionNet and EfficientNet-V2L with their respective methodologies and results.
translated by 谷歌翻译
机器学习的回归分支纯粹集中于连续值的预测。监督学习分支具有许多基于回归的方法，具有参数和非参数学习模型。在本文中，我们旨在针对与基于距离的回归模型相关的非常微妙的点。所使用的基于距离的模型是K-Nearest邻居回归器，它是一种监督的非参数方法。我们要证明的观点是模型的k参数的效果及其影响指标的波动。我们使用的指标是根平方误差和R平方拟合的优点，其值相对于K值的值表示。
translated by 谷歌翻译
我们描述了对AI代理中既以人为本又基于设计的解释产生的立场。我们通过焦点小组的参与设计收集有关AI代理商的工作问题。我们通过任务方法知识模型捕获代理的设计，该模型明确指定了代理的任务和目标，以及它用于完成任务的机制，知识和词汇。我们通过在Skillsync中产生的解释来说明我们的方法，Skillsync是AI代理，该代理将公司和学院连接起来，以使工人提高和重新锻炼。特别是，我们在Skillsync中嵌入了一个名为AskJill的提问代理，AskJill在其中包含Skillsync设计的TMK模型。AskJill目前回答有关Skillsync任务和词汇的人类生成的问题，从而有助于解释其如何产生建议。
translated by 谷歌翻译
密集的检索方法可以克服词汇差距并导致显着改善的搜索结果。但是，它们需要大量的培训数据，这些数据不适用于大多数域。如前面的工作所示（Thakur等，2021b），密集检索的性能在域移位下严重降低。这限制了密集检索方法的使用，只有几个具有大型训练数据集的域。在本文中，我们提出了一种新颖的无监督域适配方法生成伪标签（GPL），其将查询发生器与来自跨编码器的伪标记相结合。在六种代表性域专用数据集中，我们发现所提出的GPL可以优于箱子外的最先进的密集检索方法，最高可达8.9点NDCG @ 10。 GPL需要来自目标域的少（未标记）数据，并且在其培训中比以前的方法更强大。我们进一步调查了六种最近训练方法在检索任务的域改编方案中的作用，其中只有三种可能会产生改善的结果。最好的方法，Tsdae（Wang等，2021）可以与GPL结合，在六个任务中产生了1.0点NDCG @ 10的另一个平均改善。
translated by 谷歌翻译
客户端 - 服务器机器学习中的隐私问题引起了私人推理（PI），其中神经推断直接发生在加密输入上。 PI保护客户的个人数据和服务器的知识产权。 PI的常见做法是使用乱码的电路私下计算非线性功能，即释放。然而，乱码电路遭受高存储，带宽和延迟成本。为了缓解这些问题，采用了PI友好的多项式激活功能来替换Relu。在这项工作中，我们问：替换所有释放函数是否可行，以便为建设深度，隐私友好的神经网络而替换为低度多项式激活功能？我们通过分析与多项式取代释放的挑战来探索这个问题，从简单的液滴替换解决方案到新颖的解决方案，更有涉及的更换和培训策略。我们检查每种方法的局限性，并对PI的多项式激活功能的使用提供评论。我们发现所有评估的解决方案遭受逃避激活问题：前进激活值不可避免地以远离多项式的稳定区域的指数速率扩展，这导致爆炸值（NAN）或差的近似值。
translated by 谷歌翻译
2019-01-01
强大的策略搜索是在未经看不见的环境模型参数时，在执行性能时不会降低性能的策略问题。它与将在模拟环境中学到的政策转移到现实世界的政策特别相关。一些现有方法涉及采样大批轨迹，这些轨迹反映了各种可能环境中的差异，然后选择这些这些差异，然后选择一些这些用于学习强大的策略，例如导致最糟糕的性能的策略。我们提出了一个基于主动学习的框架，效果，以选择性地为此目的选择模型参数，以便仅收集必要的数据以选择这样的子集。我们使用线性匪徒应用此框架，并通过实验验证样本效率的增益以及我们对标准连续控制任务的方法的性能。我们还向强大的策略搜索问题提出了一个多任务学习的角度，并将我们提出的框架与多任务学习的现有工作绘制了连接。
translated by 谷歌翻译