在本研究中，提出了基于人工神经网络（ANN）预测负载的基于粒子群优化（PSO）的需求响应（DR）模型。德克萨斯州奥斯汀市的住宅区的电气负荷和气候数据被用作ANN的输入。然后，使用日前价格数据的结果用于解决负载转移和降低成本问题。根据结果，提议的模型具有降低付款成本和峰值负载的能力。
translated by 谷歌翻译
土壤侵蚀是对世界各地环境和长期土地管理的重大威胁。人类活动加速的土壤侵蚀会造成陆地和水生生态系统的极端变化，这在现场阶段（30-m）的当前和可能的未来没有得到充分的调查/预测。在这里，我们使用三种替代方案（2.6、4.5和8.5）估计/预测通过水侵蚀（薄板和RILL侵蚀）的土壤侵蚀速率，共享社会经济途径和代表性浓度途径（SSP-RCP）情景。田间尺度的土壤侵蚀模型（FSSLM）估计依赖于由卫星和基于图像的土地使用和土地覆盖的估计（LULC）集成的高分辨率（30-m）G2侵蚀模型，对长期降水量的规范观察，以及耦合模型比较项目阶段6（CMIP6）的方案。基线模型（2020年）估计土壤侵蚀速率为2.32 mg HA 1年1年，具有当前的农业保护实践（CPS）。当前CPS的未来情况表明，在气候和LULC变化的SSP-RCP方案的不同组合下，增加了8％至21％。 2050年的土壤侵蚀预测表明，所有气候和LULC场景都表明极端事件的增加或极端空间位置的变化很大程度上从南部到美国东部和东北地区。
translated by 谷歌翻译
有时，图像传达的含义超出了它们所包含的对象列表。相反，图像可能会表达有力的信息以影响观众的思想。推断此消息需要有关对象之间关系以及有关组件的一般常识知识的推理。在本文中，我们使用场景图，图像的图表来捕获视觉组件。此外，我们使用从概念网络提取的事实来生成知识图，以了解对象和属性。为了检测符号，我们提出了一个名为SKG-SYM的神经网络框架。该框架首先使用图形卷积网络生成图像的场景图及其知识图的表示。然后，该框架融合了表示形式，并使用MLP对其进行分类。我们进一步扩展网络以使用注意力机制，该机制了解图表的重要性。我们在广告数据集上评估我们的方法，并将其与基线象征主义分类方法（RESNET和VGG）进行比较。结果表明，我们的方法在F评分方面优于重新连接，并且基于注意力的机制与VGG具有竞争力，而模型的复杂性较低。
translated by 谷歌翻译
现代神经开放式系统和基准的主要缺点是，它们优先考虑萃取中的信息高于其成分的紧凑性。这严重限制了开放式提取物在许多下游任务中的有用性。如果提取是紧凑和共享成分，则可以改善提取的效用。为此，我们研究了使用基于神经的方法鉴定紧凑提取的问题。我们提出了Compactie，这是一种使用新型管道方法的开放式系统，以产生具有重叠成分的紧凑型提取物。它首先检测到提取的成分，然后将它们链接到构建提取物。我们通过处理现有基准测试获得的紧凑提取物进行训练。我们在CARB和WIEL57数据集上的实验表明，紧凑型发现比以前的系统高1.5x-2x提取物，具有高精度，在OpenIE中建立了新的最新性能。
translated by 谷歌翻译
我们提出了MC-CIM，一个计算内存（CIM）框架，用于强大，但低功耗，贝叶斯边缘智能。具有确定性权重的深神经网络（DNN）不能表达他们的预测不确定性，从而对误诊的后果是致命的诸如外科机器人的应用来说，对应用来说造成危急风险。为了解决这个限制，DNN的贝叶斯推论已经受到关注。使用贝叶斯推断，不仅是预测本身，而且还可以提取预测置信度以规划风险感知的动作。然而，DNN的贝叶斯推断是计算昂贵的，不适合实时和/或边缘部署。使用Monte Carlo Dropout（MC-Tropout）的贝叶斯DNN近似值和低计算复杂性具有高的鲁棒性。增强该方法的计算效率，我们讨论了一个新的CIM模块，除了内存重量输入标量产品之外，还可以对内存概率丢弃进行支持，以支持该方法。我们还提出了计算重复使用的MC-Dropout的重新使用，其中每个连续实例可以利用来自之前的迭代的产品和计算。甚至更多，我们讨论如何通过利用组合优化方法来最佳地订购随机实例，以最小化整体MC-Dropout工作负载。讨论了基于CIM的MC-Tropout执行的应用，用于自主无人机的MNIST字符识别和视觉径管（VO）。框架可靠地给出了MC-CIM在很大程度上的非理想中的预测信心。提出了MC-CIM，具有16x31 SRAM阵列，0.85 V电源，16nm低待机电源（LSTP）技术在其最佳计算和外围配置中消耗了30个MC-Dropout实例的30个MC-Dropout实例，节省了43％的能量与典型相比执行。
translated by 谷歌翻译
在低地球轨道（LEO）Mega Constellation中，有相关的用例，例如基于卫星成像的推断，其中大量卫星在不共享其本地数据集的情况下协作机器学习模型。为了解决这个问题，我们提出了一种基于联合学习（FL）的新一套算法，包括基于FedAVG的新型异步流程，其对异构情景具有比最先进的异构情景更好的鲁棒性。基于MNIST和CIFAR-10数据集的广泛数值评估突出了所提出的方法的快速收敛速度和优异的渐近试验精度。
translated by 谷歌翻译
拓扑数据分析（TDA）研究数据的形状模式。持续同源性（pH）是TDA中广泛使用的方法，其总结了多个尺度的数据的同源特征，并将它们存储在持久图（PDS）中。在本文中，我们提出了一种随机持久性图（RPDG）方法，其生成从数据产生的那些随机PDS序列。RPDG由（i）基于对持久性图推断的成对交互点处理的模型，并通过可逆跳转马克可蒙特卡罗（RJ-MCMC）算法来生成PDS样本。基于合成数据集的第一示例演示了RPDG的功效，并提供了与用于采样PDS的其他现有方法的详细比较。第二个例子演示了RPDG求解材料科学问题的效用，给出了小样本大小的真实数据集。
translated by 谷歌翻译
最新的深度神经网络模型已在受控的高分辨率面部图像上达到了几乎完美的面部识别精度。但是，当他们使用非常低分辨率的面部图像测试时，它们的性能会大大降低。这在监视系统中尤其重要，在监视系统中，低分辨率探测图像应与高分辨率图库图像匹配。超分辨率技术旨在从低分辨率对应物中产生高分辨率的面部图像。尽管它们能够重建视觉上吸引人的图像，但与身份相关的信息尚未保留。在这里，我们提出了一个具有身份的端到端图像到图像翻译的深度神经网络，该网络能够使其高分辨率的高分辨率面孔超级解决方案，同时保留与身份相关的信息。我们通过训练一个非常深的卷积编码器网络来实现这一目标，并在相应层之间具有对称收缩路径。该网络在多尺度的低分辨率条件下训练了重建和具有身份损失的结合。对我们提出的模型的广泛定量评估表明，它在自然和人工低分辨率的面部数据集甚至看不见的身份方面优于竞争超分辨率和低分辨率的面部识别方法。
translated by 谷歌翻译
已知神经网络容易受到对抗性攻击的影响 - 轻微但精心构建的输入扰动，这会造成巨大损害网络的性能。已经提出了许多防御方法来通过培训对抗对抗扰动的投入来改善深网络的稳健性。然而，这些模型通常仍然容易受到在训练期间没有看到的新类型的攻击，甚至在以前看到的攻击中稍微强大。在这项工作中，我们提出了一种新的对抗性稳健性的方法，这在域适应领域的见解中建立了洞察力。我们的方法称为对抗性特征脱敏（AFD），目的是学习功能，这些特征是不变的对输入的对抗扰动。这是通过游戏实现的，我们学习了预测和鲁棒（对对抗性攻击不敏感）的特征，即不能用于区分自然和对抗数据。若干基准测试的经验结果证明了提出的方法对广泛的攻击类型和攻击优势的有效性。我们的代码可在https://github.com/bashivanlab/afd获得。
translated by 谷歌翻译
步态识别是与每个人相关的独特生物特征模式的表征，可以用来识别无直接接触的人。具有相对较大受试者的公共步态数据库可以为将来的研究提供一个很好的机会，以建立和验证步态身份验证模型。这项研究的目的是引入一个由93个人类受试者的全面步态数据库，他们在两个不同的课程中行走在两个端点（320米）之间，并使用两台智能手机记录其步态数据，一个附着在右大腿上，另一个附着在左侧。腰部。该数据是通过基于深度学习的方法来利用的，该方法需要足够的时间点。记录包括年龄，性别，吸烟，每日运动时间，身高和体重在内的元数据。该数据集可公开使用。
translated by 谷歌翻译