当人类与机器人互动时，不可避免地会影响。考虑一辆在人类附近行驶的自动驾驶汽车：自动驾驶汽车的速度和转向将影响人类驾驶方式。先前的作品开发了框架，使机器人能够影响人类对所需行为的影响。但是，尽管这些方法在短期（即前几个人类机器人相互作用）中有效，但我们在这里探索了长期影响（即同一人与机器人之间的重复相互作用）。我们的主要见解是，人类是动态的：人们适应机器人，一旦人类学会预见机器人的行为，现在影响力的行为可能会失败。有了这种见解，我们在实验上证明了一种普遍的游戏理论形式主义，用于产生有影响力的机器人行为，而不是重复互动的有效性降低。接下来，我们为Stackelberg游戏提出了三个修改，这些游戏使机器人的政策具有影响力和不可预测性。我们最终在模拟和用户研究中测试了这些修改：我们的结果表明，故意使他们的行为更难预期的机器人能够更好地维持对长期互动的影响。在此处查看视频：https：//youtu.be/ydo83cgjz2q
translated by 谷歌翻译
Differentiable Architecture Search (DARTS) has attracted considerable attention as a gradient-based Neural Architecture Search (NAS) method. Since the introduction of DARTS, there has been little work done on adapting the action space based on state-of-art architecture design principles for CNNs. In this work, we aim to address this gap by incrementally augmenting the DARTS search space with micro-design changes inspired by ConvNeXt and studying the trade-off between accuracy, evaluation layer count, and computational cost. To this end, we introduce the Pseudo-Inverted Bottleneck conv block intending to reduce the computational footprint of the inverted bottleneck block proposed in ConvNeXt. Our proposed architecture is much less sensitive to evaluation layer count and outperforms a DARTS network with similar size significantly, at layer counts as small as 2. Furthermore, with less layers, not only does it achieve higher accuracy with lower GMACs and parameter count, GradCAM comparisons show that our network is able to better detect distinctive features of target objects compared to DARTS.
translated by 谷歌翻译
人行道挑战的数据科学（DSPC）旨在通过提供一个基准的数据集和代码来加速自动化视觉系统，以进行路面状况监测和评估，以创新和开发机器学习算法，这些算法已准备就绪，可以准备好练习。行业使用。比赛的第一版吸引了来自8个国家的22支球队。要求参与者自动检测和分类从多个来源捕获的图像中存在的不同类型的路面遇险，并且在不同的条件下。竞争是以数据为中心的：通过利用各种数据修改方法（例如清洁，标签和增强），团队的任务是提高预定义模型体系结构的准确性。开发了一个实时的在线评估系统，以根据F1分数对团队进行排名。排行榜的结果显示了机器在路面监控和评估中提高自动化的希望和挑战。本文总结了前5个团队的解决方案。这些团队提出了数据清洁，注释，增强和检测参数调整领域的创新。排名最高的团队的F1得分约为0.9。本文以对当前挑战效果很好的不同实验的综述以及对模型准确性的任何显着提高的审查进行了综述。
translated by 谷歌翻译
相关聚类是无监督的机器学习中无处不在的范式，在这种学习中解决不公平是一个主要的挑战。在此激励的情况下，我们研究了数据点可能属于不同保护组的公平相关聚类，目标是确保跨簇的所有组公平代表。我们的论文显着概括并改善了Ahmadi等人先前工作的质量保证。和Ahmadian等。如下。 - 我们允许用户指定群集中每个组表示的任意上限。 - 我们的算法允许个人具有多个受保护的功能，并确保所有这些特征同时公平。 - 我们证明，在这种一般环境中，可以保证质量和公平性。此外，这改善了先前工作中研究的特殊情况的结果。我们对现实世界数据的实验表明，与最佳解决方案相比，我们的聚类质量要比理论结果所建议的要好得多。
translated by 谷歌翻译