现代软件系统和产品越来越依赖机器学习模型，以基于与用户和系统的交互进行数据驱动的决策，例如计算基础架构。对于更广泛的采用，这种做法必须（i）容纳没有ML背景的软件工程师，并提供（ii）提供优化产品目标的机制。在这项工作中，我们描述了一般原则和特定的端到端毫升平台，为决策和反馈集合提供易于使用的API。循环仪支持从在线数据收集到模拟培训，部署，推理的完整端到端ML生命周期，并扩展支持和调整产品目标的评估和调整。我们概述了平台架构和生产部署的整体影响 - 循环仪当前托管700毫升型号，每秒达到600万决定。我们还描述了学习曲线并总结了平台采用者的经验。
translated by 谷歌翻译
众所周知但很少使用的文本分类方法使用使用数据压缩工具计算的条件熵估计。源自压缩大小的文本亲和分数可用于分类和排序任务，但它们的成功取决于所使用的压缩工具。我们使用zStandard压缩机并以几种方式加强这些想法，调用由此产生的语言无神不可话的技术。在应用中，这种方法简化了配置，避免了仔细的特征提取和大ML模型。我们的消融研究证实了我们介绍的个别增强功能的价值。我们展示了这种ZEST补充，可以与生产中的语言特定的多维内容嵌入品竞争，但不能在公共数据集上倾斜其他计数方法。
translated by 谷歌翻译
In this paper, we propose SceNDD: a scenario-based naturalistic driving dataset that is built upon data collected from an instrumented vehicle in downtown Indianapolis. The data collection was completed in 68 driving sessions with different drivers, where each session lasted about 20--40 minutes. The main goal of creating this dataset is to provide the research community with real driving scenarios that have diverse trajectories and driving behaviors. The dataset contains ego-vehicle's waypoints, velocity, yaw angle, as well as non-ego actor's waypoints, velocity, yaw angle, entry-time, and exit-time. Certain flexibility is provided to users so that actors, sensors, lanes, roads, and obstacles can be added to the existing scenarios. We used a Joint Probabilistic Data Association (JPDA) tracker to detect non-ego vehicles on the road. We present some preliminary results of the proposed dataset and a few applications associated with it. The complete dataset is expected to be released by early 2023.
translated by 谷歌翻译
基于神经语言模型的自动化故事生成方法遭受了两个重要的限制。首先，基于语言模型的故事生成器通常不适用于给定的目标或结束。其次，当故事变长时，他们经常失去一致。我们提出了一种新的自动化故事生成方法，将问题视为生成的问答之一。我们所提出的故事生成系统从封装故事的最终事件的句子开始。然后系统迭代地（1）分析描述最新事件的文本，（2）生成关于“为什么”一个字符正在执行他们在事件中执行的事情的问题，然后（3）尝试生成另一个前面的回答这个问题的事件。
translated by 谷歌翻译
数字视频是单个帧的集合，同时流式传输视频场景使用每个帧的时间切片。高刷新率和高帧速率是所有高科技应用的需求。由于高刷新率，视频中的动作跟踪变得更容易，运动在游戏应用中变得更加光滑。它提供了更快的响应，因为在屏幕上显示的每个帧之间的时间更少。已经提出了Fregan（帧速率增强生成的对抗网络）模型，其基于过去帧的序列预测了视频序列的未来帧。在本文中，我们调查了GaN模型，并提出了增强视频中帧速率的资格。我们利用Huber损失作为拟议的Fregan中的损失函数。它提供了超级分辨率的优异结果，我们试图在应用帧速率增强时互动该性能。我们已经验证了所提出的模型在标准数据集（UCF101和RFREE500）上的有效性。实验结果说明所提出的模型具有34.94的峰值信噪比（PSNR）和0.95的结构相似性指数（SSIM）。
translated by 谷歌翻译