框架转移是翻译中的横向现象,导致相应的语言材料对唤起不同帧。预测帧移位的能力使通过注释投影自动创建多语言架构。这里,我们提出了帧移位预测任务,并演示了图表关注网络,与辅助训练相结合,可以学习跨语言帧到帧对应关系并预测帧移位。
translated by 谷歌翻译
神经网络的越来越大的规模及其越来越多的应用空间对更高的能量和记忆有效的人工智能特定硬件产生了需求。 venues为了缓解主要问题,von neumann瓶颈,包括内存和近记忆架构,以及算法方法。在这里,我们利用磁隧道结(MTJ)的低功耗和固有的二进制操作来展示基于MTJ的无源阵列的神经网络硬件推断。通常,由于设备到装置的变化,写入误差,寄生电阻和非前沿,在性能下将训练的网络模型转移到推动的硬件。为了量化这些硬件现实的效果,我们将300个唯一重量矩阵解决方案的23个唯一的重量矩阵解决方案进行分类,以分类葡萄酒数据集,用于分类准确性和写真保真度。尽管设备不完美,我们可以实现高达95.3%的软件等效精度,并在15 x 15 MTJ阵列中正确调整具有一系列设备尺寸的阵列。此调谐过程的成功表明,需要新的指标来表征混合信号硬件中再现的网络的性能和质量。
translated by 谷歌翻译
全球变暖导致气候极端频率和强度的增加,导致生活巨大损失。准确的远程气候预测允许更多时间进行准备和灾害风险管理,以获得此类极端事件。虽然机器学习方法已经表明了远程气候预测结果,但相关的模型不确定性可能会降低其可靠性。为了解决这个问题,我们提出了一种后期的融合方法,系统地将预测从多种模型中组合以减少融合结果的预期误差。我们还提出了一种具有新型Denormalization层的网络架构,以获得数据标准化的好处,而无需实际归一化数据。远程2M温度预测的实验结果表明,该框架优于30年气候法线,通过增加模型数量可以提高准确性。
translated by 谷歌翻译
公平是世界各地的文明可以观察到的主要社会价值。这表明这是社会协议,通常用文本描述,例如合同。然而,尽管存在普遍性,但描述了描述社会法案的文本的公平度量仍然存在。为了解决这个问题,我们会返回基于第一个校长的问题来考虑问题。我们利用社会心理学文献而不是使用规则或模板来确定人类在进行公平评估时使用的主要因素。然后,我们尝试将这些单词嵌入式数字化为一个多维句子级公平感知向量,以用作这些公平感知的近似。该方法利用Word Embeddings内的Pro-社会偏见,我们获得F1 = 81.0。基于所述公平逼近向量的PCA和ML使用PCA和M1产生的第二种方法产生86.2的F1得分。我们详细介绍了方法中可以制作的改进,以将句子嵌入到公平性的子空间表示的投影。
translated by 谷歌翻译
尽管近期因因果推断领域的进展,迄今为止没有关于从观察数据的收集治疗效应估算的方法。对临床实践的结果是,当缺乏随机试验的结果时,没有指导在真实情景中似乎有效的指导。本文提出了一种务实的方法,以获得从观察性研究的治疗效果的初步但稳健地估算,为前线临床医生提供对其治疗策略的信心程度。我们的研究设计适用于一个公开问题,估算Covid-19密集护理患者的拳击机动的治疗效果。
translated by 谷歌翻译
本文详细说明了实际确保远程赛车赛车的安全性的理论和实施。我们在超过100公里/小时的速度上展示了7“赛车无人机的强大和实用性保证,仅在10克微控制器上仅使用在线计算。为了实现这一目标,我们利用了控制屏障功能的框架(CBFS)保证安全编码为前向集不变性。为了使该方法实际上是适用的,我们介绍了一个隐式定义的CBF,它利用备份控制器来实现可确保安全性的渐变评估。应用于硬件的方法,这是平滑,最微不足道的改变飞行员的所需输入,使他们能够在不担心崩溃的情况下推动他们的无人机的极限。此外,该方法与预先存在的飞行控制器配合工作,导致在没有附近的安全风险时不妨碍飞行。额外的效益包括安全性和稳定性在失去视线或在无线电故障时失去时的无人机。
translated by 谷歌翻译
Mohamed Bin Zayed国际机器人挑战(MBZIRC)2020为无人机(无人机)构成了不同的挑战。我们提供了四个量身定制的无人机,专门为MBZIRC的单独空中机器人任务开发,包括自定义硬件和软件组件。在挑战1中,使用高效率,车载对象检测管道进行目标UAV,以捕获来自目标UAV的球。第二个UAV使用类似的检测方法来查找和流行散落在整个竞技场的气球。对于挑战2,我们展示了一种能够自主空中操作的更大的无人机:从相机图像找到并跟踪砖。随后,将它们接近,挑选,运输并放在墙上。最后,在挑战3中,我们的UAV自动发现使用LIDAR和热敏摄像机的火灾。它用船上灭火器熄灭火灾。虽然每个机器人都具有任务特定的子系统,但所有无人机都依赖于为该特定和未来竞争开发的标准软件堆栈。我们介绍了我们最开源的软件解决方案,包括系统配置,监控,强大无线通信,高级控制和敏捷轨迹生成的工具。为了解决MBZirc 2020任务,我们在多个研究领域提出了机器视觉和轨迹生成的多个研究领域。我们介绍了我们的科学贡献,这些贡献构成了我们的算法和系统的基础,并分析了在阿布扎比的MBZIRC竞赛2020年的结果,我们的系统在大挑战中达到了第二名。此外,我们讨论了我们参与这种复杂的机器人挑战的经验教训。
translated by 谷歌翻译
在本文中,我们为Pavlovian信号传达的多方面的研究 - 一个过程中学到的一个过程,一个代理商通过另一个代理商通知决策的时间扩展预测。信令紧密连接到时间和时间。在生成和接收信号的服务中,已知人类和其他动物代表时间,确定自过去事件以来的时间,预测到未来刺激的时间,并且都识别和生成展开时间的模式。我们调查通过引入部分可观察到的决策域来对学习代理之间的影响和信令在我们称之为霜冻空心的情况下如何影响学习代理之间的影响和信令。在该域中,预测学习代理和加强学习代理被耦合到两部分决策系统,该系统可以在避免时间条件危险时获取稀疏奖励。我们评估了两个域变型:机器代理在七态线性步行中交互,以及虚拟现实环境中的人机交互。我们的结果展示了帕夫洛维亚信号传导的学习速度,对药剂 - 代理协调具有不同时间表示(并且不)的影响,以及颞次锯齿对药剂和人毒剂相互作用的影响方式不同。作为主要贡献,我们将Pavlovian信号传导为固定信号范例与两个代理之间完全自适应通信学习之间的天然桥梁。我们进一步展示了如何从固定的信令过程计算地构建该自适应信令处理,其特征在于,通过快速的连续预测学习和对接收信号的性质的最小限制。因此,我们的结果表明了加固学习代理之间的沟通学习的可行建设者的途径。
translated by 谷歌翻译
分析来自湍流流动模拟的大规模数据是内存密集型,需要大量资源。这一主要挑战强调了对数据压缩技术的需求。在这项研究中,我们应用基于矢量量化的物理知识的深度学习技术,以产生来自三维湍流流的模拟的离散,低维表示数据。深度学习框架由卷积层组成,并将物理限制融合在流量上,例如保留速度梯度的不可压缩性和全局统计特征。使用基于比较的相似性和物理学的度量来评估模型的准确性。训练数据集是由不可压缩,统计静止,各向同性的各向同性湍流的直接数值模拟产生的。该损失数据压缩方案的性能不仅通过静止,各向同性湍流流动的看不见的数据评估,而且还评估了来自衰减各向同性湍流的数据和泰勒 - 绿色涡流的数据。将压缩比(CR)定义为原始数据大小与压缩的比率,结果表明我们的基于向量量化的模型可以提供CR $ = 85 $与$ O的均线错误(MSE)提供CR $ = 85 $(10 ^ {-3})$,以及忠实地重现流程统计数据的预测,除了有一些损失的最小尺度。与最近基于传统的AutoEncoder的研究相比,其中压缩在连续空间中进行压缩,我们的模型将CR提高了30多美元,并按一大阶数减少了MSE。我们的压缩模​​型是一种有吸引力的解决方案,适用于需要快速,高质量和低开销编码和大数据的解码。
translated by 谷歌翻译
车辆控制器区域网络(CAN)易于对不同层次的网络攻击影响。制造攻击是最容易管理的 - 对手只需在CAN上发送(额外)帧 - 而且最容易检测到,因为它们会破坏帧频率。为了克服基于时间的检测方法,对手必须通过发送帧来管理伪装攻击(因此在良性帧的预期时间,而是通过恶意有效载荷。研究努力已经证明可以攻击,特别是伪装攻击,可以影响车辆功能。示例包括导致意外加速,停用车辆的制动器,以及转向车辆。我们假设化妆舞会攻击修改了CAN信号时间序列和它们如何聚集在一起的细节相关性。因此,集群分配的变化应表示异常行为。我们通过利用我们以前开发的逆向工程可以信号(即CAN-D [控制器区域网络解码器])来确认这一假设,并专注于推进通过分析从RAW CAN帧中提取的时间序列来检测伪装攻击的最新技术。具体地,我们证明可以通过使用车辆上的CAN信号(时间序列)上的分层聚类来计算时间序列聚类相似度来检测化妆舞会攻击,并将跨越群集相似性与跨越攻击进行比较。我们在先前收集的可以使用伪装攻击的数据集(即,道路数据集)中测试我们的方法,并开发法医工具作为概念证明,以证明所提出的检测方法的潜力可以弥补攻击攻击。
translated by 谷歌翻译