在Boltzmann分发之后采样随机变量是涉及各种应用的NP难题，例如\ Textit {Boltzmann Machines}，一种特定的神经网络。已经进行了多次尝试使用D波量子计算机来采样这样的分布，因为这可能导致这些应用中的显着加速。然而，目前，几个挑战仍然有效地进行这种采样。我们详细介绍了各种障碍，解释了解决D波机器上采样问题的剩余困难。
translated by 谷歌翻译
本文讨论了一种识别蜂窝块片段轮廓的算法。显示了OpenCV库的现成功能的不适用性。考虑了两个提出的算法。直接扫描算法在二值化图像中找到极端的白色像素，它充分适用于产品的凸形形状，但在凹形区域和产品的空腔中找不到轮廓。为了解决这个问题，提出了一种使用滑动矩阵的扫描算法，其在任何形状的产品上正常工作。
translated by 谷歌翻译
在本文中，我们考虑从一类具有薄尾部的分布式采样，支持$ \ mathbb {r} ^ d $，并制作两个主要贡献。首先，我们提出了一种具有优化步骤（MAO）的新的大都市算法，其非常适合这种目标。我们的算法能够从分布中采样，其中Metropolic调整的Langevin算法（MALA）不收敛或缺乏理论保证。其次，我们在毛泽东混合时间上获得上限。我们的结果是通过模拟多目标分布的支持。
translated by 谷歌翻译
当没有足够的数据来证实客户的身份时，身份盗窃是信贷贷方的主要问题。在超级应用程序中，包含许多不同服务的大型数字平台，此问题更为相关;在一个分支中丢失客户通常意味着在其他服务中丢失它们。在本文中，我们审查了超级应用程序信息，手机线数据和传统信用风险变量的特征级融合的有效性，以便早日检测身份盗窃信用卡欺诈。通过提出的框架，我们在使用投入是替代数据和传统信贷局数据融合的模型时实现了更好的性能，从而实现了0.81的ROC AUC评分。我们从信用贷方的数字平台数据库中评估我们的方法超过大约90,000个用户。评估是使用传统的ML指标进行的，但金融成本也是如此。
translated by 谷歌翻译
对复杂模型执行精确的贝叶斯推理是计算的难治性的。马尔可夫链蒙特卡罗（MCMC）算法可以提供后部分布的可靠近似，但对于大型数据集和高维模型昂贵。减轻这种复杂性的标准方法包括使用子采样技术或在群集中分发数据。然而，这些方法通常在高维方案中不可靠。我们在此处专注于最近的替代类别的MCMC方案，利用类似于乘客（ADMM）优化算法的庆祝交替方向使用的分裂策略。这些方法似乎提供了凭经验最先进的性能，但其高维层的理论行为目前未知。在本文中，我们提出了一个详细的理论研究，该算法之一称为分裂Gibbs采样器。在规律条件下，我们使用RICCI曲率和耦合思路为此方案建立了明确的收敛速率。我们以数字插图支持我们的理论。
translated by 谷歌翻译