众所周知,公共特别活动,如体育比赛,音乐会和节日会造成交通系统中断,经常让操作员感到意外。虽然这些通常是提前计划好的,但即使组织者和运输经营者协调,其影响也很难预测。当几个事件同时发生时,问题会大大增加。为了解决这些问题,在新加坡,伦敦或东京等大城市,通常采用昂贵的流程,严重依赖于手动搜索和个人体验。本文介绍了一种带有高斯过程组件的贝叶斯加性模型,该模型将来自公共交通的智能卡记录与关于从Web连续挖掘的事件的上下文信息相结合。我们开发了一种有效的近似推理算法,使我们能够预测到特殊事件区域的公共交通出行总数,从而为更加适应性的交通系统做出贡献。此外,对于多个并发事件场景,所提出的算法能够将总行程计数分解为与特定事件和例行行为相关的最可能的组件。使用来自新加坡的实际数据,我们发现所呈现的模型在R2中最高可达26%的最佳基线模型,并且对其各个组件也具有解释力。
translated by 谷歌翻译
从单个图像中对面部进行三维重建的最先进方法需要2D-3D对地面实况数据进行监督。这样的数据获取成本很高,并且文献中可用的大多数数据集被限制为输入2D图像描绘近似平行的面部的对。因此,许多用于单图像3D面部重建的数据驱动方法在轮廓和近轮廓面上表现不佳。我们提出了一种方法,通过利用网络合成自己的精细调整训练数据来提高单图像3D面部重建网络的性能,包括:(i)单面图像三维重建面部的正面图像,没有地面真实的3D形状; (ii)对重建的面部模型应用刚体变换; (iii)从新观点呈现面部模型; (iv)使用渲染图像和相应的3D重建作为监督微调的附加数据。由此产生的新2D-3D对具有相同的高质量观​​察到的近平行重建,从而使网络朝向更均匀的性能。输入面的视角的函数。所提出的技术在用于面部的现有单个图像3D重建网络的微调中的应用证明了该方法的有用性,对于轮廓或特征具有特别显着的增益。近profileviews。
translated by 谷歌翻译
最近,正在成功地进行数据挖掘研究以估计各种领域中的几个参数。数据挖掘技术吸引了整个信息产业和整个社会的注意力,并且需要将大量数据转化为有用的知识。然而,在一些地区有效利用数据的情况仍然不发达,体育运动的情况也是如此,近年来,体育运动呈现出轻微的增长态势;因此,许多体育组织已经开始看到他们提取的数据中存在大量未开发的知识。因此,本文对体育数据挖掘进行了系统评述。从2010年到2018年,共发现了31种类型的研究。在这些研究的基础上,我们展示了当前的全景图,主题图,数据库,建议书,算法和研究机会。我们的研究结果提供了更好的体育数据挖掘潜力的理解,除了激励科学界探索这个及时和有趣的话题。
translated by 谷歌翻译
这项工作将用户协作与会话式个人助理进行比较。专家聊天机器人团队。进行了两项研究,以调查这些方法是否会影响任务的完成和协作成本。参与者与两个等效的财务建议聊天机器人系统进行交互,一个由一个会话顾问组成,另一个基于四个专家聊天机器人的团队。结果表明,用户有不同形式的经验,但同样能够实现他们的目标。与预期相反,有证据表明,在团队合作的情况下,用户更能够更好地预测代理行为,并且没有保持共同点的开销,表明类似的协作成本。结果指出了使用会话代理进行用户协作的两种方法中的任何一种的可行性。
translated by 谷歌翻译
对于许多学科来说,运行高分辨率物理模型在计算上是非常昂贵的。依赖于高分辨率天气模型的农业,运输和能源部门通常会消耗数小时的大型高性能计算(HPC)系统来及时提供结果。许多用户无法承受运行所需的分辨率并被迫使用低分辨率输出。一个简单的解决方案是插入可视化的结果。还可以组合低分辨率模型的集合以获得更好的预测。然而,这些方法无法捕获低分辨率输入中的冗余信息和模式,这有助于提高预测质量。在本文中,我们提出并评估基于深度神经网络的策略,以使用天气预报作为实用用例来学习低分辨率预测的高分辨率表示。我们采用监督学习方法,因为获得标记的数据可以自动完成。与标准实践相比,我们的结果显示出显着的改进,并且该策略仍然足够轻,可以在适度的计算机系统上运行。
translated by 谷歌翻译
在本文中,我们提出了TauRieL和目标旅行商问题(TSP),因为它在理论和应用科学中具有广泛的适用性。 TauRieLutilizes一个由演员评论家启发的架构,它采用普通的feedforwardnets来获取策略更新向量$ v $。然后,我们使用$ v $来改进生成策略的状态转换矩阵。此外,状态转换矩阵允许求解器从预先计算的解决方案(例如最近邻居)初始化。在在线学习环境中,TauRieL统一了训练和搜索,它可以在几秒钟内产生近乎最佳的结果。在演员评论体系结构中对神经网络的输入是原始的2-Dinputs,这个决定背后的设计理念是保持神经网络比具有宽嵌入的体系结构小,其中省略了嵌入的任何分布式表示。因此,与最先进的离线技术相比,TauRieL生成的TSP解决方案比TSP实例快两个数量级。 6.1 \%在最坏的情况下。
translated by 谷歌翻译
我们考虑使用仅通过去噪函数指定的先前噪声测量来估计矢量的问题。最近关于插头和游戏先验(PnP)和正则化去噪(RED)的研究表明,在一系列成像任务中,这些先验的评估者具有最先进的性能。在这项工作中,我们开发了一种新的块坐标RED算法,它将大规模估计问题分解为一系列未知变量的一小部分更新。我们从理论上分析了算法的收敛性,并讨论了它与传统近似优化的关系。我们的分析补充并扩展了基于RED的估算方法的最新理论结果。我们使用几个基于卷积神经网络(CNN)降噪器的降噪器先验来数值验证我们的方法。
translated by 谷歌翻译
差异隐私关注预测质量,同时测量对信息包含在数据中的个人的隐私影响。我们考虑与引起结构化稀疏性的规则制定者的差异私人风险最小化问题。已知这些正则化器是凸的,但它们通常是不可微分的。我们分析了标准的不同私有算法,例如输出扰动,Frank-Wolfe和目标扰动。输出扰动是一种差异私有算法,众所周知,它可以很好地降低强凸的风险。以前的工作已经导出了与维度无关的超额风险界限。在本文中,我们假设一类特定的凸但非光滑正则化器,它们导致广义线性模型的结构化稀疏性和损失函数。我们还考虑差异私有Frank-Wolfeal算法来优化风险最小化问题的双重性。我们得出这两种算法的过度风险界限。两个边界都取决于双范数的单位球的高斯宽度。我们还表明,风险最小化问题的客观扰动等同于双优化问题的输出扰动。这是在差异隐私的背景下分析风险最小化问题的双重优化问题的第一部作品。
translated by 谷歌翻译
今天的高风险对抗性互动让攻击者不断突破不断改进的安全措施。欺骗通过误导攻击者做出次优决策来减轻防御者的损失。为了正当理由欺骗,我们引入了特征欺骗游戏(FDG),这是一个独立于领域的游戏理论模型,并提出了学习和规划框架。我们做出以下贡献。 (1)我们表明,我们可以使用来自适度数量的欺骗策略的数据统一学习对手的偏好。 (2)我们提出了一种近似算法,用于找出最优欺骗策略,并证明该问题是NP难的。 (3)我们进行了全面的实验,以实证验证我们的方法和结果。
translated by 谷歌翻译
我们从贝叶斯视角考虑概率PCA和相关因子模型。这些模型通常不可识别,因为可能性具有旋转对称性。这导致具有相同密度的连续子空间的复杂的后验分布,因此妨碍了参考的效率以及对所获得的参数的解释。特别是,因子载荷的后验平均值变得毫无意义,只有模型预测才是明确的。在这里,我们提出了一个基于Householder转换的参数化,它消除了后者的旋转对称性。此外,通过依赖随机矩阵理论的结果,我们建立了与原始旋转对称公式相比保持模型不变的参数分布。特别是,我们避免了计算参数变换的雅可比行列式的需要。这使我们能够在任何最先进的工具箱中以旋转不变的方式有效地实现概率PCA。在这里,我们在概率编程语言Stan中实现了我们的模型,并在几个例子中进行了说明。
translated by 谷歌翻译