我们考虑在微观级别的坡道计量，但受车辆安全限制的约束。交通网络由带有多个在越野和外坡道的环路抽象。车辆到达坡道的到达时间及其目的地外坡道是由外源随机过程建模的。一旦车辆从坡道上释放出来，如果没有另一辆车阻塞，它就会加速自由流速。一旦它靠近另一辆车，便会采用安全的行为。车辆到达目的地外坡道后，车辆将退出交通网络。我们设计流量响应的坡道计量策略，以最大程度地提高网络的饱和区域。策略的饱和区域定义为一组需求，即到达率和路由矩阵，所有坡道的队列长度都在预期中保持限制。提出的坡道计量策略是在同步循环下运行的，在此期间，坡道在周期开始时不会释放更多的车辆长度。我们提供三个策略，分别在周期结束时分别暂停每个坡度（i）暂停时间间隔，或（ii）在周期内调节释放率，或（iii）采用保守的安全性在周期中释放的标准。但是，所有政策都不需要有关需求的信息。这些策略的饱和区域的特征是研究诱导的马尔可夫链的随机稳定性，当所有坡道的合并速度等于自由流速时，被证明是最大的。提供模拟以说明政策的性能。
translated by 谷歌翻译
程序的图表通常是用于代码研究的机器学习的核心要素。我们介绍了一个开源Python库Python_graphs，该图片将静态分析应用于构建适合培训机器学习模型的Python程序的图表。我们的库承认控制流图，数据流图和复合``程序图''的构建，这些图形结合了控制流，数据流，句法和词汇信息。我们介绍了图书馆的功能和局限性，进行案例研究，将图书馆应用于数百万竞争性的编程提交，并展示图书馆的机器学习研究实用程序。
translated by 谷歌翻译
卷积神经网络（CNN）越来越多地用于自动化磁共振（MR）图像中脑结构的分割，以进行研究。在其他应用中，CNN模型在训练集中的代表性不足时已显示出对某些人口组的偏见。在这项工作中，我们研究了CNN大脑MR分割模型是否有可能在接受不平衡训练集训练时遏制性别或种族偏见。我们使用白人受试者中不同水平的性不平衡训练快速冲浪模型的多个实例。我们分别评估白人男性和白人女性测试集以评估性别偏见的性能，并在黑人男性和黑人女性测试套装上评估它们，以评估潜在的种族偏见。我们发现分割模型性能中的重大性别和种族偏见效应。这些偏见具有很强的空间成分，一些大脑区域表现出比其他大脑更强的偏见。总体而言，我们的结果表明，种族偏见比性偏见更为重要。我们的研究表明，在为基于CNN的大脑MR分割的训练集时考虑种族和性别平衡的重要性，以避免通过有偏见的研究研究结果来维持甚至加剧现有的健康不平等。
translated by 谷歌翻译
我们从算法的角度研究了$ \ varepsilon $ - 扰动耐受性对对称张量分解的影响。更确切地说，我们证明了以下问题的定理和设计算法：假设一个真正的对称$ d $ -tensor $ f $，norm $ ||。 Varepsilon> 0 $关于$ ||。| $的错误公差。在$ \ varepsilon $ -F $的$ \ varepsilon $中，最小的对称张量排名是多少？换句话说，在巧妙的$ \ varepsilon $ - 奔放之后，$ f $的对称张量排名是什么？我们提供两种不同的理论界限和三种算法，用于近似对称张量等级估计。我们的第一个结果是$ L_P $ -NORMS的情况的随机能量增量算法。我们的第二个结果是一种简单的基于采样的算法，灵感来自几何功能分析中的某些技术，可用于任何规范。在Hilbert-Schmidt Norm的情况下，我们还提供了一种补充算法。我们所有的算法都有严格的复杂性估计值，这反过来又产生了我们的两个主要定理在对称张量等级上，并具有$ \ varepsilon $ - 宽容的室。我们还通过对能量增量算法的初步实现进行了报告。
translated by 谷歌翻译
在这项工作中，我们为UNET体系结构引入了一个受生物学启发的远程跳过连接，该连接依赖于混合图像的感知幻觉，是同时编码两个图像的图像。早期编码器特征与更深的解码器的融合允许UNET模型产生更细粒度的密集预测。尽管在细分任务中经过证明，但由于这些远程跳过连接还会导致纹理转移伪像，因此网络的好处对于密集的回归任务进行了下降加权。特别是为了深度估计，这损害了光滑度，并引入了假正边，这是由于深度地图的平滑性质而对任务有害的。拟议的Hybridskip连接显示在平衡边缘保存之间的权衡方面的性能得到了改善，以及损害光滑度的纹理转移伪像的最小化。这是通过分别在高频和低频，编码器和解码器特征之间提供的信息的适当和平衡的信息来实现的。
translated by 谷歌翻译
从样本中学习概率分布的任务在整个自然科学中无处不在。局部量子电路的输出分布构成了一类特别有趣的分布类别，对量子优势提案和各种量子机学习算法都具有关键的重要性。在这项工作中，我们提供了局部量子电路输出分布的可学习性的广泛表征。我们的第一个结果可以深入了解这些分布的有效学习性与有效的可模拟性之间的关系。具体而言，我们证明与Clifford电路相关的密度建模问题可以有效地解决，而对于深度$ d = n^{\ omega（1）} $电路，将单个$ t $ gate注入到电路中，这使这是如此问题很难。该结果表明，有效的模拟性并不意味着有效的可学习性。我们的第二组结果提供了对量子生成建模算法的潜在和局限性的见解。我们首先证明与深度$ d = n^{\ omega（1）} $局部量子电路相关的生成建模问题对于任何学习算法，经典或量子都很难。结果，一个人不能使用量子算法来为此任务获得实际优势。然后，我们证明，对于各种最实际相关的学习算法（包括混合量词古典算法），即使是与深度$ d = \ omega（\ log（n））$ Clifford Circuits相关的生成建模问题也是如此难的。该结果对近期混合量子古典生成建模算法的适用性造成了限制。
translated by 谷歌翻译
在这项工作中，我们为计算机愿景任务提供了分发换档基准;单眼深度估计。我们的差异化是对野外数据的不受控制测试的更广泛分配转变的分解，以三个不同的分布换档。具体地，我们通过合成生成数据，并分析它们以产生协变量（颜色输入），之前（深度输出）和概念（其关系）分布换档。我们还综合组合并展示了每个对地址的确实是一个不同的挑战，因为堆叠它们产生增加的性能下降，并且不能使用标准方法水平寻址。
translated by 谷歌翻译
自我监督学习的最新进步降低了监督和无监督的代表学习之间的差距。然而，大多数自我监督和深度聚类技术严重依赖于数据增强，使它们无效，对于许多学习任务，域名知识存在不足以进行增强的学习任务。我们提出了一种新的域 - 无症集群的自蒸馏算法。我们的方法在现有的深度聚类框架上构建，不需要单独的学生模型。所提出的方法优于CIFAR-10上现有的现有域不可知（增强）算法。我们经验证明，知识蒸馏可以通过从模型中提取比单独使用预测的标签来改善来自模型的更丰富的“黑暗知识”来改善无监督的代表学习。初步实验还表明，自蒸馏改善了DeepCluster-V2的收敛性。
translated by 谷歌翻译
在这项工作中，我们将深度加强施加到导航三维环境的问题，并在唯一可用信息是来自环境的原始声音的情况下推断出人类扬声器音频源的位置，作为模拟的人类侦听器放在环境中会听到它。为此目的，我们使用Unity游戏引擎创建两个虚拟环境，其中一个呈现基于音频的导航问题，一个呈现音频源定位问题。我们还根据PPO在线强化学习算法创建一个自主代理，并试图培训它来解决这些环境。我们的实验表明，即使在有限数量的训练数据或在训练期间没有遇到的方式，也可以通过定量度量来实现这两种环境中的足够性能和泛化能力。我们还表明，在环境之间可以实现一定程度的代理知识转移。
translated by 谷歌翻译
Variational inference uses optimization, rather than integration, to approximate the marginal likelihood, and thereby the posterior, in a Bayesian model. Thanks to advances in computational scalability made in the last decade, variational inference is now the preferred choice for many high-dimensional models and large datasets. This tutorial introduces variational inference from the parametric perspective that dominates these recent developments, in contrast to the mean-field perspective commonly found in other introductory texts.
translated by 谷歌翻译