自动驾驶汽车是一项不断发展的技术，旨在通过自动操作从车道变更到超车来提高安全性，可访问性，效率和便利性。超车是自动驾驶汽车最具挑战性的操作之一，当前的自动超车技术仅限于简单情况。本文研究了如何通过允许动作流产来提高自主超车的安全性。我们提出了一个基于深层Q网络的决策过程，以确定是否以及何时需要中止超车的操作。拟议的算法在与交通情况不同的模拟中进行了经验评估，这表明所提出的方法可以改善超车手动过程中的安全性。此外，使用自动班车Iseauto在现实世界实验中证明了该方法。
translated by 谷歌翻译
最近的AI算法是黑框模型，其决策难以解释。可解释的AI（XAI）试图通过向客户解释其AI决定，例如决定拒绝贷款申请，以解决缺乏AI的解释性和信任。普遍的智慧是，通过规定完全透明的XAI来调节AI会导致更大的社会福利。本文通过游戏理论模型对一个最大化社会福利的决策制定者，在最大化利润最大化的双重垄断竞争和异性消费者的政策制定者中挑战了这一概念。结果表明XAI调节可能是多余的。实际上，要求完全透明的XAI可能会使公司和客户变得更糟。这揭示了最大化福利和获得可解释的AI输出之间的权衡。我们还讨论了对政策制定者和公司的管理意义。
translated by 谷歌翻译
以下序列出售了许多产品：首先显示焦点产品，如果购买客户，则显示一种或多种辅助产品以供购买。一个突出的例子是出售航空票，首先显示航班，并在选择时出售了许多辅助机构，例如机舱或袋装选项，座位选择，保险等。该公司必须决定销售格式 - 是按串联捆绑或作为捆绑销售的形式出售 - 以及如何分别或捆绑产品为焦点和辅助产品定价。由于仅在购买焦点产品后才考虑辅助性，因此公司选择的销售策略会在产品之间创建信息和学习依赖性：例如，仅提供一套捆绑包将排除学习客户对焦点的估值和辅助产品。在本文中，我们在以下情况下研究了这种焦点和辅助项目组合的学习策略：（a）纯捆绑向所有客户捆绑，（b）个性化机制，在其中，根据客户的某些观察到的功能，这两种产品都会呈现并以捆绑包或顺序定价，（c）最初（适用于所有客户），并在地平线期间永久切换（如果更有利可图）。我们为所有三种情况设计定价和决策算法，遗憾的是由$ o（d \ sqrt {t} \ log t）$限制，以及第三种情况的最佳切换时间。
translated by 谷歌翻译
在视频动作识别中，变压器始终如一地达到最先进的准确性。但是，许多模型对于具有有限硬件资源的平均研究人员来说太大了。在这项工作中，我们探讨了轻量级动作识别的视频变压器的局限性。我们通过3个大规模数据集和10个硬件设备基准测试13个视频变压器和基线。我们的研究是第一个评估了在多个设备上深入了解动作识别模型的效率，并在相同的条件下培训各种视频变压器。我们将当前方法分类为三个类，并显示增强卷积骨架的复合变压器在轻量级动作识别中，尽管缺乏准确性。同时，仅关注模型需要更多的运动建模功能，独立的注意力块模型目前产生的延迟太多。我们的实验得出结论，目前的视频变压器尚未与传统卷积基线的轻量级动作识别，并且先前提到的缺点需要解决，以弥合这种差距。重现我们的实验的代码将公开可用。
translated by 谷歌翻译
有效的视频动作识别仍然是一个具有挑战性的问题。之后的一个大型模型取代了动力学数据集的最先进的地方，但往往缺乏现实世界的效率评估。在这项工作中，我们填补了这种差距并调查了变压器的使用以实现高效行动识别。我们提出了一种小说，轻量级的动作识别架构视频态度。以一种分解方式，我们用变压器仔细扩展了2D卷积时间段网络，同时在整个模型中保持空间和时间视频结构。现有方法经常诉诸两个极端之一，在那里他们要么将巨大的变压器应用于视频功能，或高度汇集视频功能上的最小变压器。我们的方法通过保持变压器模型小，但利用完整的时空特征结构来不同于它们。我们在时间苛刻的史诗 - 厨房-100和某物-V2（SSV2）数据集上的高效率设置中评估视频致力器，并发现它比现有最先进的效率和准确性更好地实现了更好的效率和准确性模型，除了SSV2上的时间换档模块。
translated by 谷歌翻译
本文介绍了一个新的神经网络，在$ \ mathbb r ^ d $的真实值函数之前，通过施工更容易和便宜地缩放到域维数$ d $与通常的karhunen-lo \`eve相比功能空间之前。新的先前是高斯神经网络，其中每个重量和偏差都有一个独立的高斯的先前，但是差异的关键差异是，差异在网络的宽度下减小，使得所得到的函数几乎肯定地定义了很多无限宽度网络的极限。我们表明，在推断未知功能的贝叶斯治疗中，使用希尔伯特Space Markov链蒙特卡罗（MCMC）方法，诱导的后续功能均可用于蒙特卡罗采样。这种类型的MCMC很受欢迎，例如，在贝叶斯逆问题文献中，因为它在网眼细化下稳定，即接受概率不会缩小到0美元，因为函数之前的更多参数甚至是AD Infinitum。在数值例子中，我们展示了其他功能空间前沿的这些竞争优势。我们还在贝叶斯加固学习中实施示例以自动化数据的任务，并首次演示MCMC的稳定性以对这些类型的问题进行网格细化。
translated by 谷歌翻译