建模大规模复杂物理系统的最新进展已将研究的重点转移到数据驱动的技术上。但是，通过模拟复杂系统来生成数据集可能需要大量的计算资源。同样，获取实验数据集也可能很难。对于这些系统，通常在计算上便宜，但通常不准确，可用的模型可用。在本文中，我们为复杂的物理系统提出了一种双性模型建模方法，在这种情况下，我们使用深层操作员网络从True System的响应中建立了True System的响应与低保真响应之间的差异（DeepOnet），一种适用于近似非线性操作员的神经网络体系结构。我们将方法应用于具有参数不确定性并且部分未知的模型系统。三个数值示例用于显示所提出的方法对不确定且部分未知的复杂物理系统进行建模的功效。
translated by 谷歌翻译
设计具有高产和强可靠性的制造工艺依赖于罕见事件估计的有效方法。族记重要性分裂通过迭代选择和复制朝向罕见事件的实现来降低罕见事件概率估计的变化。当应用于需要修改后代实现的初始条件的确定性系统时，复制步骤很难。通常，将随机扰动应用于后代，以将它们的轨迹与父阶层分化。然而，这种随机扰动策略可能对某些系统有效，同时失败，防止概率估计的差异降低。该工作旨在使用诸如生成的对冲网络（GaN）的生成模型来解决这种限制，以产生与动态系统的吸引子一致的扰动。提出的GaN辅助重要性分裂方法（Ganisp）改善了所针对性的系统的方差减少。该方法的实现是在伴侣存储库中（https://github.com/nrel/ganisp）中的。
translated by 谷歌翻译
许多工程问题需要预测实现实现变异性或建模量的精致描述。在这种情况下，有必要采用未知高维空间的元素，其中可能具有数百万自由度。虽然存在能够具有具有已知形状的概率密度函数（PDF）的方法的方法，但是当分布未知时需要进行若干近似。在本文中，基础分布的采样方法以及底层分布的推动都是用一种称为生成对抗网络（GaN）的数据驱动方法，该方法列举了两个竞争的神经网络来生产可以有效地产生样本的网络从训练集分发。在实践中，通常需要从条件分布中绘制样品。当条件变量是连续的时，可以仅可用对应于调节变量的特定值的一个（如果有）数据点，这不足以估计条件分布。使用PDF的条件时刻的先验估计，处理此问题。这里比较两种方法，随机估计和外部神经网络，用于计算这些时刻;但是，可以使用任何优选的方法。在过滤的湍流流场的解构的情况下，证明了算法。结果表明，与最先进的方法相比，所提出的算法的所有版本有效地对目标条件分布进行了最小的影响，对样品的质量的影响最小。另外，该过程可以用作由连续变量的条件GaN（CGAN）产生的样本的分集的度量。
translated by 谷歌翻译
近年来，在各种特定于任务的情况下，盲目图像质量评估（BIQA）取得了巨大的成功，这些方案呈现出不变的失真类型和评估标准。但是，由于刚性结构和学习框架，它们不能应用于交叉任务BIQA方案，在这种情况下，失真类型和评估标准在实际应用中不断变化。本文提出了一个可扩展的增量学习框架（SILF），该框架可以在多个评估任务中依次执行BIQA，具有有限的记忆能力。更具体地说，我们开发了动态参数隔离策略，以依次更新特定于任务的参数子集，这些参数子集彼此之间并非重叠。每个参数子集都会暂时解决，以记住对其相应任务的一个评估偏好，并且可以在以下BIQA中自适应地重复使用先前的参数子集，以根据任务相关性实现更好的性能。为了抑制顺序任务学习中记忆容量的不受限制扩展，我们通过从先前解决的参数子集中逐渐和选择性地修剪不重要的神经元来开发可扩展的内存单元，这使我们能够忘记以前的经验的一部分，并释放有限的内存能力，以适应适应新的新任务。对11个IQA数据集进行的广泛实验表明，我们提出的方法在交叉任务BIQA中的其他最新方法显着优于其他最新方法。
translated by 谷歌翻译
通用数据模型解决了标准化电子健康记录（EHR）数据的许多挑战，但无法将其集成深度表型所需的资源。开放的生物学和生物医学本体论（OBO）铸造本体论提供了可用于生物学知识的语义计算表示，并能够整合多种生物医学数据。但是，将EHR数据映射到OBO Foundry本体论需要大量的手动策展和域专业知识。我们介绍了一个框架，用于将观察性医学成果合作伙伴关系（OMOP）标准词汇介绍给OBO铸造本体。使用此框架，我们制作了92,367条条件，8,615种药物成分和10,673个测量结果的映射。域专家验证了映射准确性，并且在24家医院进行检查时，映射覆盖了99％的条件和药物成分和68％的测量结果。最后，我们证明OMOP2OBO映射可以帮助系统地识别可能受益于基因检测的未诊断罕见病患者。
translated by 谷歌翻译
建模相互依存的关键基础架构的恢复是量化和优化社会弹性对破坏性事件的关键组成部分。但是，在随机破坏事件下模拟大规模相互依赖系统的恢复在计算上是昂贵的。因此，我们建议在本文中应用深度运算符网络（DeepOnets），以加速相互依赖系统的恢复模型。 DeepOnets是ML架构，可从数据中识别数学运算符。管理方程式的形式deponets标识和相互依赖系统恢复模型的管理方程相似。因此，我们假设deponets可以通过很少的培训数据有效地对相互依存的系统恢复进行建模。我们将deponets应用于具有十六个状态的四个相互依存系统的简单情况。总体而言，Deponets在预测这些相互依存的系统在与参考结果相比的训练样本数据中的恢复方面表现令人满意。
translated by 谷歌翻译
2021-12-06
数据增强是自然语言处理（NLP）模型的鲁棒性评估的重要组成部分，以及增强他们培训的数据的多样性。在本文中，我们呈现NL-Cogmenter，这是一种新的参与式Python的自然语言增强框架，它支持创建两个转换（对数据的修改）和过滤器（根据特定功能的数据拆分）。我们描述了框架和初始的117个变换和23个过滤器，用于各种自然语言任务。我们通过使用其几个转换来分析流行自然语言模型的鲁棒性来证明NL-Upmenter的功效。基础架构，Datacards和稳健性分析结果在NL-Augmenter存储库上公开可用（\ url {https://github.com/gem-benchmark/nl-augmenter}）。
translated by 谷歌翻译
增加对肉类产品的需求与农业劳动力短缺相结合，导致需要开发新的实时解决方案来有效监控动物。使用跟踪逐方法连续定位单个猪进行了重大进展。然而，这些方法由于单个固定摄像机而不能以足够的分辨率覆盖整个地板的椭圆形钢笔。我们通过使用多个相机来解决这个问题，使得相邻摄像机的视野重叠，它们在一起跨越整个楼层。当猪从一个摄像机视图到相邻相机的视图时，避免跟踪中的断裂需要相互作用的切换。我们在地板上识别相邻的相机和共用猪位置，在地板上使用视图间的界面定位。我们的实验涉及两个生长良好的钢笔，每个成长型猪，每个猪，以及三个RGB相机。我们的算法首先使用基于深度学习的对象检测模型（YOLO）来检测猪，并使用多目标跟踪算法（DevelSort）创建其本地跟踪ID。然后，我们使用相互相互作用的共享位置来匹配多个视图，并为在整个跟踪中保存的每只猪生成全局ID。为了评估我们的方法，我们提供了五种两分钟的长视频序列，具有完全注释的全球标识。我们在单个摄像头视图中跟踪猪，多目标跟踪精度和精度分别为65.0％和54.3％，实现了74.0％的相机切换精度。我们在https://github.com/aifarms/multi-camera-pig-tracking中开源我们的代码和注释数据集
translated by 谷歌翻译
translated by 谷歌翻译
We report a method to convert discrete representations of molecules to and from a multidimensional continuous representation. This model allows us to generate new molecules for efficient exploration and optimization through open-ended spaces of chemical compounds.
translated by 谷歌翻译