2022-11-11
We introduce KPI-Check, a novel system that automatically identifies and cross-checks semantically equivalent key performance indicators (KPIs), e.g. "revenue" or "total costs", in real-world German financial reports. It combines a financial named entity and relation extraction module with a BERT-based filtering and text pair classification component to extract KPIs from unstructured sentences before linking them to synonymous occurrences in the balance sheet and profit & loss statement. The tool achieves a high matching performance of $73.00$% micro F$_1$ on a hold out test set and is currently being deployed for a globally operating major auditing firm to assist the auditing procedure of financial statements.
translated by 谷歌翻译
我们提出了KPI-Bert，该系统采用新颖的实体识别方法（NER）和关系提取（RE）来提取和链接关键绩效指标（KPIS），例如来自现实世界中德国财务文件的公司的“收入”或“利息费用”。具体而言，我们引入了一种端到端可训练的体系结构，该体系结构基于来自变形金刚（BERT）的双向编码器表示，该架构将复发性神经网络（RNN）与条件标签屏蔽结合到依次标记实体之前，然后再对其关系进行分类。我们的模型还引入了一种可学习的基于RNN的合并机制，并通过明确过滤不可能的关系来结合域专家知识。我们在德国财务报告的新实用数据集上实现了更高的预测性能，表现优于几个强大的基础线，包括基于最新的跨度实体标签方法。
translated by 谷歌翻译
运行时执行是指针对运行时正式规范执行正确行为的理论，技术和工具。在本文中，我们对用于构建AI中执行安全性的混凝土应用程序域的运行时执行器的技术感兴趣。我们讨论了传统上如何在AI领域处理安全性，以及如何通过集成运行时执行器来提供自我学习代理的安全性。我们调查了此类执法者的一系列工作，在该工作中，我们区分了离散和连续动作空间的方法。本文的目的是更好地理解不同执法技术的优势和局限性，重点关注由于AI在AI中的应用而引起的特定挑战。最后，我们为未来的工作提出了一些开放的挑战和途径。
translated by 谷歌翻译
在超声成像中，组织的均匀区域的出现受到斑点的影响，对于某些应用，这可能会使组织不规则的检测变得困难。为了应对这一点，通常将减少斑点过滤器应用于图像是很普遍的做法。大多数传统的过滤技术都是精心制作的，通常需要对当前的硬件，成像方案和应用进行精心调整。另一方面，基于学习的技术遭受了对训练的目标图像的需求（如果有完全监督的技术），或者需要狭窄，基于复杂的物理模型的斑点外观模型，这些模型在所有情况下都不适用。通过这项工作，我们提出了一种基于深度学习的方法，用于去除斑点，而无需这些限制。为此，我们利用逼真的超声仿真技术，这些技术允许对代表完全相同组织的几种独立的斑点实现进行实例化，从而允许应用图像重建技术，这些技术与成对损坏的数据成对一起使用。与其他两种最先进的方法（非本地均值和优化的贝叶斯非本地均值过滤器）相比，我们的方法在定性比较和定量评估中表现出色，尽管仅对模拟进行了培训，并且是几个顺序，并且是几个顺序幅度更快。
translated by 谷歌翻译
我们提出了一种具有动态障碍的生物学启发方法，以避免动态障碍。路径计划是在自组织神经网络（SONN）产生的机器人的凝结配置空间中进行的。机器人本身和静态障碍物以及动态障碍物通过笛卡尔任务空间映射到构造空间，并通过预报的运动学绘制到配置空间。冷凝空间代表了环境的认知图，该图是受位置细胞和哺乳动物大脑认知图的概念的启发。培训数据的产生以及评估是在伴随模拟的实际工业机器人上进行的。为了评估不断变化的环境中无动碰撞在线计划，实现了演示者。然后，对基于样本的计划者进行了比较研究。因此，我们可以证明该机器人能够在动态变化的环境中运行，并在印象0.02秒内重新计划其运动轨迹，从而证明我们概念的实时能力。
translated by 谷歌翻译
增强学习（RL）是多能管理系统的有前途的最佳控制技术。它不需要先验模型 - 降低了前期和正在进行的项目特定工程工作，并且能够学习基础系统动力学的更好表示。但是，香草RL不能提供约束满意度的保证 - 导致其在安全至关重要的环境中产生各种不安全的互动。在本文中，我们介绍了两种新颖的安全RL方法，即SafeFallback和Afvafe，其中安全约束配方与RL配方脱钩，并且提供了硬构成满意度，可以保证在培训（探索）和开发过程中（近距离） ）最佳政策。在模拟的多能系统案例研究中，我们已经表明，这两种方法均与香草RL基准相比（94,6％和82,8％，而35.5％）和香草RL基准相比明显更高的效用（即有用的政策）开始。提出的SafeFallback方法甚至可以胜过香草RL基准（102,9％至100％）。我们得出的结论是，这两种方法都是超越RL的安全限制处理技术，正如随机代理所证明的，同时仍提供坚硬的保证。最后，我们向I.A.提出了基本的未来工作。随着更多数据可用，改善约束功能本身。
translated by 谷歌翻译
由于许多科学领域的图形，从数学，生物学，社会科学和物理学到计算机科学的图形，动态图神经网络最近变得越来越重要。尽管时间变化（动态）在许多现实世界应用中起着至关重要的作用，但图形神经网络（GNN）过程静态图的文献中的大多数模型。动态图上的少数GNN模型仅考虑特殊的动力学情况，例如Node属性 - 动态图或结构 - 动力学图，仅限于图形边缘的添加或更改等。因此，我们提供了一个新颖的全动态图形神经网络（可以在连续时间处理完全动态图的fdgnn）。提出的方法提供了一个节点和一个边缘嵌入，其中包括其活动以解决添加和删除的节点或边缘以及可能的属性。此外，嵌入式指定每个事件的时间点进程，以编码结构和属性相关的传入图表事件的分布。此外，可以通过考虑用于本地再培训的单个事件来有效地更新我们的模型。
translated by 谷歌翻译
拉格朗日轨迹或粒子分散模型以及半拉格朗日对流方案需要气象数据，例如在与常规网格独立移动的粒子的精确时空位置上的风，温度和地球电位。传统上，这种高分辨率数据是通过从气象模型或重新分析的网格数据中插值来获得的，例如在时空中使用线性插值。但是，插值误差是这些模型的巨大错误来源。减少它们需要具有较高空间和时间分辨率的气象输入字段，这可能并不总是可用，并且可能导致严重的数据存储和传输问题。在这里，我们将此问题解释为单个图像序列任务。我们将其本地分辨率可用的气象领域解释为低分辨率图像，并训练深层神经网络以将其提高到更高的分辨率，从而为Lagrangian模型提供了更准确的数据。我们训练各种最先进的版本增强的深层剩余网络，以实现低分辨率ERA5重新分析数据的超分辨率，以将这些数据提高到任意空间分辨率。我们表明，由此产生的向上缩放的风场具有均方根误差，该错误是在可接受的计算推理成本下以线性空间插值获得的风的一半。在使用Lagrangian粒子分散模型Flexpart和减少分辨率的风场的测试设置中，我们证明了计算出的轨迹与以0.5 {\ deg}计算的“地面真相”轨迹的绝对水平运输偏差至少减少了49.59.5。 48小时后，在2 {\ deg}对1 {\ deg}（4 {\ deg}到2 {\ deg}）分辨率数据时，使用风数据的线性插值相对于轨迹的％（21.8％）。
translated by 谷歌翻译
尽管神经场景表示的潜力能够在高重建质量下有效压缩3D标量场，但使用场景表示网络的训练和数据重建步骤的计算复杂性限制了它们在实际应用中的使用。在本文中，我们分析了是否可以修改场景表示网络以减少这些限制以及这些架构是否也可以用于时间重建任务。我们提出了一种使用GPU Tensor核心的场景表示网络设计，将重建无缝化为片上芯片的横梁内核。此外，我们调查使用图像引导网络培训作为典型数据驱动方法的替代方案，我们探索了这种替代品质量和速度的潜在优势和缺点。作为时变字段的空间超分辨率方法的替代方案，我们提出了一种在潜在空间插值上建立的解决方案，以使任意粒度的随机访问重建。我们以评估科学可视化任务和概述未来研究方向的现场代表网络的优势和局限性的形式总结了我们的调查结果。
translated by 谷歌翻译