在线学习环境（即联合学习（FL））中，合作学习范式的迅速增加。与大多数FL设置不同，在许多情况下，代理商具有竞争力。每个代理商都想向他人学习，但是它为他人分享的信息的一部分可能很敏感。因此，它希望其隐私。这项工作调查了一组代理人同时工作，以解决类似的组合匪徒问题，同时保持质量约束。这些代理商可以通过使用差异隐私来保密其敏感信息的同时学习敏感信息吗？我们观察到交流可以减少遗憾。但是，保护敏感信息的差异隐私技术使数据嘈杂，并且可能会恶化，而不是帮助改善遗憾。因此，我们注意到，必须决定何时交流以及学习哪些共享数据以学会在遗憾和隐私之间取得功能平衡。对于这样的联合组合MAB设置，我们提出了一个保护隐私的联合联合组合匪徒，P-FCB。我们通过模拟说明了P-FCB的功效。我们进一步表明，我们的算法在遗憾方面提供了改善，同时维护质量阈值和有意义的隐私保证。
translated by 谷歌翻译
我们认为在数据异质性下实现联合学习（FL）的公平分类问题。为公平分类提出的大多数方法都需要不同的数据，这些数据代表了所涉及的不同人口群体。相比之下，每个客户端都是拥有仅代表单个人口统计组的数据。因此，在客户级别的公平分类模型无法采用现有方法。为了解决这一挑战，我们提出了几种聚合技术。我们通过比较Celeba，UTK和Fairace数据集上产生的公平度量和准确性来凭经验验证这些技术。
translated by 谷歌翻译
Creativity is an indispensable part of human cognition and also an inherent part of how we make sense of the world. Metaphorical abstraction is fundamental in communicating creative ideas through nuanced relationships between abstract concepts such as feelings. While computer vision benchmarks and approaches predominantly focus on understanding and generating literal interpretations of images, metaphorical comprehension of images remains relatively unexplored. Towards this goal, we introduce MetaCLUE, a set of vision tasks on visual metaphor. We also collect high-quality and rich metaphor annotations (abstract objects, concepts, relationships along with their corresponding object boxes) as there do not exist any datasets that facilitate the evaluation of these tasks. We perform a comprehensive analysis of state-of-the-art models in vision and language based on our annotations, highlighting strengths and weaknesses of current approaches in visual metaphor Classification, Localization, Understanding (retrieval, question answering, captioning) and gEneration (text-to-image synthesis) tasks. We hope this work provides a concrete step towards developing AI systems with human-like creative capabilities.
translated by 谷歌翻译
许多活动分类段数据中的固定窗口大小以进行特征提取和分类。但是，动物行为的各种持续时间与预定的窗口大小不符。密集的标签和密集的预测方法通过预测每个点的标签来解决此限制。因此，通过追踪起点和终点，我们可以知道所有发生的活动的时间位置和持续时间。尽管如此，严格的预测可能会出现未对准问题的嘈杂。我们修改了U-NET和条件生成对抗网络（CGAN），并具有自定义的损失功能，作为减少破碎和其他未对准的训练策略。在CGAN中，歧视者和发电机像对抗性竞争一样相互训练。发电机产生密集的预测。在我们的情况下，鉴别器作为高级一致性检查，促使发电机以合理的持续时间预测活动。接受CGAN训练的模型在牛，Pig和UCI Hapt数据集中表现出更好或可比的性能。与以前的密集预测工作相比，pgan训练的UNET训练的U-NET从92.17％提高到94.66％，猪数据的猪数据数据集从90.85％提高到90.85％到93.18％。
translated by 谷歌翻译