Paris-Carla-3d是由移动激光器和相机系统构建的几个浓彩色点云的数据集。数据由两组具有来自开源Carla模拟器(700百万分)的合成数据和在巴黎市中获取的真实数据(6000万分),因此Paris-Carla-3d的名称。此数据集的一个优点是在开源Carla模拟器中模拟了相同的LIDAR和相机平台,因为用于生产真实数据的开源Carla Simulator。此外,使用Carla的语义标记的手动注释在真实数据上执行,允许将转移方法从合成到实际数据进行测试。该数据集的目的是提供一个具有挑战性的数据集,以评估和改进户外环境3D映射的困难视觉任务的方法:语义分段,实例分段和场景完成。对于每项任务,我们描述了评估协议以及建立基线的实验。
translated by 谷歌翻译
在这项工作中,我们利用神经网络(NNS)的通用近似特性来设计端口 - Hamiltonian(pH)框架中的完全致动机械系统的互连和阻尼分配(IDA)基于控制(PBC)方案。为此,我们将IDA-PBC方法转换为解决部分差分匹配方程的监督学习问题,并满足均衡分配和Lyapunov稳定条件。这是主要的结果,即学习算法的输出在被动和Lyapunov稳定性方面具有明确的控制理论解释。通过数值模拟验证了所提出的控制设计方法,用于1和两度自由度的机械系统。
translated by 谷歌翻译
最近的工作表明,(1)增加输入长度或(2)增加模型大小可以提高基于变压器的神经模型的性能。在本文中,我们提出了一个名为Longt5的新模型,我们探讨了同时缩放输入长度和模型大小的效果。具体而言,我们综合了从长输入变压器(ETC)的关注思路,并采用了从摘要预训练(PEGASU)的预训练策略进入可扩展的T5架构。结果是我们称之为{\ EM瞬态全球}(TGLOBAL)的新关注机制,这些机制是模仿等本地/全球注意力机制,但不需要额外的侧面输入。我们能够实现最先进的结果,以若干摘要任务,优于问题应答任务的原始T5模型。
translated by 谷歌翻译
在过去的几年里,假新闻的前所未有的扩散。因此,我们更容易受到误导和消毒蔓延可能在我们社会的不同细分市场的影响。因此,开发自动检测假新闻的工具和在预防其负面影响方面发挥着重要作用。大多数尝试仅在使用文本信息时检测和分类错误内容焦点。多式联运方法频繁不那么频繁,它们通常将新闻分类为真假或假。在这项工作中,我们使用单峰和多模式方法对FakedDit DataSet进行精细的虚假新闻分类。我们的实验表明,基于卷积神经网络(CNN)架构的多模式方法组合文本和图像数据的最佳结果,精度为87%。一些假新闻类别,如操纵内容,讽刺或假连接强烈地受益于图像的使用。使用图像也提高了其他类别的结果,但影响较少。关于仅使用文本的单向方法,来自变压器(BERT)的双向编码器表示是最佳模型,精度为78%。因此,利用文本和图像数据显着提高了假新闻检测的性能。
translated by 谷歌翻译
我们的目标是讨论其在其理论和实践术语中讨论了强化的计划,指出了在讨论计算模拟的优势的同时实施这些时间表的实际限制。在本文中,我们展示了一个名为喙的R脚本,建立了模拟与加固时间表交互的行为速率。使用喙,我们已经模拟了允许评估不同强化反馈功能(RFF)的数据。这是通过无与伦比的精确度制作的,因为模拟提供了巨大的数据样本,更重要的是,它产生的加强不会改变模拟行为。因此,我们可以系统地改变它。我们将不同的RFF与RI​​时间表进行了比较,用作标准:意义,精确,分析和一般性。我们的结果表明,RI计划的最佳反馈函数由BAUM(1981)公布。我们还建议Killeen(1975)使用的模型是RDRL计划的可行反馈函数。我们认为喙铺平了更多了解加强时间表,解决了关于时间表的定量特征的开放问题。此外,他们可以指导将来使用时间表作为理论和方法工具的实验。
translated by 谷歌翻译
上采样器是由问题上采样层引起的,并且由于在上采样时出现的光谱副本。此外,根据所用的上采样层,这种伪像可以是色调的伪像(添加性高频噪声)或过滤伪像(衰减,衰减一些带)。在这项工作中,我们通过研究不同的伪像如何交互和评估模型性能的影响,调查在所产生的音频中具有上采样的伪影的实际意义。为此,我们基准为音乐源分离的大量上采样层:不同的转置和子像素卷积设置,不同的插值上升器(包括基于拉伸和SINC插值的两个新颖的层)和基于不同的基于小波的上升器(包括小说可学习小波层)。我们的研究结果表明,与插值上采样器相关的过滤器件是感知的,即使它们倾向于实现更差的客观分数。
translated by 谷歌翻译
我们提出了一种数据驱动的电力分配方法,在联邦学习(FL)上的受干扰有限的无线网络中的电力分配。功率策略旨在在通信约束下的流行过程中最大化传输的信息,具有提高全局流动模型的训练精度和效率的最终目标。所提出的功率分配策略使用图形卷积网络进行参数化,并且通过引流 - 双算法解决了相关的约束优化问题。数值实验表明,所提出的方法在传输成功率和流动性能方面优于三种基线方法。
translated by 谷歌翻译
在本文中,我们介绍一种名为迭代部分减少(ISR)的新型算法,以自动识别用于预测目标分类任务的时空时间序列的子间隔。具体地,使用从驾驶模拟器研究中收集的数据,我们鉴定了沿着模拟路线的空间区域(被称为“部分”)倾向于表现出预测注意力缺陷多动障碍(ADHD)的存在的驾驶行为。识别这些部分的两个主要原因是重要的:(1)通过过滤出非预测时间序列子间隔,(2)来提高培训模型的预测准确性,并在道路上的路上方案(被称为事件)的洞察中从接受ADHD治疗的患者和那些没有的患者中引出明显不同的驾驶行为。我们的实验结果表明,在先前的努力(+ 10%的精度)和模拟器中识别的预测部分和脚本的路上事件之间的良好对准(谈判转弯和曲线)之间的良好对准。
translated by 谷歌翻译
符号回归是识别拟合从黑盒过程中观察到的输出的数学表达式的过程。它通常认为是一个离散的优化问题是NP - 硬。解决问题的前提方法包括神经引导的搜索(例如,使用强化学习)和遗传编程。在这项工作中,我们介绍了一种混合神经引导/基因编程方法来象征性回归和其他组合优化问题。我们提出了一种神经引导组件,用于种子随机重启遗传编程组件的起始群体,逐渐学习更好的起始群体。在许多常见的基准任务中从数据集中恢复底层表达式,我们的方法使用相同的实验设置恢复比最近发布的顶部执行模型更多的表达式65%。我们证明在没有对神经引导的组件上的不相互依存的情况下运行许多遗传编程一代,而不是比两个更强烈地耦合的替代配方更好地对象征性回归更好地执行符号回归。最后,我们介绍了一组新的22个符号回归基准问题,而现有的基准难度增加。源代码在www.github.com/brendenpetersen/deep-symbolic -optimization提供。
translated by 谷歌翻译
功率分配是无线网络中的基本问题之一,并且各种算法从不同的角度来解决这个问题。这些算法中的一个共同元素是它们依赖于信道状态的估计,这可能因硬件缺陷,嘈杂的反馈系统和环境和对抗性障碍而不准确。因此,对于输入扰动,这些算法的输出功率分配至关重要,在输入扰动的范围内是界限的界限的界限的程度。在本文中,我们专注于UWMMSE - 一种利用图形神经网络的现代算法 - 并通过理论分析和经验验证说明了界限能量添加输入扰动的稳定性。
translated by 谷歌翻译