虽然现代自动语音识别（ASR）系统可以实现高性能，但它们可能会产生削弱读者体验并对下游任务造成伤害的错误。为了提高ASR假设的准确性和可靠性，我们提出了一种用于语音识别器的跨模型后处理系统，其中1）熔断来自不同方式的声学特征和文本特征，2）接合置信度估计器和多个误差校正器任务学习时尚和3）统一纠错和话语抑制模块。与单模或单任务模型相比，我们提出的系统被证明更有效和高效。实验结果表明，我们的后处理系统导致对工业ASR系统的单扬声器和多扬声器语音相对降低的10％相对减少，每个令牌约为1.7ms延迟确保在流语音识别中可以接受后处理引入的额外延迟。
translated by 谷歌翻译
知识图（kg）推论是解决KGs自然不完整性的重要技术。现有的kg推断方法可以分为基于规则的基于和基于kg嵌入的模型。然而，这些方法同时不能平衡准确性，泛化，解释性和效率。此外，这些模型总是依赖于纯粹的三元族并忽略额外信息。因此，KG嵌入（KGE）和规则学习kg推理因稀疏实体和有限的语义而接近面临的面临挑战。我们提出了一种新颖且有效的闭环kg推理框架，与基于这些观察结果类似地运行作为发动机。 EngineKgi将KGE和RULE学习在闭环模式中互相补充，同时利用路径和概念中的语义。 KGE模块利用路径来增强实体之间的语义关联，并介绍解释性规则。通过利用路径作为初始候选规则，在规则学习模块中提出了一种新颖的规则修剪机制，并使用KG Embeddings以及提取更高质量规则的概念。四个真实数据集的实验结果表明，我们的模型在链路预测任务上占外的其他基线，展示了我们模型在KG推理中以闭环机制的关节逻辑和数据驱动方式的效力和优越性。
translated by 谷歌翻译
少量学习（FSL）旨在学习概括到具有有限培训样本的小型课程的模型。最近的作品将FSL推进一个场景，其中还提供了未标记的例子并提出半监督FSL方法。另一种方法还关心基类的性能，除了新颖的外，还建立了增量FSL方案。在本文中，我们在更现实但复杂的环境下概括了上述两个，通过半监督增量少量学习（S2 I-FSL）命名。为了解决任务，我们提出了一种包含两部分的新型范例：（1）一种精心设计的元训练算法，用于减轻由不可靠的伪标签和（2）模型适应机制来减轻基础和新颖类之间的模糊性，以学习歧视特征对于小说类，同时使用少数标记和所有未标记的数据保留基本知识。对标准FSL，半监控FSL，增量FSL的广泛实验，以及第一个构建的S2 I-FSL基准测试证明了我们提出的方法的有效性。
translated by 谷歌翻译
我们的食品偏好指导我们的食物选择，反过来影响我们的个人健康和社交生活。在本文中，我们采用了一种方法，使用OWL2中表达的域本体进行支持，以支持正规主义CP-Net中的偏好的获取和表示。具体而言，我们展示了域本体论的构建和问卷设计来获取和代表偏好。偏好的收购和代表在大学食堂的领域实施。我们在这项初步工作中的主要贡献是获取偏好，并优选地通过本体中所代表的域知识来获取偏好。
translated by 谷歌翻译
数据驱动的生成机器学习模型最近被出现为最有希望的新材料发现方法之一。虽然发电机型号可以产生数百万候选者，但训练快速准确的机器学习模型至关重要，以滤除具有所需特性的稳定，可合成的材料。然而，通过缺乏不稳定或不合益的样本严重阻碍了构建监督回归或分类筛查模型的努力，这通常不会收集和沉积在诸如ICSD和材料项目（MP）的材料数据库中。与此同时，这些数据库中有很多未标记的数据。在这里，我们提出了一个半监控的深度神经网络（TSDNN）模型，用于高性能形成能量和合成性预测，通过其独特的教师 - 学生双网络架构实现，并有效利用大量未标记数据。对于基于能量基于能量的稳定性筛选，与基线CGCNN回归模型相比，我们的半监控分类器实现了绝对的10.3 \％的准确性改进。对于合成性预测，我们的模型显着增加了基准PU学习从87.9 \％到97.9 \％的真正阳性率使用1/49型号参数。为了进一步证明我们模型的有效性，我们将我们的TSDNN-Energy和Tsdnn-InsteSizability模型与我们的Cubicgan发生器组合起来，以发现新型稳定的立方体结构。我们的模型中的1000个推荐的候选样品，其中512个具有由我们的DFT形成能量计算验证的负面形成能量。我们的实验结果表明，我们的半监督深度神经网络可以在大型生成材料设计中显着提高筛选准确性。
translated by 谷歌翻译
自从搜索空间通常相当巨大（例如，$ 13 ^ {21}），训练单次NAS方法中的一个良好的Supernet很难。为了提高超网络的评估能力，一个贪婪的策略是采样良好的路径，让超标倾向于良好的路径并减轻其评估负担。然而，在实践中，由于良好路径的识别不够准确并且采样路径仍然围绕整个搜索空间散射，因此搜索仍然是效率效率低下。在本文中，我们利用显式路径滤波器来捕获路径的特征，并直接过滤那些弱的路径，从而可以更加贪婪地且有效地在缩小空间上实现搜索。具体地，基于良好的路径小于空间中的弱者的事实，我们认为“弱道”的标签将比多道路采样中的“良好路径”更自信和可靠。通过这种方式，我们因此将路径滤波器的训练施放在正面和未标记的（PU）学习范例中，并且还鼓励一个\ Texit {路径嵌入}作为更好的路径/操作表示，以增强学习过滤器的识别容量。通过这种嵌入的DINT，我们可以通过将类似的嵌入式汇总相似的操作进一步缩小搜索空间，搜索可以更高效和准确。大量实验验证了所提出的方法GredynaSv2的有效性。例如，我们获得的GreedynaSv2-L验证$ 81.1 \％$ 1 $ top-1在想象数据数据上的准确性，显着优于Reset-50强的基线。
translated by 谷歌翻译
人道主义组织必须具有快速可靠的数据来应对灾害。在现实世界灾害中难以实施深度学习方法，因为在活动结束后很快收集损坏情况（培训数据）的地面真理数据可能会挑战。在这项工作中，通过成功地申请建立具有非常有限的标记数据和大量未标记数据的损害评估，在这项工作中展示了最近的自定节奏正面未标记的学习（PU）。将自欺欺人学习与来自2011年Tohoku地震，2018 Palu海啸和2018年飓风迈克尔收集的不同数据集进行了监督的基线和传统浦项学习。通过仅利用标记的损坏样本的一部分，我们展示了如何用自我PU技术训练的模型可以实现与监督学习的相当性能。
translated by 谷歌翻译
从积极和未标记的（PU）数据中学习是各种应用中的重要问题。最近PU分类的大多数方法假设训练未标记的数据集中的课程（正样本的比率）与测试数据的类别相同，这在许多实际情况下不存在。此外，我们通常不知道培训和测试数据的类别，因此我们没有关于如何在没有它们的情况下训练分类器的线索。为了解决这些问题，我们提出了一种基于密度比估计的新型PU分类方法。我们所提出的方法的显着优势在于它不需要训练阶段中的类前沿;先前的换档仅在测试阶段结合。理论上，理论地证明我们提出的方法和实验证明其有效性。
translated by 谷歌翻译
在本文中，我们考虑了在$ N $代理的分布式优化问题，每个都具有本地成本函数，协作最小化连接网络上的本地成本函数的平均值。为了解决问题，我们提出了一种分布式随机重新洗脱（D-RR）算法，该算法结合了经典分布式梯度下降（DGD）方法和随机重新洗脱（RR）。我们表明D-RR继承了RR的优越性，以使光滑强凸和平的非凸起目标功能。特别是，对于平稳强凸的目标函数，D-RR在平方距离方面实现$ \ Mathcal {o}（1 / T ^ 2）$汇率（这里，$ t $计算迭代总数）在迭代和独特的最小化之间。当假设客观函数是平滑的非凸块并且具有Lipschitz连续组件函数时，我们将D-RR以$ \ Mathcal {O}的速率驱动到0美元的平方标准（1 / T ^ {2 / 3}）$。这些收敛结果与集中式RR（最多常数因素）匹配。
translated by 谷歌翻译
机器学习在解决无线干扰管理问题方面取得了成功。已经培训了不同种类的深神经网络（DNN），以完成功率控制，波束成形和准入控制等关键任务。基于DNNS的干扰管理模型有两个流行的培训范式：监督学习（即，由优化算法产生的拟合标签）和无监督的学习（即，直接优化一些系统性能测量）。虽然这两种范式都在实践中广泛应用，但由于对这些方法缺乏任何理论理解，但目前尚不清楚如何系统地理解和比较他们的性能。在这项工作中，我们开展理论研究，为这两个训练范例提供了一些深入的了解。首先，我们展示了一些令人惊讶的结果，即对于一些特殊的功率控制问题，无监督的学习可以表现比监督对手更糟糕，因为它更有可能陷入一些低质量的本地解决方案。然后，我们提供了一系列理论结果，以进一步了解两种方法的性质。一般来说，我们表明，当有高质量的标签可用时，监督学习不太可能陷入解决方案，而不是无监督的对应物。此外，我们开发了一种半监督的学习方法，可以妥善整合这两个训练范例，可以有效地利用有限数量的标签来找到高质量的解决方案。为了我们的知识，这些是第一种在基于学习的无线通信系统设计中了解不同培训方法的第一组理论结果。
translated by 谷歌翻译