网络系统中的一个重要问题是检测和删除所谓的恶意节点。在这种情况下，一个关键的考虑因素是检测中的不确定性，加上对网络连接的考虑，这会导致错误地移除良性节点以及无法移除恶意节点而产生间接成本。最近提出的解决这个问题的方法直接解决了这些问题，但具有显着的局限性：它假定决策者对网络上节点的联合恶意概率有准确的了解。这在实践中显然不是这种情况，这种分布有限的证据是最好的估计。为了解决这个问题，我们提出了用于最佳节点移除的分布式鲁棒框架。虽然问题是NP-Hard，但我们提出了一种原理算法技术，可以基于二元性与半定规划松弛相结合来近似解决它。综合使用理论和实证分析，使用合成数据和实际数据，提供了强有力的证据证明非算法方法非常有效，特别是比现有技术更强大。
translated by 谷歌翻译
网络系统的一个基本挑战是检测和删除所谓的恶意节点。实际上，检测总是不完美的，并且关于哪些潜在的恶意节点要删除的决定必须权衡假存（错误地移除良性节点）和漏报（错误地删除恶意节点）。但是，在网络设置中，此常规权衡现在必须考虑节点连接。特别是，恶意节点可能会产生恶意影响，因此错误地将其中的一些遗留在网络中可能会导致传播损害。另一方面，移除对象节点会对这些节点造成直接伤害，并对希望与他们通信的良性邻居造成间接伤害。我们通过一个将连接带入计算的目标，正确地解决了在不确定性下从网络中删除潜在恶意节点的问题。我们表明，最佳地解决由此产生的问题是NP-Hard。 Wethen提出了一种基于目标凸松弛的易处理解决方案。最后，我们通过实验证明，我们的方法明显优于忽略网络结构的简单基线，以及相关问题的最新方法，无论是合成数据集还是现实数据集。
translated by 谷歌翻译
最近最流行的跟踪框架专注于2D图像序列。它们很少跟踪点云中的3D对象。在本文中，我们提出了一种基于三维道路实例分割的快速，简单的跟踪方法PointIT。首先，我们将3D LiDAR数据转换为尺寸为64 x 512 x 4的球形图像，并将其转换为实例分段模型。获取每个类的预测实例掩码。然后我们使用MobileNet作为我们的主要编码器，而不是原始的ResNet，以降低计算复杂性。最后，我们使用此实例框架扩展Sort算法，以实现3D LiDAR点云数据的跟踪。该模型在球形图像数据集上训练，具有由KITTI3D对象轨道数据集提供的相应实例标签掩模。根据实验结果，我们的网络可以达到0.617的平均精度（AP），并且还提高了多跟踪任务的性能。
translated by 谷歌翻译
机器学习中敏感数据的隐私问题越来越受到关注。在本文中，我们研究了在交替方向乘法器（ADMM）框架下保护隐私的分布式学习。虽然安全的分布式学习先前已经被利用了密码学或非加密（噪声扰动）方法，但其代价是计算开销过高或精度损失严重。此外，现有的保护性ADMM方案很难探讨噪声扰动的收敛性。 。在这项工作中，我们在点对点半诚实代理的场景中提出了两个修改的privateADMM方案：首先，我们表明，只需线性秘密共享，就可以实现信息理论上的私有分布式优化。使用差分隐私的概念，我们提出了基于随机参数的基于第一或基于逼近的ADMM方案。我们证明了所提出的私有ADMM方案可以以线性收敛速率实现，并且与先前工作相关的隐私损失更加严格。最后，我们提供实验结果来支持该理论。
translated by 谷歌翻译
2019-02-14
虽然强化学习（RL）具有使机器人能够自主获取各种技能的潜力，但在实践中，RL通常需要对奖励函数进行手动，按任务设计，特别是在实际环境中，计算进度所需的环境方面并非直接无障碍。为了使机器人能够自主学习技能，我们反而考虑强化学习的问题，而无需获得奖励。 Weaim要学习一个无人监督的嵌入空间，机器人可以在该空间内测量自己的目标。我们的方法明确地优化了对称空间，当目标达到最终状态时，达到特定状态的动作序列是最佳的。这使得学习有效和以控制为中心的表示能够导致更多的自主强化学习算法。我们在三个模拟环境和两个真实操作问题上的实验表明，我们的方法可以从未标记的交互中学习有效的目标指标，并使用学习目标指标进行自主强化学习。
translated by 谷歌翻译
随着深度学习（DL）应用的激增，GPU计算变得越来越流行。但是，与CPU或网络等传统资源不同，现代GPU本身并不支持细粒度共享原型。因此，实施诸如时间共享和抢占的共同策略是昂贵的。更糟糕的是，当DL应用程序无法完全使用aGPU的资源时，GPU无法在多个应用程序之间有效共享，从而导致GPU利用不足。我们提出Salus以实现两个GPU共享原语：快速作业切换和内存共享，以实现多个DL应用程序之间的细粒度GPU共享。 Salus实现了一种高效，整合的执行服务，将GPU暴露给不同的DL应用程序，并通过执行迭代调度和解决相关的内存管理问题来实施细粒度共享。我们证明这些原语可以用于实现灵活的共享策略，例如公平性，优先级和包装用于各种用例。我们将Salus与TensorFlow集成并对流行DL工作进行评估表明，Salus可以将DLtraining作业的平均完成时间提高3.19美元\次，超级参数调整的GPU利用率提高2.38美元以上，以及DL推理应用程序的GPU利用率$ 42 \ times $超过不分享GPU和$ 7 \ times $超过NVIDIA MPS，开销很小。
translated by 谷歌翻译
验证码是用于区分人和计算机的自动测试方法。人类可以轻松识别验证码，而机器则不能。随着卷积神经网络的发展，现在可以自动识别验证码。但是，卷积神经网络的优势取决于训练分类器的数据，特别是训练集的大小。因此，识别验证码当训练数据不足时，使用卷积神经网络是困难的。该研究提出了一种主动和深度学习策略，以获得关于特殊验证码集的新训练数据，而无需人工干预。本文提出了一种具有较少训练数据的场景特征学习模型，并通过设计的卷积神经网络识别验证码。实验表明，当初始训练数据量较小时，该方法可以显着提高神经网络的识别精度。
translated by 谷歌翻译
本文介绍了以舒适为中心的可穿戴式机器人的设计原则及其在轻型和可反向驱动的膝外骨骼中的应用。将不适感作为机械设计和控制问题进行处理，本文提出了三种解决方案：1）新的可穿戴结构优化了表带附着结构，适合布局，改善了传统可穿戴结构设计的过度剪切力; 2）滚动接头和双铰链机构分别减少了矢状面正面的不对中，而没有增加机械复杂性和惯性; 3）低阻抗机械传动减少了致动器对人体的反射和阻尼，因此外骨骼是高度可反向驱动的。运动学仿真表明，在最大膝关节处，机器人关节和膝关节之间的不对准可减少74％。在实验中，无动力模式下的外骨骼表现出1.03 Nmroot均方（RMS）低阻力矩。扭矩控制实验证明了三个人类受试者的0.31 Nm RMS扭矩跟踪误差。
translated by 谷歌翻译
近年来，扬声器验证主要使用深度网络进行，该网络被训练为从输入特征输出嵌入，例如频谱图或滤波器组能量。因此，已经进行了研究以设计各种损失函数，包括度量学习，以训练深度神经网络以使其适合于说话者验证。我们建议使用扬声器基座进行扬声器验证的端到端损耗功能，这些功能可用于训练参数。我们期望每个说话者的基础将代表在深度神经网络训练过程中相应的说话者。传统的损失函数只能考虑包含在小批量中的有限数量的说话者。相反，由于所提出的损失函数基于扬声器基础，因此可以将每个样本与所有扬声器进行比较，而不管小批量组合。通过使用VoxCeleb 1进行的扬声器验证实验，我们确认所提出的损耗函数可以增加扬声器之间的变化并执行硬负向采集的小批量。特别地，已经表明通过所提出的损失函数训练的系统具有5.55％的相等错误率。此外，与使用传统中心损失函数训练的系统相比，所提出的损失函数将误差减少了大约15％。
translated by 谷歌翻译
缺失值估算是建模时空序列的一个基本问题，从运动跟踪到物理系统的动态。在本文中，我们采用非自回归方法并提出一种新的深度生成模型：非自回归多分辨率插补（NAOMI），用于在给定任意缺失模式的情况下导入远程时空序列。特别是，NAOMI利用spatiotemporaldata的多分辨率结构进行递归插值。粗到细粒度的分辨率。我们通过使用模仿学习目标进行对抗训练来进一步增强我们的模型。在对台球和篮球轨迹进行训练时，NAOMI证明了插补精度的显着提高（与自回归对应物相比，平均预测误差减少了60％）和在确定性和随机动力学系统中的长距离轨迹的综合能力。
translated by 谷歌翻译