在过去几年中，神经字符动画已经出现并提供了一种动画虚拟字符的自动方法。它们的运动由神经网络合成。用用户定义的控制信号实时控制该运动也是视频游戏中的重要任务。基于全连接层（MLP）和专家混合物（MOE）的解决方案已经令人印象深刻的导致产生和控制环境与虚拟字符之间的近距离相互作用的各种运动。然而，完全连接层的主要缺点是它们的计算和内存成本，可能导致子优化的解决方案。在这项工作中，我们在交互式角色动画的背景下应用修剪算法以压缩MLP-Moe神经网络，这降低了其参数的数量，并在该加速度和合成的运动质量之间进行权衡加速其计算时间。这项工作表明，通过相同数量的专家和参数，修剪模型产生的运动伪像比密集模型更少，并且学习的高级运动功能对于两者相似
translated by 谷歌翻译
身份验证系统容易受到模型反演攻击的影响，在这种攻击中，对手能够近似目标机器学习模型的倒数。生物识别模型是这种攻击的主要候选者。这是因为反相生物特征模型允许攻击者产生逼真的生物识别输入，以使生物识别认证系统欺骗。进行成功模型反转攻击的主要限制之一是所需的训练数据量。在这项工作中，我们专注于虹膜和面部生物识别系统，并提出了一种新技术，可大大减少必要的训练数据量。通过利用多个模型的输出，我们能够使用1/10进行模型反演攻击，以艾哈迈德和富勒（IJCB 2020）的训练集大小（IJCB 2020）进行虹膜数据，而Mai等人的训练集大小为1/1000。 （模式分析和机器智能2019）的面部数据。我们将新的攻击技术表示为结构性随机，并损失对齐。我们的攻击是黑框，不需要了解目标神经网络的权重，只需要输出向量的维度和值。为了显示对齐损失的多功能性，我们将攻击框架应用于会员推理的任务（Shokri等，IEEE S＆P 2017），对生物识别数据。对于IRIS，针对分类网络的会员推断攻击从52％提高到62％的准确性。
translated by 谷歌翻译
强化学习目睹了最近在量子编程中的各种任务中的应用。基本的假设是这些任务可以建模为马尔可夫决策过程（MDP）。在这里，我们通过探索量子编程中的两个基本任务的后果来研究该假设的可行性：状态制备和门编译。通过形成离散的MDP，专门针对单量的情况（无论有没有噪声），我们可以通过策略迭代准确地为最佳策略求解。我们找到与最短门序列相对应的最佳路径，以准备状态或编译门，直至某些目标精度。例如，我们发现$ h $和$ t $门的序列长达$ 11 $生产$ \ sim 99 \％$ $ fidelity表格$（ht）^{n} | 0 \ rangle $值高达$ n = 10^{10} $。在存在门噪声的情况下，我们演示了最佳政策如何适应嘈杂的门的影响，以实现更高的状态忠诚度。我们的工作表明，人们可以将离散，随机和马尔可夫的性质强加于连续，确定性和非马克维亚量子演化，并提供理论上的洞察力，以了解为什么可以成功地使用强化学习来找到量子编程中的最佳短门序列。
translated by 谷歌翻译
Pennylane是用于量子计算机可区分编程的Python 3软件框架。该库为近期量子计算设备提供了统一的体系结构，支持量子和连续变化的范例。 Pennylane的核心特征是能够以与经典技术（例如反向传播）兼容的方式来计算变异量子电路的梯度。因此，Pennylane扩展了在优化和机器学习中常见的自动分化算法，以包括量子和混合计算。插件系统使该框架与任何基于门的量子模拟器或硬件兼容。我们为硬件提供商提供插件，包括Xanadu Cloud，Amazon Braket和IBM Quantum，允许Pennylane优化在公开访问的量子设备上运行。在古典方面，Pennylane与加速的机器学习库（例如Tensorflow，Pytorch，Jax和Autograd）接口。 Pennylane可用于优化变分的量子本素体，量子近似优化，量子机学习模型和许多其他应用。
translated by 谷歌翻译