为了协助游戏开发人员制作游戏NPC，我们展示了EvolvingBehavior，这是一种新颖的工具，用于基因编程，以在不真实的引擎4中发展行为树4.在初步评估中，我们将演变的行为与我们的研究人员设计的手工制作的树木和随机的树木进行了比较 - 在3D生存游戏中种植的树木。我们发现，在这种情况下，EvolvingBehavior能够产生行为，以实现设计师的目标。最后，我们讨论了共同创造游戏AI设计工具的探索的含义和未来途径，以及行为树进化的挑战和困难。
translated by 谷歌翻译
人们对出于各种目的的人交谈的综合视频图像产生了浓厚的兴趣，包括娱乐，交流，培训和广告。随着深层伪造的模型的发展，合成视频图像很快将在视觉上与自然捕获视频的肉眼无法区分。此外，许多方法正在继续改进，以避免更谨慎，法医视觉分析。通过使用面部木偶来制作一些深层的虚假视频，该视频通过演员的动作直接控制合成图像的头部和面部，使演员可以将其“木偶”“木偶”“木偶”“木偶”“木偶”相同。在本文中，我们解决了一个问题，即是否可以通过控制扬声器的视觉外观，但从另一个来源转移行为信号来将一个人的动作与原始扬声器区分开。我们通过比较综合图像来进行研究：1）源自另一个人说不同话语的人，2）起源于同一人说的话不同，3）源自另一个人说相同的话语。我们的研究表明，在所有三种情况下，合成视频都比原始源视频不那么真实和吸引力。我们的结果表明，可以从一个人的动作中检测到与视觉外观分开的行为签名，并且可以使用这种行为签名来区分深处的伪造与正确捕获的视频。
translated by 谷歌翻译
我们提出了压缩的垂直联合学习（C-VFL），以在垂直分区的数据上进行沟通效率培训。在C-VFL中，服务器和多方在使用多个本地迭代并定期共享压缩的中间结果的服务器和多方在其各自的功能上进行协作。我们的工作提供了有关效果消息压缩对分布式培训对垂直分区数据的分布培训的首次理论分析。我们以$ O（\ frac {1} {\ sqrt {t}}} $的速率证明非凸目标的收敛性。我们提供了与通用压缩技术（例如量化和顶部$ k $稀疏）的融合的特定要求。最后，我们通过实验表明，压缩可以减少$ 90 \％$的交流，而不会显着降低VFL的准确性而没有压缩。
translated by 谷歌翻译
我们考虑在分层通信网络中的联合学习。我们的网络模型由一组孤岛组成，每个孤立者都包含数据的垂直分区。每个孤岛都包含一个集线器和一组客户端，筒仓的垂直数据碎片在其客户端跨越水平分区。我们提出了分层分散的坐标血统（TDCD），这是一种用于这种双层网络的通信有效的分散训练算法。每个筒仓中的客户端在与他们的集线器共享更新之前执行多个本地梯度步骤以减少通信开销。每个集线器通过平均其工作人员更新来调整其坐标，然后集线器交换中间更新彼此。我们对我们的算法提供了一个理论分析，并显示了收敛速度对垂直分区数量的依赖性和本地更新的数量。我们通过使用各种数据集和目标，通过基于模拟的实验进行了经验验证我们的方法。
translated by 谷歌翻译