学习解开的表示被认为是代表性学习的基石问题。最近,Locatello等人。 (2019)证明,在没有归纳偏差的情况下,无监督的解缠结构学习在理论上是不可能的,并且现有的归纳偏差和无监督方法不允许一致地学习解缠结的表示。但是,在许多实际设置中,人们可能可以访问非常有限的监视,例如通过手动标记训练示例。在本文中,我们研究了这种监督对现有技术纠正方法的影响,并进行了大规模的研究,在明确和可重复的实验条件下培训了29000多个模型。我们首先认为,非常有限数量的标记示例(数据集的0.01-0.5%)足以在最先进的无监督模型上执行模型选择。然而,如果一个人可以获得监督模型选择的标签,那么就会提出一个自然的问题,即它们是否也应该纳入培训过程。作为案例研究,我们测试了将(非常有限的)监督引入现有的最先进的无监督纠正方法的好处,这些方法利用了标签的值和可以从中推导出的标准信息。总的来说,我们通过非常少且可能不精确的监督来经验性地验证,可以可靠地学习解开的表示。
translated by 谷歌翻译
在线检测数据序列的生成过程中的瞬时变化通常集中在这些变化点的回顾性推断上,而不考虑它们将来的发生。我们扩展贝叶斯在线变换点检测算法以推断直到下一个变化点(即剩余时间)的时间步数。这使我们能够处理依赖于总段持续时间的观察模型,这是使用具有时间缩放的模型数据序列。另外,我们通过删除i.i.d来扩展模型。对观测模型参数的假设。用于分段检测的结果推理算法可以以在线方式部署,并且我们将合成和两个医学真实世界数据集的应用说明。
translated by 谷歌翻译
学习解开高维,非结构化数据变异的基础知识的解缠结表示的能力对于数据有效和强大地使用神经网络具有重要意义。最近提出了针对这一目标的各种方法 - 验证现有工作是指导进一步发展的关键任务。先前的验证方法侧重于生成因素和学习特征之间的共享信息。然而,罕见事件或来自多种因素的累积影响对编码的影响仍未被捕获。 Ourexperiments表明,这已经在一个简单的噪声自由基因中变得明显。这就是我们引入介入稳健性评分的原因,该评分提供了对生成因子的干预性和改变滋扰因素的学习表征的稳健性的定量评估。我们展示了如何从标记的观察数据中估计这个分数,这可能是混淆的,并且进一步提供了一种在数据集大小中线性缩放的有效算法。我们的因果激励框架的好处在广泛的实验中得到了说明。
translated by 谷歌翻译
在自然科学中,微分方程被广泛用于描述动力系统。从数据中发现和验证此类模型已成为当今科学的基本挑战。从统计的角度来看,我们区分了两个问题:参数估计和结构搜索。在参数估计中,我们从给定的微分方程开始,估计在离散时间点观察到的噪声数据中的参数。估计非线性地取决于参数。这带来了统计和计算方面的挑战,使得结构搜索的任务变得更加雄心勃勃。现有方法使用标准模型选择技术或各种类型的稀疏强制正则化,因此专注于预测性能。在这项工作中,我们开发了用于常微分方程模型中的结构搜索的新方法。利用因果推理开发思想,我们建议不仅通过预测性能对模型进行排名,还考虑稳定性,即在不同的实验环境中对其能力进行良好预测。基于该模型排序,我们还构建了反映因果重要性的个体变量排名。它为研究人员提供了一系列有希望的候选变量,可以在介入实验中进一步研究。我们的排名方法(模型和变量)都带有理论渐近保证,并且基于对模拟数据的广泛实验评估,其表现优于当前最先进的方法。在尚未公布的生物数据集上说明了程序的实际适用性。我们的方法学已全面实施。代码将在线提供,也可作为R包提供。
translated by 谷歌翻译
我们介绍一种方法,使复现动力学模型能够在时间上抽象。我们称之为自适应跳过间隔(ASI)的方法基于以下观察:在许多顺序预测任务中,事件发生的确切时间与基本目标无关。此外,在许多情况下,存在预测间隔,其导致特别容易预测的转变。我们表明,通过允许模型以可选择的采样率进行预测,我们可以获得预测任务,从而获得计算效率和预测精度。
translated by 谷歌翻译
已经提出自适应作为抵消技术系统的复杂性控制问题的机制。自适应背后的主要驱动力是将传统的设计时决策转移到运行时并转换为系统本身的责任的想法。为了应对不可预见的事件和条件,系统需要创造力 - 通常通过机器学习能力来实现。这种学习机制基于不同的知识来源。来自用于增强目的的环境的反馈可能是自适应和自组织(SASO)系统社区中最突出的反馈。然而,在这种背景下,其他(子)系统对个体系统学习成绩的成功的影响大多被忽略了。在本文中,我们提出了一种新的方法,以识别其他系统在ashared环境中执行的操作对自治系统的效用实现的影响。考虑智能摄像机(SC)作为示例:对于诸如对象的3D重建之类的目标,一个SC在跨度/倾斜/变焦参数方面的最有希望的配置在很大程度上取决于附近的其他SC的配置。由于无法为动力学系统预先定义这种相互影响,因此必须在运行时学习它们。此外,当基于反馈回路概念(例如,从SASO域或自主和有机计算计划中已知)自我改进自身配置决策时,必须考虑它们。我们定义了一种在运行时检测此类影响的方法,提出了一种在强化学习技术中考虑此信息的方法,并分析了人工以及真实世界SASO系统设置中的行为。
translated by 谷歌翻译
我们考虑有界宽度CNF公式,其中宽度通过与CNF公式相关联的图上的流行图宽度测量来测量。这种受限制的类别,特别是有界树宽度的类别,已经被广泛研究用于设计CNF公式上的各种计算问题的算法。在这里,我们考虑这些公式在具有辅助变量的分句编码模型中的表达性。我们首先表明,从文献中对许多度量的宽度进行约束导致表达性的adramatic损失,将公式限制为低通信复杂性。然后,我们表明最佳编码的宽度与不同的度量有很强的联系:有两类宽度度量,一类包含原始树宽度和另一个入射宽度,因此在每个类中,最优编码的宽度仅由常数因子决定。此外,在两个类之间,宽度最多只是变量数的对数因子。这两个结果与没有辅助变量的设置形成鲜明对比,我们在这里考虑的所有宽度测量值都不同于常数因子,甚至是线性因子。
translated by 谷歌翻译
本文介绍了一种全方位的空中操纵平台,用于对非结构化环境进行鲁棒性和响应性交互,以实现基于接触的检测。完全驱动的倾转旋翼天线系统配备了一个刚性安装的末端执行器,能够施加6度的自由力和扭矩,解耦系统的平移和旋转动力学,并在保持稳定性的同时实现与环境的精确互动。具有选择性表观惯性的阻抗控制器被配制成允许在一定自由度下的顺应性,同时在其它自由度中实现精确的轨迹跟踪和干扰抑制。实验证明了干扰抑制,推 - 滑相互作用以及具有深度伺服的板载状态估计以与局部相互作用。该系统也被验证为基于接触的混凝土基础设施无损检测的工具。
translated by 谷歌翻译
最近在连续控制的深度强化学习方面取得的成功已经通过无模型方法提出,与基于模型的方法不同,这些方法在对复杂领域中不可避免的世界动力学和模型误差进行假设时,并没有表现出局限性。然而,与基于模型的方法相比,它们需要大量的经验,而这些方法通常更具样本效率。我们建议通过一种称为Curious Meta-Controller的集成方法来结合这两种方法的优点。我们在基于模型和无模型控制之间自适应地使用基于学习潜在空间中的动力学的神经模型的学习进展的acuriosity反馈。我们证明了我们的方法可以显着提高样本效率,并在密集和稀疏奖励设置中从原始像素输入学习机器人到达和掌握任务时实现接近最佳的性能。
translated by 谷歌翻译
鱼眼摄像机通常用于获得大视场监视,增强现实以及特别是汽车应用。尽管普遍存在,但很少有公共数据集用于详细评估鱼眼图像上的计算机视觉算法。我们发布了第一个广泛的鱼眼汽车数据集WoodScape,它以1906年发明了鱼眼摄像机的罗伯特·伍德的名字命名.WoodScape包括四个环视摄像机和一些任务,包括分割,深度估计,3D边界框检测和污染检测。实例级别的40个类的语义标注为10,000多个图像提供,并为超过100,000个图像提供其他任务的注释。我们希望鼓励社区适应鱼眼摄像机的计算机视觉模型,而不是天真的整改。
translated by 谷歌翻译