稀疏主成分分析(SPCA)和稀疏线性回归(SLR)具有广泛的应用,并且在过去二十年中作为高维统计问题的典型例子引起了极大的关注。已经为SPCA和SLR提出了各种算法,但两者之间没有明确的联系。我们展示了如何有效地将SLR的黑盒解算器转换为SPCA的算法:假设SLR求解器满足通过存在的有效算法(例如基于Lasso的算法)实现的预测误差保证,从其派生的SPCA算法实现了近乎最先进的保证用于通过当前最佳多项式时间算法获得的单加标协方差模型的测试和支持恢复。我们的减少不仅突出了两个问题之间的固有相似性,而且从实际的角度来看,允许人们直接从已知的SLR算法中获得SPCA的算法集合。我们在模拟数据上提供实验结果,将我们提出的框架与SPCA的其他算法进行比较。
translated by 谷歌翻译
许多超参数优化(HyperOpt)方法假设有限的计算资源,主要侧重于提高性能。在这里,我们提出了一种新颖的基于云的HyperOpt(CHOPT)框架,它可以有效地利用共享的计算资源,同时支持各种HyperOpt算法。我们提供方便的基于Web的用户界面,可视化和analysistools,使用户能够轻松控制优化程序,并通过迭代分析程序建立宝贵的见解。此外,我们的框架可以与任何云平台合并,从而补充提高传统深度学习框架的效率。我们将CHOPT的应用程序与图像识别和问题回答等任务结合起来,表明我们的框架可以找到与先前工作竞争的超参数配置。我们还展示了CHOPT能够通过其分析工具提供有趣的观察
translated by 谷歌翻译
This paper presents a deep learning method for faster magnetic resonance imaging (MRI) by reducing k-space data with sub-Nyquist sampling strategies and provides a rationale for why the proposed approach works well. Uniform subsampling is used in the time-consuming phase-encoding direction to capture high-resolution image information, while permitting the image-folding problem dictated by the Poisson summation formula. To deal with the localization uncertainty due to image folding, a small number of low-frequency k-space data are added. Training the deep learning net involves input and output images that are pairs of the Fourier transforms of the subsampled and fully sampled k-space data. Our experiments show the remarkable performance of the proposed method; only 29% of the k-space data can generate images of high quality as effectively as standard MRI reconstruction with the fully sampled data.
translated by 谷歌翻译
尽管其重要性,乘客需求预测仍然是一个具有高度挑战性的问题,因为需求同时受到许多空间和时间因素与其他外部因素(如天气)之间的复杂相互作用的影响。为了解决这个问题,我们提出了一个Spatio-TEmporalFuzzy神经网络(STEF-Net)来准确预测乘客需求,以解决所有已知重要因素的复杂相互作用。我们设计了一个端到端的学习框架,其中不同的神经网络建模了不同的因素。具体而言,我们建议通过卷积长短期记忆网络和模式神经网络捕获时空特征交互,模糊神经网络处理的数据不确定性明显优于确定性方法。为了在融合两个网络时保持时间关系并强调有区别的时空特征交互,我们采用了一种新的特征融合方法,即卷积操作和注意层。据我们所知,我们的工作是第一个深度递归神经网络和模糊神经网络来模拟复杂的时空特征相互作用与额外的不确定输入特征进行预测学习。在大型真实世界数据集上的实验表明,我们的模型比最先进的方法实现了超过10%的改进。
translated by 谷歌翻译
已经证明语法在神经机器翻译(NMT)中非常有效。先前的NMT模型通过表示来自训练有素的解析系统的1最佳树输出来集成语法,例如,可能遭受错误传播的代表性树-RNN和树线化方法。在这项工作中,我们提出了一种新的方法来隐式地为NMT整合源端语法。基本思想是使用经过训练的端到端依赖解析器的中间隐藏表示,这些表示被称为assyntax-aware word representationation(SAWR)。然后,我们简单地将这些SAWR与普通的单词嵌入连接起来,以增强基本的NMT模型。该方法可以直接集成到广泛使用的序列到序列(Seq2Seq)NMT模型中。我们从基于RNN的代表性Seq2Seq基线系统开始,分别测试我们提出的方法在中英文和英语 - 越南语翻译任务的两个基准数据集上的有效性。实验结果表明,与基线相比,该方法能够在两个数据集上显着提高BLEU得分,中英翻译分别为1.74分,英语 - 越南语翻译分别为0.80分。此外,该方法还优于显式树-RNN和树线性化方法。
translated by 谷歌翻译
在基于重要性抽样(IS)的强化学习算法(例如,近似策略优化(PPO))中,通常剪切IS权重以避免学习中的大变化。但是,剪切统计信息的策略更新会导致具有高操作维度的任务中的大偏差,并且剪切偏差会导致难以重用具有大IS权重的旧样本。在本文中,我们考虑PPO,一种代表性的策略算法,并通过尺寸方面的IS权重裁剪提出它的改进,它分别剪切每个动作维度的IS权重以避免大的偏差并自适应地控制IS权重以限制当前的策略更新政策。这种新技术可以有效地学习高动作维度任务,并重新利用非政策学习中的旧样本来提高样本效率。数值结果表明,所提出的新算法在各种Open AI Gym任务中优于PPO和其他RL算法。
translated by 谷歌翻译
可靠和准确的车道检测一直是自动驾驶领域的长期问题。近年来,已经开发了许多方法,其使用图像(或视频)作为图像空间中的输入和原因。在本文中,我们认为精确的图像估计不会转化为精确的3D车道边界,这是现代运动规划算法所需的输入。为了解决这个问题,我们提出了一种新颖的深度神经网络,它可以利用LiDAR和相机传感器,并直接在3D空间中产生非常准确的估计。我们在高速公路和城市中展示了我们的方法的性能,并在复杂情景中显示非常准确的估计,例如交通繁忙(产生遮挡),分叉,合并和交叉。
translated by 谷歌翻译
灾难发生后,结构工程师团队从受损建筑物中收集大量图像,以获取新知识并从事件中汲取教训。然而,在许多情况下,所捕获的图像在没有足够空间背景的情况下被捕获。当损坏严重时,甚至可能很难识别建筑物。需要访问建筑物的灾前状况的图像以准确地识别故障原因或建筑物中的实际损失。在这里,为了解决这个问题,我们开发了一种方法,可以自动从360度全景图像(全景图)中提取事件前建筑图像。通过提供在目标建筑附近收集的地理标记图像作为输入,靠近通过街景服务(例如,Google或Bing在美国)下载的输入图像位置区域的全景图。通过计算全景图和目标建筑物之间的几何关系,识别最合适的全景图投影方向以生成建筑物的高质量2D图像。基于区域的卷积神经网络被用于识别那些2D图像内的建筑物。使用几个全景图,使得检测到的建筑物图像提供建筑物的各种视点。为了说明这项技术的能力,我们考虑了美国德克萨斯州假日海滩的住宅楼,它们在2017年的飓风哈维中经历了重大的破坏。利用在实际的灾后建筑侦察任务中收集的地理标记图像,我们通过成功提取住宅建筑图像来验证该方法。 Google街景视图,在活动前拍摄。
translated by 谷歌翻译
本文提出了一种新的框架,用于联合增强图像的分辨率和动态范围,即基于卷积神经网络(CNN)的同时超分辨率(SR)和高动态范围成像(HDRI)。从两个任务的共同趋势,我们通过关注高频细节的重建来训练CNN用于联合HDRI和SR。具体地,我们工作中的高频分量是根据基于Retinex的图像分解的反射分量,并且只有反射分量由CNN操纵,而另一个分量(照明)以常规方式处理。在训练CNN时,需要设置适当的损失函数,以有助于产生图像的自然质量。实验表明,我们的算法优于基于CNN的SR和HDRI的级联实现。
translated by 谷歌翻译
人类一直面临着与传染病相关的众多挑战,每年造成600多万人死亡。虽然已经采取了连续的努力来减轻这些不幸事件造成的潜在损害,但毫无疑问仍有许多持续存在的挑战需要克服。我们在这里特别提到的一个相关问题是评估和预测此类流行病。在这一研究领域,传统和临时模型经常无法提供适当的预测情境意识(PSAW),其特点是了解当前情况并预测未来情况。全面的传染病PSAW可以支持决策,有助于阻止疾病的蔓延。在本文中,我们开发了一个侧重于集体智能因果建模的计算系统平台,以支持PSAW在传染病领域。对全球流行病的分析需要整合多种不同的数据和模型,这些数据和模型可以源自多个独立的研究人员。应整合这些模型,从整体观点来准确评估和预测传染病。该系统应提供三个主要功能:(1)协作因果建模,(2)causalmodel整合,和(3)因果模型推理。这些功能由主题专家和人工智能(AI)支持,具有不确定性处理。作为集体智慧的主题专家开发因果模型并将它们整合为一个联合因果模型。综合因果模型应用于推理:(1)过去,关于如何发生因果因素; (2)现在,关于传播如何进行; (3)未来,关于如何进行。最后,我们介绍了埃博拉病毒病预测情境意识的一个用例。
translated by 谷歌翻译