a *是图形搜索和路径查找的经典和流行方法。它假设存在启发式函数$ h（u，t）$，以估计从任何输入节点$ u $到目的$ t $的最短距离。传统上，通过域专家手工制度。然而，在过去的几年里，对学习启发式功能的兴趣日益增长。这种学习的启发式估计基于这些节点的“特征”的给定节点之间的距离。在本文中，我们正规化并启动了对这种特征的启发式的研究。特别地，我们考虑由常规嵌入和距离标记方案引起的启发式，并为用于表示每个曲线节点的尺寸或比特数以及A *算法的运行时间来提供下限。我们还表明，在自然的假设下，我们的下限几乎是最佳的。
translated by 谷歌翻译
课堂学习学习需要可塑性和稳定性，以便在保留过去的知识的同时从新数据中学习。由于灾难性的遗忘，当没有内存缓冲区可用时，在这两个属性之间找到妥协尤其具有挑战性。主流方法需要存储两个深层模型，因为它们使用微调与以前的增量状态的知识蒸馏一起整合了新类。我们提出了一种具有相似数量参数但分布不同的方法，以便在可塑性和稳定性之间找到更好的平衡。遵循已经通过基于转移的增量方法部署的方法，我们在初始状态后冻结了功能提取器。最古老的增量状态的类对这种冷冻提取器进行训练，以确保稳定性。使用部分微调模型预测最近的类别以引入可塑性。我们提出的可塑性层可以纳入任何用于无内存增量学习的基于转移的方法，并将其应用于两种此类方法。评估是通过三个大型数据集进行的。结果表明，与现有方法相比，所有测试的配置中均获得了性能提高。
translated by 谷歌翻译
任何稀疏编码方法的最终目标是从几个嘈杂的线性测量值（一个未知的稀疏向量）中准确恢复。不幸的是，这个估计问题通常是NP-HARD，因此始终采用近似方法（例如Lasso或正交匹配的追踪）来接近它，从而使准确性以较小的计算复杂性进行了交易。在本文中，我们为稀疏编码开发了一种量子启发的算法，前提是，与经典近似方法相比，量子计算机和ISING机器的出现可能会导致更准确的估计。为此，我们将最一般的稀疏编码问题作为二次不受约束的二进制优化（QUBO）任务提出，可以使用量子技术有效地最小化。为了在旋转数量（空间复杂性）方面也有效地得出QUBO模型，我们将分析分为三种不同的情况。这些由表达基础稀疏向量所需的位数来定义：二进制，2位和一般的定点表示。我们使用有关Lightsolver量子启发的数字平台的模拟数据进行数值实验，以验证我们的QUBO公式的正确性，并证明其优于基线方法的优势。
translated by 谷歌翻译
我们介绍了$（p，q）$ - 公平集群问题。在这个问题中，我们给出了一组点数$ p $和不同重量函数的集合$ w $。我们想找到一个群集，最小化$ \ ell_q $ -norm的$ \ ell_p $-norm的$ \ ell_p $ -norms的$ p $从中心。这概括了各种聚类问题，包括社会博览会$ k $ -Median和$ k $ - emeans，并且与其他问题紧密相连，如Densest $ K $ -subgraph和Min $ K $ -Union。我们利用凸编程技术来估计$（p，q）$ - 为$ p $和$ q $的不同价值观达到公平的聚类问题。当$ p \ geq q $时，我们得到$ o（k ^ {（pq）/（2pq）}）$，它几乎匹配$ k ^ {\ omega（（pq）/（pq））} $低于基于Min $ K $ -Union和其他问题的猜想硬度的束缚。当$ q \ geq p $时，我们得到一个近似，它与界限$ p，q $的输入的大小无关，也与最近的$ o相匹配（（\ log n /（\ log \ log n）） ^ {1 / p}）$ - $（p，\ infty）$ - makarychev和vakilian（colt 2021）的公平聚类。
translated by 谷歌翻译
分布式平均值估计（DME）是联邦学习中的一个中央构建块，客户将本地梯度发送到参数服务器，以平均和更新模型。由于通信限制，客户经常使用有损压缩技术来压缩梯度，从而导致估计不准确。当客户拥有多种网络条件（例如限制的通信预算和数据包损失）时，DME更具挑战性。在这种情况下，DME技术通常会导致估计误差显着增加，从而导致学习绩效退化。在这项工作中，我们提出了一种名为Eden的强大DME技术，该技术自然会处理异质通信预算和数据包损失。我们为伊甸园提供了有吸引力的理论保证，并通过经验进行评估。我们的结果表明，伊甸园对最先进的DME技术持续改进。
translated by 谷歌翻译
在真实的拍卖中，广泛观察到的现象是胜利者的诅咒 - 获胜者的高价暗示意味着获胜者经常过度估计良好的销售价值，导致突起的负效用。 Eyster和Rabin的Ominominal工作[CommoleTrica'05]介绍了一种旨在解释这一观察到的异常的行为模型。我们举办展示这一偏见“诅咒代理”的代理商。我们采用其模型在相互依存的价值设定中，并旨在设计防止被诅咒的药剂获得负效用的机制。我们设计被诅咒的前后IC的机制，即使他们被诅咒而激励代理人，同时确保结果是单独理性的 - 代理商支付的价格不仅仅是代理商的真实价格价值。由于代理人可能会过度估计良好的价值，因此这种机制可能要求卖方对代理商进行积极转移，以防止代理商过度支付。对于收入最大化，我们提供了最佳的确定性和匿名机制。对于福利最大化，我们需要前后预算平衡（EPBB），因为阳性转移可能导致负收入。我们提出了一种掩蔽操作，采用任何确定性机制，并强加卖方不会使阳性转移，实施EPBB。我们表明，在典型的设置中，EPBB意味着该机制不能制造任何正传输，这意味着应用于全面有效机制上的掩蔽操作会导致社会最佳的EPBB机制。这进一步意味着，如果估值函数是代理信号的最大值，则最佳EPBB机制获得零福利。相比之下，我们表明，对于包括加权估值和L_P-NURMS的总和凹版估值，福利最佳EPBB机制获得最佳福利的一半，因为当代理的数量变大。
translated by 谷歌翻译
本文和伴随的Python和C ++框架是作者的产品，感知狭窄（基于歧视）AI的问题。（人工智能）框架试图通过使用共同的规则/交换价值（能量）来开发通过潜在的结构表达式通过潜在的结构表达式产生体验的遗传转移，以创建一个模型，由此通过遗传和实时信号共同依赖于依赖于依赖性开发的神经结构和所有单元过程处理影响;成功的路线由每纪元的峰值分布的稳定性定义，这受到基因编码的形态发育偏见的影响。这些原则旨在通过在为转移学习的模拟中进行培训来创造一个多样化的和强大的网络，这是一种专门的培训将适应一般任务到规模的其他媒体。
translated by 谷歌翻译