该论文提出了两种控制方法，用于用微型四轮驱动器进行反弹式操纵。首先，对专门为反转设计设计的现有前馈控制策略进行了修订和改进。使用替代高斯工艺模型的贝叶斯优化通过在模拟环境中反复执行翻转操作来找到最佳运动原语序列。第二种方法基于闭环控制，它由两个主要步骤组成：首先，即使在模型不确定性的情况下，自适应控制器也旨在提供可靠的参考跟踪。控制器是通过通过测量数据调整的高斯过程来增强无人机的标称模型来构建的。其次，提出了一种有效的轨迹计划算法，该算法仅使用二次编程来设计可行的轨迹为反弹操作设计。在模拟和使用BitCraze Crazyflie 2.1四肢旋转器中对两种方法进行了分析。
translated by 谷歌翻译
The problem of learning threshold functions is a fundamental one in machine learning. Classical learning theory implies sample complexity of $O(\xi^{-1} \log(1/\beta))$ (for generalization error $\xi$ with confidence $1-\beta$). The private version of the problem, however, is more challenging and in particular, the sample complexity must depend on the size $|X|$ of the domain. Progress on quantifying this dependence, via lower and upper bounds, was made in a line of works over the past decade. In this paper, we finally close the gap for approximate-DP and provide a nearly tight upper bound of $\tilde{O}(\log^* |X|)$, which matches a lower bound by Alon et al (that applies even with improper learning) and improves over a prior upper bound of $\tilde{O}((\log^* |X|)^{1.5})$ by Kaplan et al. We also provide matching upper and lower bounds of $\tilde{\Theta}(2^{\log^*|X|})$ for the additive error of private quasi-concave optimization (a related and more general problem). Our improvement is achieved via the novel Reorder-Slice-Compute paradigm for private data analysis which we believe will have further applications.
translated by 谷歌翻译
众所周知，培训数据的数量和质量在创建良好的机器学习模型中起着重要作用。在本文中，我们将其进一步迈出一步，并证明培训示例的安排方式也至关重要。课程学习建立在有组织和结构化的知识同化的观察基础上，具有更快的培训和更好理解的能力。当人类学会说话时，他们首先尝试说出基本的电话，然后逐渐朝着更复杂的结构（例如单词和句子）发展。该方法被称为课程学习，我们在自动语音识别的背景下使用它。我们假设端到端模型在提供有组织的训练集时可以实现更好的性能，该训练集由示例组成，这些示例表现出越来越高的难度（即课程）。为了在训练集上强加结构并定义一个简单示例的概念，我们探索了多个评分功能，这些功能要么使用外部神经网络的反馈，要么将模型本身的反馈纳入。经验结果表明，通过不同的课程，我们可以平衡培训时间和网络的表现。
translated by 谷歌翻译
Countsketch和功能哈希（“ Hashhing Track”）是流行的随机降低降低方法，支持$ \ ell_2 $ -heavy hters的恢复（键$ i $ where $ v_i^2> \ epsilon \ epsilon \ | \ boldsymbol {v} \ | _2^2 $）和近似内部产品。当输入为{\ em不自适应}（不依赖于先前的输出）时，应用于尺寸$ o（\ ell/\ epsilon）$的经典估计器对于许多在$ \ \ \ \ \ \ \ \ \ hig的尺寸的草图（\ ell/\ epsilon）$都是准确的。 Ell $。但是，当输入是自适应的时，可以在$ o（\ ell）$ QUERIES具有经典估算器和最知名的稳健估计器后构建对抗输入，并且仅支持$ \ tilde {o}（\ ell^2）$ queries。在这项工作中，我们表明，这种二次依赖性在某种意义上是固有的：我们设计了$ O（\ ell^2）$ QUERIES之后的攻击，该攻击会产生一个对抗性输入向量，其草图是高度偏见的。我们的攻击使用“天然”非自适应输入（仅选择最终的对抗输入），并普遍适用任何正确的估计器，包括攻击者未知的估计器。在此，我们暴露了这种基本方法的固有脆弱性。
translated by 谷歌翻译
r \'{e} NYI两个分布之间的跨熵度量，即香农跨透明拷贝的概括，最近用作改进的深度学习生成对抗网络设计的损失函数。在这项工作中，我们检查了该度量的属性，并在固定分布之一以及两个分布属于指数族时得出封闭形式的表达式。我们还通过分析确定了固定高斯过程和有限的阿尔如本字母马尔可夫来源的跨凝结速率的公式。
translated by 谷歌翻译
农场动物成像的各种应用基于某些身体部位的重量和从动物的CT图像切割的估计。在许多情况下，由于扫描非镇静的活动物，通过CT图像中的姿势的巨大变化来增加问题的复杂性。在本文中，我们提出了一种估计来自（可能）活体动物的CT图像的切割和身体部位的重量的一般和鲁棒方法。我们通过弹性登记和联合功能和用于斗篷的回归分量的模型选择，适应基于多标准的分段以及具有大量特征和较少量的样本。通过兔育种程序中的真实应用来评估和说明所提出的技术，显示R ^ 2比以前的技术和方法高于以前的技术和方法。所提出的技术很容易适应类似的问题，因此，它在开源软件包中共享，以便为社区的利益。
translated by 谷歌翻译
将动态机器人带入野外，需要平衡性能和安全之间。然而，旨在提供强大安全保证的控制器通常会导致保守行为，并调整这些控制器，以找到性能和安全之间的理想权衡通常需要域专业知识或仔细构造的奖励功能。这项工作提出了一种设计范式，用于系统地实现平衡性能和强大安全性的行为，通过将基于安全感知的基于偏好（PBL）与控制屏障功能（CBF）集成来实现平衡性能和鲁棒安全性。融合这些概念 - 安全感知的学习和安全关键控制 - 提供了一种在实践中实现复杂机器人系统的安全行为的强大手段。我们展示了这种设计范式的能力，以实现在硬件上的模拟和实验上的四足机器人的安全和表演感知的自主操作。
translated by 谷歌翻译
找到给定目标状态的最近可分离状态是一个臭名昭着的困难任务，比决定状态是否缠绕或可分离更困难。为了解决这项任务，我们使用神经网络参加可分离状态，并训练它相对于微量距离，例如迹线距离或希尔伯特施密特距离最小化到给定目标状态的距离。通过检查算法的输出，我们可以推断目标状态是否缠绕在外，并构建其最近可分离状态的近似。我们在各种着名的两性阶段的方法上基准测试，找到了很好的协议，甚至可以达到$ d = 10 $的局部维度。此外，考虑到不同的可分离概念，我们展示了我们在多分钟案件中有效的方法。检查三个和四方GHz和W状态，我们恢复了已知的范围，并获得了新颖的边界，例如进行三维可解性。最后，我们展示了如何使用神经网络的结果来获得分析洞察力。
translated by 谷歌翻译