本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
在许多实际应用中,例如,期望优化长期价值。推荐系统。最常见的长期价值优化方法是使用长期价值作为目标的监督学习。遗憾的是,长期指标需要很长时间才能衡量(例如,客户会完成阅读电子书吗?),而且香草预报员在结果之前无法学习示例观察到了。在新项目经常出现的实际系统中,这种延迟会增加培训服务偏差,从而负面影响模型对新产品的预测。我们认为,中间观察(例如,如果客户在24小时内阅读了本书的三分之一)可以改进模型的预测。我们将问题形式化为一个随机模型,其中实例由对手选择,但是,例如,中间观察和结果是从一个因子联合分布中采样的。我们提出了一种利用中间观测的算法,并在理论上量化它可以胜过忽略中间观测的任何预测方法。在理论分析的推动下,我们提出了两种神经网络架构:FactoredForecaster(FF),如果我们的假设得到满足则是理想的,而ResidualFactored Forecaster(RFF)对于模型错误规范更具鲁棒性。对两个真实世界数据集的实验,数据集源自GitHubrepositories和来自流行市场的另一个数据集,表明RFFout同时执行FF以及忽略内部观察的算法。
translated by 谷歌翻译
本文讨论了正式验证神经网络的理想属性的问题,即获得可证明的保证,即神经网络满足与其输入和输出相关的规范(例如,对有界范围对抗扰动的鲁棒性)。以前关于该主题的大多数工作在其适用性方面受限于网络规模,网络体系结构和要验证的属性的复杂性。相比之下,我们的框架适用于神经网络输入和输出的一般类激活函数和规范。我们将验证规定为优化问题(寻求发现最大的违反规范)并解决优化问题的拉格朗日松弛,以获得对被验证规范的最坏情况违反的上限。我们的方法是随时的,即它可以在任何时间停止,并且可以获得对最大违规的有效限制。我们开发了专门的验证算法,在特定的假设条件下具有可证明的紧密度保证,并证明了我们的通用验证方法在各种验证任务中的实际意义。
translated by 谷歌翻译
强大的强化学习旨在推导出能够解决动力系统中模型不确定性的最佳行为。然而,之前的研究表明,通过考虑最坏的情况,强有力的政策可能过于保守。我们的软性框架试图克服这个问题。在本文中,我们提出了一种新颖的Soft-Robust Actor-Critic算法(SR-AC)。它学习了关于不确定性集合的分布的最优策略,并且对模型不确定性保持稳健,但避免了稳健策略的保守性。我们展示了SR-AC的收敛性,并通过比较常规学习方法和强大的公式来测试我们的方法在不同领域的效率。
translated by 谷歌翻译
The conventional solution to the recommendation problem greedily ranks individual document candidates by prediction scores. However, this method fails to optimize the slate as a whole, and hence, often struggles to capture biases caused by the page layout and document interdepedencies. The slate recommendation problem aims to directly find the optimally ordered subset of documents (i.e. slates) that best serve users' interests. Solving this problem is hard due to the combinatorial explosion in all combinations of document candidates and their display positions on the page. Therefore we propose a paradigm shift from the traditional viewpoint of solving a ranking problem to a direct slate generation framework. In this paper, we introduce List Conditional Variational Auto-Encoders (List-CVAE), which learns the joint distribution of documents on the slate conditioned on user responses, and directly generates full slates. Experiments on simulated and real-world data show that List-CVAE outperforms popular comparable ranking methods consistently on various scales of documents corpora.
translated by 谷歌翻译
声学数据提供从生物学和通信到海洋和地球科学等领域的科学和工程见解。我们调查了机器学习(ML)的进步和变革潜力,包括声学领域的深度学习。 ML是用于自动检测和利用模式印度的广泛的统计技术家族。相对于传统的声学和信号处理,ML是数据驱动的。给定足够的训练数据,ML可以发现特征之间的复杂关系。通过大量的训练数据,ML candiscover模型描述复杂的声学现象,如人类语音和混响。声学中的ML正在迅速发展,具有令人瞩目的成果和未来的重大前景。我们首先介绍ML,然后在五个声学研究领域强调MLdevelopments:语音处理中的源定位,海洋声学中的源定位,生物声学,地震探测和日常场景中的环境声音。
translated by 谷歌翻译
多模态运动(例如陆地,航空和水上运动)越来越受到机器人研究的兴趣,因为它改善了机器人的环境适应性,运动多功能性和操作灵活性。在地面多个运动机器人中,混合机器人的优势源于其多种(两种或更多种)运动模式,其中机器人可以根据遇到的地形条件进行选择。然而,在改善多个运动模式之间的运动模式转换的自主性方面存在许多挑战。这项工作提出了一种实现atrack-legged四足机器人步骤协商的自主运动模式转换的方法。通过提出的比较滚动和行走运动模式的能量性能的标准,实现了决策过程的自主性。为了实现能源评估目的,提出了两个攀登阶段以实现平稳的步骤谈判行为。模拟显示自主运动模式转换被实现用于具有不同高度的步骤的协商。所提出的方法足够通用,可以在对其运动能量性能进行一些预先研究之后用于其他混合机器人。
translated by 谷歌翻译
认识到作为诗歌或散文的一段文字对于大多数人来说通常都很容易;但是,只有专家可以确定哪个仪表是poembelongs。在本文中,我们建立了回归神经网络(RNN)模型,可以根据纯文本中的米来对诗歌进行分类。输入文本在字符级别进行编码,并直接输入到模型而不进行特征处理。这是机器理解和语言合成的一个进步,尤其是阿拉伯语。在16个阿拉伯语和4米英语的诗歌中,网络能够对诗歌进行错误的分类,总体准确率分别为96.38%和82.31%。用于进行这项研究的诗集数据量很大,超过150万节经文,并且来自不同的非技术资源,几乎阿拉伯和英国文学网站,以及不同的异构和非结构化格式。现在,这些数据集以干净,结构化和文档化的格式公开提供,供其他未来研究使用。据作者所知,这项研究是第一个通过机器学习方法对诗计进行分类,特别是在RNN无特征方法中。此外,该数据集是第一个公开可用的数据集,可用于未来的计算研究。
translated by 谷歌翻译
我们介绍了Bee $ ^ + $,一种95毫克四翼微型机器人,具有改进的可控性和开环响应特性,相对于具有相同尺寸和相似重量的最先进的双翼微型机器人所表现的那些(即, 75毫克哈佛RoboBee和类似的原型)。推动Bee $ ^ + $发展的关键创新是引入极轻(28毫克)孪晶单晶片致动器,这可以设计出一种独立襟翼四翼的新型微机械机构。与两翼RoboBee类飞行器相比,所提出的设计的第一个主要优点是,通过将执行器的数量从两个增加到四个,直接控制输入的数量从三个增加(滚动扭矩,俯仰扭矩和推力 - 当采用简单的正弦激励时,力)到四(滚动扭矩,俯仰扭矩,偏航扭矩和推力)。 Bee $ ^ + $的第二个优点是它的四翼配置和摆动模式自然地抑制了通常影响双翼微型机器人的偏航自由度的旋转扰动。此外,与其他微型机器人相比,Bee $ ^ + $的设计大大降低了相关制造工艺的复杂性,因为单晶片执行器非常容易构建。最后,我们假设,由于相对低的负荷影响它们的扑动机制,所以Beee $ ^ + $ s的预期寿命必须远高于双翼对应物的寿命.Bee $ ^ + $的功能和基本功能是通过一组简单的对照实验证明。我们预计这个新平台可以实现高性能控制器,用于执行低于100毫克的高速特技飞行操作,以及为实现亚克力级别的完全自治而寻求多样化研究。
translated by 谷歌翻译
卷积神经网络(CNN)已成为物体检测任务的最新技术。在本文中,我们已经解释了基于CNN的不同对象检测模型。我们根据两种不同的方法对这些检测模型进行了分类:两阶段方法和一阶段方法。在本文中,我们已经展示了从R-CNN到最终RefineDet的物体检测模型的进步。我们已经讨论了每个模型的模型描述和培训细节。我们还对这些模型进行了比较。
translated by 谷歌翻译