多模式分类是人类以人为本的机器学习中的核心任务。我们观察到信息跨多模式融合在多模式融合之前,信息在偶像中具有高度互补的信息,因此在多模式融合之前可以彻底稀释。为此,我们呈现稀疏的融合变压器(SFT),一种用于现有最先进的方法的变压器的新型多模式融合方法,同时具有大大降低了内存占用和计算成本。我们想法的关键是稀疏池块,可在跨模式建模之前减少单峰令牌集合。评估在多个多模式基准数据集上进行,用于广泛的分类任务。在类似的实验条件下的多个基准上获得最先进的性能,同时报告计算成本和内存要求降低六倍。广泛的消融研究展示了在天真的方法中结合稀疏和多式化学习的好处。这铺平了在低资源设备上实现多模级学习的方式。
translated by 谷歌翻译
BRINSCALES神经形态计算系统目前通过千兆 - 以太网网络技术连接到计算集群。这方便目前使用的实验模式,其中神经元网络在大多数晶片模块上覆盖。当建模较大尺寸的网络时,例如全尺寸的皮质微电路模型,必须考虑将晶片模块连接到更大网络的神经元。这可以使用扩展网络技术来完成,该技术提供高带宽和低延迟,以及低开销分组协议格式。
translated by 谷歌翻译
一个更广泛采用差异私密神经网络的一个障碍是需要的准确性损失。为了解决这个问题,需要更好地理解差异隐私约束下的神经网络架构与模型精度之间的关系。作为第一步,我们测试跨境知识是否在差别私有设置中。我们的研究结果表明它没有;在没有差异隐私的情况下表现良好的架构,不一定会这样做差异隐私。因此,关于神经网络架构设计的现存知识不能无缝地翻译成差异隐私环境。未来的研究是为了更好地了解神经网络架构和模型准确性之间的关系,使差异隐私约束下的更好的架构设计选择。
translated by 谷歌翻译
我们提出了望远镜仪器反应领域的数据驱动建模范式转变。通过在建模框架中添加可差的光学前进模型,我们将数据驱动的建模空间从像素从像素改为波前。这允许从乐器响应转移到前向模型的大量复杂性,同时能够适应观察,剩余数据驱动。我们的框架允许前进的方式构建身体动力,可解释的强大模型,并且不需要特殊校准数据。我们表明,对于空间望远镜的简化设置,与现有数据驱动的方法相比,该框架与具有在观察分辨率下降5倍的重建误差和3倍超分辨率的10倍以上的数据驱动误差相比,该框架代表了实际性能突破。我们仅使用嘈杂的宽带焦点观测成功地模拟了仪器的响应的色彩变化。
translated by 谷歌翻译
估计自由能,以及其他热力学可观察,是格子田间理论中的关键任务。最近,已经指出,可以在这种情况下使用深生成的模型。至关重要的是,这些模型允许在参数空间中的给定点处直接估计自由能。这与基于Markov链条的现有方法形成对比,这些方法通常需要通过参数空间集成。在这一贡献中,我们将审查这种基于机器学习的估算方法。我们将详细讨论模式崩溃问题和大纲缓解技术,这些技术特别适用于有限温度的应用。
translated by 谷歌翻译
异常气道扩张,称为牵引支气管扩张,是特发性肺纤维化(IPF)的典型特征。体积计算断层扫描(CT)成像捕获IPF中逐渐变细的丢失。我们假设气道异常的自动化量化可以提供IPF疾病程度和严重程度的估算。我们提出了一种自动化计算管道,系统地将气道树木从基于深度学习的气道分割中划分到其裂片和世代分支,从而从胸部CT获得气道结构措施。重要的是,透气阻止通过厚波传播的杂散气道分支的发生,并通过图表搜索去除气道树中的环,克服现有气道骨架算法的限制。在14名健康参与者和14名IPF患者之间比较了透气段(跨空间)和透气曲线曲线之间的逐渐变化。 IPF患者中,Airway interberering显着降低,与健康对照相比,Airway曲线曲调显着增加。差异在下叶中最大标记,符合IPF相关损伤的典型分布。透气是一种开源管道,避免了现有的气道定量算法的限制,并具有临床解释性。自动化气道测量可能具有作为IPF严重程度和疾病程度的新型成像生物标志物。
translated by 谷歌翻译
在摘要域中,摘要的关键要求是与输入文档一致。以前的工作发现,当应用于不一致检测时,自然语言推理(NLI)模型不会竞争地执行。在这项工作中,我们重新访问NLI的使用进行不一致检测,发现过去的工作遭到了NLI数据集(句子级)与不一致检测(文档级别)之间的输入粒度不匹配。我们提供称为SummacConv的高效和轻量级方法,使NLI模型能够通过将文档分段为句子单元并在句子对之间聚合得分来成功地用于此任务。在我们的新推出的基准名为Summac(简介一致性)中由六个大的不一致检测数据集组成,SummacConv以74.4%的均衡精度获得最先进的结果,与现有工作相比,5%的点改进。我们制作可用的模型和数据集:https://github.com/tingofurro/summac
translated by 谷歌翻译
通过生物手段自动验证一个人的身份是在每天的日常活动,如在机场访问银行服务和安全控制的一个重要应用。为了提高系统的可靠性,通常使用几个生物识别设备。这种组合系统被称为多模式生物测定系统。本文报道生物安全DS2(访问控制)评估由英国萨里大学举办的活动,包括面部,指纹和虹膜的个人认证生物特征的框架内进行基准研究,在媒体针对物理访问控制中的应用-size建立一些500人。虽然多峰生物测定是公调查对象,不存在基准融合算法的比较。朝着这个目标努力,我们设计了两组实验:质量依赖性和成本敏感的评估。质量依赖性评价旨在评估融合算法如何可以在变化的原始图像的质量主要是由于设备的变化来执行。在对成本敏感的评价,另一方面,研究了一种融合算法可以如何执行给定的受限的计算和在软件和硬件故障的存在,从而导致错误,例如失败到获取和失败到匹配。由于多个捕捉设备可用,融合算法应该能够处理这种非理想但仍然真实的场景。在这两种评价中,各融合算法被提供有从每个生物统计比较子系统以及两个模板和查询数据的质量度量得分。在活动的号召的响应证明是非常令人鼓舞的,与提交22个融合系统。据我们所知,这是第一次尝试基准品质为基础多模态融合算法。
translated by 谷歌翻译
从图像识别和对象检测到语音识别和机器翻译,神经网络已经证明是非常成功的广泛复杂任务。他们的成功之一是给出了适当的训练数据集的未来动态的技能。以前的研究表明,回声状态网络(ESNS)是如何成功地预测比Lyapunov时间长时间的混乱系统。本研究表明,显着的是,ESN可以成功地预测与训练集中包含的任何行为不同的动态行为。提供了用于流体动力学问题的证据,其中流动可以在层流(有序)和湍流(无序)的制度之间过渡。尽管仅受到湍流制度培训,但发现ESNS被发现预测层流行为。此外,还预先预测了湍流到层状和层流动转变的统计数据,并且讨论了ESN在作为转变过渡的早期预警系统中的效用。这些结果预计将广泛适用于在一系列物理,气候,生物,生态和金融模型中的数据行为建模,其特征在于在几个竞争状态之间存在折射点和突然过渡的存在。
translated by 谷歌翻译
面部美容预测(FBP)旨在开发一种机器,自动制作面部吸引力评估。在过去的情况下,结果与人类评分高度相关,因此也与注释的偏差相同。由于人工智能可以具有种族主义和歧视性倾向,必须识别数据中偏差的原因。培训数据的开发和对抗偏见信息具有强大的算法是科学家的新挑战。随着审美判断通常偏见,我们希望进一步迈出一步,并为FBP提出一个非偏见的卷积神经网络。虽然可以从道德角度创建可以对脸部的吸引力的网络模型,从道德的角度来看,它同样重要的是要确保模型是无偏的。在这项工作中,我们引入了美学,最先进的吸引力预测网络,这显着优于竞争对手0.9601的Pearson相关性。此外,我们提出了一种新的方法,用于产生无偏见的CNN,以改善机器学习中的公平性。
translated by 谷歌翻译