引入了模型对帐问题（MRP），以解决可解释的AI计划中的问题。 MRP的解决方案是对人与计划代理（机器人）模型之间差异的解释。解决MRP的大多数方法都认为，需要提供解释的机器人知道人类模型。在几种情况下，这个假设并不总是现实的（例如，人可能会决定更新她的模型，并且机器人不知道更新）。在本文中，我们提出了一种基于对话的方法，用于计算MRP的解释，即（i）机器人不知道人类模型； （ii）人类和机器人共享计划域的谓词及其交换是关于行动描述和流利的价值； （iii）双方之间的沟通是完美的； （iv）各方是真实的。 MRP解决方案是通过对话框计算的，该对话框定义为机器人和人之间的一系列交换序列。在每回合中，机器人向人类发送了一个潜在的解释，称为提案，她对提案的评估回答称为回应。我们开发了用于计算机器人和人类响应的算法，并将这些算法实现在将命令式手段与使用Clingo的多拍功能的答案集编程相结合的系统中。
translated by 谷歌翻译
网络对齐（NA）是在不同网络上发现节点对应关系的任务。尽管NA方法在无数场景中取得了巨大的成功，但它们的令人满意的性能并非没有先前的锚链接信息和/或节点属性，这可能并不总是可用。在本文中，我们提出了一种使用节点属性增强的新型NA方法的Grad-Align+，对于没有此类其他信息，它非常健壮。 Grad-Align+建立在最近的最新NA方法（所谓的Grad-Align）上，该方法逐渐发现了节点对的一部分，直到找到所有节点对。具体而言，grad Align+由以下关键组成组成：1）基于节点的中心度度量的增强节点属性，2）计算从图神经网络中提取的嵌入相似性矩阵，并在该图中提取了增强节点属性，并在其中进食增强的节点属性和3）通过计算相对于对齐的跨网络邻域对，逐渐发现节点对。实验结果表明，Grad-Align+具有（a）优于基准NA方法的优势，（b）我们理论发现的经验验证，以及（c）我们属性增强模块的有效性。
translated by 谷歌翻译
基于草图的3D形状检索（SBSR）是一项重要但艰巨的任务，近年来引起了越来越多的关注。现有方法在限制设置中解决了该问题，而无需适当模拟真实的应用程序方案。为了模仿现实的设置，在此曲目中，我们采用了不同级别的绘图技能的业余爱好者以及各种3D形状的大规模草图，不仅包括CAD型号，而且还可以从真实对象扫描的模型。我们定义了两个SBSR任务，并构建了两个基准，包括46,000多个CAD型号，1,700个现实型号和145,000个草图。四个团队参加了这一轨道，并为这两个任务提交了15次跑步，由7个常用指标评估。我们希望，基准，比较结果和开源评估法会在3D对象检索社区中促进未来的研究。
translated by 谷歌翻译
深度监督或称为“中间监督”或“辅助监督”是在神经网络的隐藏层上增加监督。最近，该技术越来越多地应用于深层神经网络学习系统中，以用于各种计算机视觉应用。人们达成共识，即深层监督有助于通过减轻梯度消失的问题来改善神经网络的性能，这是深层监督的众多优势之一。此外，在不同的计算机视觉应用程序中，可以以不同的方式应用深度监督。如何最大程度地利用深度监督来改善不同应用程序中的网络性能。在本文中，我们对理论和应用程序中的深入监督进行了全面的深入审查。我们建议对不同深度监督网络进行新的分类，并讨论计算机视觉应用程序中当前深层监督网络的优势和局限性。
translated by 谷歌翻译
车辆到达时间预测已被广泛研究。随着物联网设备和深度学习技术的出现，估计的到达时间（ETA）已成为智能运输系统中的关键组成部分。尽管ETA存在许多工具，但由于特殊车辆的交通数据有限，ETA的特殊车辆（例如救护车，消防车等）仍然具有挑战性。现有作品使用一种模型用于所有类型的车辆，这可能会导致精确度较低。为了解决这个问题，作为该领域的第一个，我们为驾驶时间预测提出了一个深度转移学习框架TLETA。 TLETA构建了细胞时空知识网格，用于提取驾驶模式，并结合道路网络结构嵌入以构建ETA的深神经网络。 Tleta包含可转移的层，以支持不同类别的车辆之间的知识转移。重要的是，我们的转移模型仅训练最后一层以绘制转移的知识，从而大大减少了训练时间。实验研究表明，我们的模型以高精度预测旅行时间，并胜过许多最先进的方法。
translated by 谷歌翻译
本文旨在研究入侵攻击，然后为区块链网络开发新的网络攻击检测框架。具体来说，我们首先在实验室设计和实施区块链网络。该区块链网络将实现两个目的，即为我们的学习模型生成真实的流量数据（包括正常数据和攻击数据），并实施实时实验，以评估我们建议的入侵检测框架的性能。据我们所知，这是第一个在区块链网络中用于网络攻击的实验室中合成的数据集。然后，我们提出了一个新颖的协作学习模型，该模型允许区块链网络中的有效部署来检测攻击。提出的学习模型的主要思想是使区块链节点能够积极收集数据，从其数据中分享知识，然后与网络中的其他区块链节点交换知识。这样，我们不仅可以利用网络中所有节点的知识，而且还不需要收集所有原始数据进行培训，以便在常规的集中学习解决方案等集中式节点上进行培训。这样的框架还可以避免暴露本地数据的隐私以及过多的网络开销/拥堵的风险。密集模拟和实时实验都清楚地表明，我们提出的基于协作的入侵检测框架可以在检测攻击方面达到高达97.7％的准确性。
translated by 谷歌翻译
寻找合适的工作和狩猎符合条件的候选人对求职和人力资源机构来说很重要。通过关于职位描述的广泛信息，员工和雇主需要帮助，以根据职位描述文本自动检测职位标题。在本文中，我们提出了用于预测作业描述文本的相关职位标题的多标签分类方法，并实现具有不同预先训练的语言模型的BI-GRU-LSTM-CNN来申请作业标题预测问题。具有多语言预先训练模型的伯特获得了开发和测试集的F1分数的最高结果，该组在开发集中为62.20％，测试集47.44％。
translated by 谷歌翻译
关键点检测在各种应用中起着重要作用。然而，预测诸如人手的小物体的关键点是一个具有挑战性的问题。最近的作品融合了深度卷积神经网络（CNNS）的映射，可通过多级功能集成或多分辨率聚合。尽管取得了一些成功，但功能融合方法增加了CNNS的复杂性和不透明度。为了解决这个问题，我们提出了一个名为Multi-Scale Deep Smotional网络（P-MSDSNet）的新型CNN模型，该网络在不同尺度上学习具有深度监控的特征映射，以产生从层到层的自适应特征传播的注意映射。 P-MSDSNET具有多级架构，可扩展，同时其具有空间注意力的深度监控可提高每个阶段的特征学习的透明度。我们显示P-MSDSNet优于基准数据集的最先进的方法，同时需要更少数量的参数。我们还显示P-MSDSNet的应用来量化神经科学研究中的手指攻丝手动运动。
translated by 谷歌翻译
代表连接主义系统中象征性知识的想法一直是一项长期努力，最近引起了机器学习和可扩展声音的目标的目标。早期工作表明了命题逻辑和对称神经网络之间的对应关系，这仍然没有与变量的数量不符号，其培训制度效率低下。在本文中，我们引入了逻辑Boltzmann机器（LBM），这是一种神经组织系统，可以代表严格的析出正常形式的任何命题逻辑配方。我们证明了LBM中的能量最小化与逻辑可靠性之间的等价，从而表明LBM能够合理推理。我们凭经验评估了推理，表明LBM能够通过搜索可能（约10亿）分配的0.75％的0.75％来寻找一类逻辑公式的所有令人满意的分配。我们将LBM的学习与符号感应逻辑编程系统，最先进的神经系统和基于神经网络的系统，在七种数据集中的五个中实现了更好的学习性能。
translated by 谷歌翻译
在线游戏论坛对大多数游戏玩家都很受欢迎。他们用它来沟通和讨论游戏的策略，甚至结交朋友。然而，游戏论坛还包含滥用和骚扰演讲，令人不安和威胁的球员。因此，有必要自动检测和删除网络欺凌评论，以保持游戏论坛清洁和友好。我们使用从魔兽世界（WOW）和联盟（LOL）论坛（LOL）论坛和火车分类模型中收集的网络欺凌数据集，以自动检测玩家的评论是否是滥用的。结果获得了LOL论坛的82.69％的宏F1分数，并通过网络伯文数据集的毒性BERT模型为哇论坛的83.86％的宏F1分数。
translated by 谷歌翻译