神经网络是强大的功能估计器，导致其作为建模结构化数据的首选范式的地位。但是，与其他强调问题模块化的结构化表示不同，例如因子图 - 神经网络通常是从输入到输出的单片映射，并具有固定的计算顺序。这种限制阻止他们捕获模型变量之间的不同计算方向和相互作用。在本文中，我们结合了因子图和神经网络的代表性强度，提出了无向神经网络（UNNS）：一个灵活的框架，用于指定可以按任何顺序执行的计算。对于特定的选择，我们提出的模型集成并扩展了许多现有的架构：带有隐式层的馈电，经常性，自我发项网络，自动编码器和网络。我们在一系列任务上展示了无方向性的神经体系结构的有效性：受树约束依赖性解析，卷积图像分类和序列完成。通过改变计算顺序，我们展示了如何同时将单个UNN用作分类器和原型发生器，以及它如何填充输入序列的缺失部分，从而使它们成为进一步研究的有希望的领域。
translated by 谷歌翻译
本文介绍了一个测试台，以研究表现出群体智能的无人机（UAV）的分布式传感问题。几种智能城市应用程序，例如运输和灾难响应，需要通过一群智能和合作的无人机有效地收集传感器数据。事实证明，对于系统和严格研究而没有损害规模，现实主义和外部有效性，这通常被证明太复杂且昂贵。借助拟议的测试床，本文设置了一个垫脚石，以在小实验室空间内模仿，源自经验数据和仿真模型的大型感应区域。在此感应地图上，一群低成本的无人机可以飞行，从而可以研究各种问题，例如能源消耗，充电控制，导航和避免碰撞。分散的多代理集体学习算法（EPO）适用于无人机群智能以及对功耗测量的评估提供了概念验证，并验证了拟议的测试台的准确性。
translated by 谷歌翻译
2021-11-10
在不确定，嘈杂或对抗性环境中学习是深度神经网络（DNN）的具有挑战性的任务。我们提出了一种在贝叶斯估计和变分推理时构建的强大学习的新理论上和有效的方法。我们制定通过DNN层层的密度传播的问题，并使用集合密度传播（ENDP）方案来解决它。ENPP方法允许我们在贝叶斯DNN的层上传播变分概率分布的片段，使得能够估计模型输出的预测分布的平均值和协方差。我们使用Mnist和CiFar-10数据集的实验表明，训练有素的模型的鲁棒性与随机噪声和对抗性攻击的稳健性显着改善。
translated by 谷歌翻译