神经网络很容易受到对抗性攻击 - 视觉上不易察觉的小噪声,当加到输入端时会大大改变输出。防御这些敌对攻击的最有效方法是使用对抗性训练的方法。我们分析了经过对侧训练的强大模型,以研究它们在潜层层面对抗对抗性攻击的脆弱性。我们的分析揭示了与对抗性攻击具有鲁棒性的输入层相反,这些鲁棒模型的特征层非常容易受到小幅度的对抗性扰动。利用这些信息,我们引入了一种新技术潜在对抗训练(LAT),其中包括对经过对侧训练的模型进行微调,以确保在特征层中的稳健性。我们还提出潜在攻击(LA),一种用于构建对抗性示例的新算法。 LAT导致测试精度的微小改进,并导致针对MNIST,CIFAR-10,CIFAR-100数据集显示的通用一阶对抗性PGD攻击的最新对抗精度。
translated by 谷歌翻译
素描是人类认知的基础,而不是言语。深度神经网络(DNN)已经在语音相关任务中实现了最先进的技术,但是在以矢量格式生成基于笔画的草图a.k.asketches方面没有取得重大进展。尽管存在用于以矢量格式生成草图的变分自动编码器(VAE),但是没有用于生成相同的生成对抗网络(GAN)架构。在本文中,我们提出了一个独立的GAN架构SkeGAN和一个VAE-GAN架构VASkeGAN,用于矢量格式的草图生成。 SkeGAN是强化学习(RL)中的随机策略,能够生成多维连续和离散输出。 VASkeGAN将VAE和GAN混合,以便通过VAE将数据的有效表示与GAN的强大生成能力相结合,以产生视觉上吸引人的草图。我们还提出了一个称为Ske-score的新度量,它量化了vectorketches的质量。我们已经验证了SkeGAN和VASkeGAN通过使用人体图灵测试和Ske-score生成具有视觉吸引力的草图。
translated by 谷歌翻译
我们知道面部网络的不同过滤器代表什么吗?我们是否可以使用此过滤器信息来训练其他任务而无需转移学习?例如,可以从面部识别网络中学习年龄,头部姿势,情绪和其他与面部相关的任务而无需转学习吗?了解这些过滤器的作用使我们能够跨任务传递知识,并在相关任务中利用大数据集。给定一个预训练网络,我们可以推断网络推广的任务​​以及将信息传输到新任务的最佳方式。
translated by 谷歌翻译
我们开发了一种卷积神经网络(CNN),它可以首次对液氩时间投影室(LArTPC)记录的图像数据中的物体进行像素级预测。我们描述了为培训该网络而开发的网络设计,培训技术和软件工具。这项工作的目的是为MicroBooNE探测器开发一个完整的基于深度神经网络的数据构建链。我们使用MicroBooNEcollection平面图像显示网络在实际LArTPC数据上的有效性的第一次演示。演示用于停止μ子和$ \ nu_ \ mu $充电电流中性π介数数据样本。
translated by 谷歌翻译
人类通常会教他们的同伴合作者通过少数示威来执行任务。通过指导来纠正或扩展学习的任务以完成特定的任务目标。采用类似的框架通过示范和指导来强化机器人,使教学任务非常直观。与需要多次演示的传统的演示学习(LfD)方法不同,我们提供了从演示方法学习任务的一次性学习。使用两层评估/修改来校正和概括所学习的任务。首先,机器人自己评估其性能并将性能校正为更接近于证明的任务。然后,教练被用作扩展政策的手段,以适应不同的任务目标。使用强化学习(RL)方法实现自我评估和教学。教练通过人工反馈实现预期目标和行动修改,以普及到指定的任务目标。通过呈现单个演示,通过ascooping任务评估所提出的方法。自我评估框架旨在减少媒体中对舀取的抵制。为了减少RL的这些空间,我们使用阻力理论获得的最小阻力路径进行搜索。教练用于概括学习任务政策以转移所需数量的材料。因此,所提出的方法提供了用于从一次演示中学习任务并使用人工反馈通过指导来概括它的框架。
translated by 谷歌翻译
背景:新生血管性年龄相关性黄斑变性(AMD)患者可通过某些疗法避免视力丧失。然而,预测新生血管性年龄相关性黄斑变性(nvAMD)进展的方法正在进行。目的:开发和验证深度学习(DL)算法使用彩色眼底照片(CFP)预测没有早期或中期AMD tonvAMD的1年眼睛进展。设计:DL算法的开发和验证。方法:我们训练DL算法预测1年的nvAMD进展,并使用10倍交叉验证来评估年龄相关眼病研究(AREDS)中两组眼的这种方法:无/早期/中期AMD,和中间AMD(iAMD)。我们将DL算法与AREDSdataset中手动分级的4类和9步比例进行了比较。主要结果测量:使用对于进展至nvAMD的80%特异性的灵敏度来评估DL算法的性能。结果:DL算法预测nvAMD从无/早期/ iAMD(78 +/- 6%)进展的敏感性高于9步量表(67 +/- 8%)或4类量表(48)的手动等级+/- 3%)。为了从iAMD特异性地预测进展,DL算法的灵敏度(57 +/- 6%)与9步等级(36 +/- 8%)和4类等级(20 +/- 0%)相比也更高。结论:我们的DL算法在预测nvAMD的进展方面比手动评分更好。未来的研究需要将这种DL算法应用于现实世界的临床环境中。
translated by 谷歌翻译
在即插即用图像恢复中,使用诸如非局部均值(NLM)或BM3D等强大的去噪器来执行正则化。这是在乘法器的交替方向方法(ADMM)的框架下完成的,其中,校正步骤被现成的降噪器正式替换。每次插入和播放迭代涉及正向模型的反演,然后是去噪步骤。在本文中,我们提出了一些提高反演和去噪步骤效率的想法。首先,我们建议使用线性化ADMM,它通常允许我们以比标准ADMM更低的成本执行反演。此外,我们可以轻松地将硬约束结合到优化框架中。其次,我们开发了一种双随机NLM的快速算法,最初由Sreehari等人提出(IEEE TCI,2016),比蛮力计算快约80倍。这个特定的降噪器可以表示为凸面调节器的近端图,因此,我们可以保证线性化的插入和播放ADMM的收敛。我们证明了我们提出的分辨率和单光子成像方案的有效性。
translated by 谷歌翻译
为了设计自主访问控制策略,提出了一种使用类比原理的技术,该技术基于对象的属性和主体的属性。作为表征这些属性的属性,选择主题和对象的安全属性的值。先例的概念被定义为这些安全管理员明确指定的访问规则。建立了访问矩阵的插值问题:安全管理员定义了一系列先例,需要自动化填充访问矩阵的剩余单元的过程。在一组安全属性上,引入了线性顺序。根据与给定顺序关系的主导先例类比,填充访问矩阵的原则得到了发展。对所提出的方法进行了分析,揭示了其主要优势。
translated by 谷歌翻译
Tunka无线电扩展(Tunka-Rex)是一种数字天线阵列,用于测量30-80 MHz频段内宇宙射线空气淋浴的无线电发射。 Tunka-Rex与西伯利亚的TAIGA实验位于同一地点,由63个天线组成,其中57个位于约1 km \ textsuperscript {2}的密集仪器区域。在目前的工作中,我们讨论了应用于Tunka-Rex的信号重建的改进。在第一阶段,使用平均信号作为模板,实现匹配滤波。仿真研究表明,匹配滤波可以降低信号检测的阈值并提高其纯度。然而,匹配滤波的最大性能仅在白噪声的情况下是可实现的,而实际上由于不同的原因噪声不是完全随机的。为了识别噪声的隐藏特征并对其进行处理,我们决定使用具有自动编码器架构的卷积神经网络。将记录的轨迹作为输入,自动编码器返回去噪迹线,即去除所有信号无关的幅度。我们介绍了信号重构,匹配滤波和自动编码器的标准方法之间的比较,并讨论了神经网络在降低宇宙射线检测数字天线阵列阈值方面的应用前景。
translated by 谷歌翻译
优化通常用于确定网页的内容,例如最大化目标网页上的转化次数或搜索结果页面上的点击率。通常,这些页面的布局可以在几个单独的决策中分离。例如,登陆页面的组成可能涉及决定显示哪个图像,使用哪种措辞,要显示什么颜色背景等。这种优化是组合问题过度指数大的决策空间。随机实验不能很好地扩展到该设置,因此,在实践中,通常仅限于一次优化网页的单个方面。这代表了在实验速度和利用布局决策之间可能的相互作用方面的错失机会。在这里,我们专注于交互式网页的多变量优化。我们制定一种方法,明确地对页面的不同组件之间的可能交互进行建模。我们应用强盗方法有效地探索布局空间,并使用爬山实时选择最佳内容。我们的算法还扩展到布局选择的语境化和个性化。仿真结果表明了我们的方法适用于内容之间具有较强相互作用的大决策空间。我们进一步应用我们的算法来优化促进采用亚马逊服务的消息。在仅一周的在线优化后,与中位数布局相比,我们看到转化率增加了21%。我们的技术目前正在部署,以优化亚马逊地区多个地点的内容。
translated by 谷歌翻译