未经许可的LTE-WiFi共存网络正在经历一致的致密化，以满足上升的移动数据需求。随着共存网络复杂性的增加，研究网络功能关系（NFR）非常重要，并利用它们来优化密集的共存网络性能。这项工作通过监督从现实世界实验中收集的网络数据的监督学习来研究未经许可的LTE-WiFi（LTE-U和LTE-LAA）网络中的NFR。在实验中考虑不同的802.11标准和不同的通道带宽，并且精确概述了学习模型选择策略。此后，通过学习模型参数如R-SQ，残差，异常值，预测器的选择等进行不同LTE-WiFi网络配置的比较分析。此外，提出了一种基于网络特征关系的优化（NEFRO）框架。通过利用从网络数据中学到的特征关系方程，NEFRO改善了传统的优化制剂。它被证明是通过两个优化目标，VIZ的时间关键密集共存网络非常适合。，网络容量和信号强度。 NEFRO针对四个关于网络优化的工作验证。 NEFRO成功地将优化收敛时间降低多达24％，同时平均保持高达97.16％的精度。
translated by 谷歌翻译
我们探索Calico是一种微型可重新定位的可穿戴系统，具有快速，精确的运动，用于体内相互作用，驱动和感应。印花布由两轮机器人和一条轨道机制或“铁路”组成，机器人在其上行驶。机器人具有独立的，尺寸很小，并且具有其他传感器扩展选项。轨道系统允许机器人沿着用户的身体移动并到达任何预定位置。它还包括旋转开关以启用复杂的路由选项，当提出发散轨道时。我们报告了印花布的设计和实施，并通过一系列的系统性能评估。然后，我们介绍一些应用程序方案和用户研究，以了解印花布作为舞蹈教练的潜力，并探索对我们情景的定性感知，以告知该领域未来的研究。
translated by 谷歌翻译
经典的机器学习范式需要在中心位置汇总用户数据，在该位置，机器学习实践者可以预处理数据，计算功能，调整模型并评估性能。这种方法的优点包括利用高性能硬件（例如GPU）以及机器学习实践者在深度数据分析中进行的能力以提高模型性能。但是，这些优势可能是为了支付数据隐私的费用。收集，汇总并存储在集中式服务器上以进行模型开发。数据集中构成风险，包括内部和外部安全事件的风险增加以及意外数据滥用。具有不同隐私的联合学习旨在通过将ML学习步骤带给用户的设备来避免服务器端集中化陷阱。学习是以联合方式完成的，每个移动设备都在模型的本地副本上运行一个训练循环。来自设备模型的更新通过加密通信和通过差异隐私发送到服务器，以改善全局模型。在此范式中，用户的个人数据仍在其设备上。令人惊讶的是，以这种方式培训模型培训的模型性能差异很小。但是，由于其分布式性质，异质计算环境和缺乏数据可见性，联邦学习带来了许多其他挑战。本文探讨了这些挑战，并概述了我们正在探索和测试的建筑设计解决方案，以在元评估中生产联合学习。
translated by 谷歌翻译
最近的立法导致对机器学习的兴趣，即从预测模型中删除特定的培训样本，就好像它们在培训数据集中从未存在。由于损坏/对抗性数据或仅仅是用户的更新隐私要求，也可能需要进行学习。对于不需要培训的模型（K-NN），只需删除最近的原始样品即可有效。但是，这个想法不适合学习更丰富的表示的模型。由于模型维度D的趋势，最新的想法利用了基于优化的更新，因为损失函数的Hessian颠倒了。我们使用新的条件独立系数L-CODEC的变体来识别模型参数的子集，其语义重叠在单个样本级别上。我们的方法完全避免了将（可能）巨大矩阵倒置的必要性。通过利用马尔可夫毯子的选择，我们前提是l-codec也适合深度学习以及视觉中的其他应用。与替代方案相比，L-Codec在原本是不可行的设置中可以实现近似学习，包括用于面部识别的视觉模型，人重新识别和可能需要未经学习的样品进行排除的NLP模型。代码可以在https://github.com/vsingh-group/lcodec-deep-unlearning/
translated by 谷歌翻译
基于变压器的模型广泛用于自然语言处理（NLP）。变压器模型的核心是自我关注机制，它捕获了输入序列中的令牌对的相互作用，并在序列长度上逐步取决于逐行。在更长的序列上培训此类模型是昂贵的。在本文中，我们表明，基于局部敏感散列（LSH）的伯努利采样注意机制降低了这种模型到线性的二次复杂性。我们通过考虑自我关注作为与Bernoulli随机变量相关的单独令牌的总和来绕过二次成本，原则上可以通过单个哈希进行一次（尽管在实践中，这个数字可能是一个小常数）。这导致了有效的采样方案来估算依赖于LSH的特定修改的自我关注（以便在GPU架构上进行部署）。我们在标准512序列长度上评估了胶水基准的算法，在那里我们看到了相对于标准预磨削变压器的良好性能。在远程竞技场（LRA）基准中，为了评估长序列的性能，我们的方法实现了与Softmax自我关注的结果一致，但具有相当大的加速和内存节省，并且通常优于其他有效的自我关注方法。我们的代码可以在https://github.com/mlpen/yoso获得
translated by 谷歌翻译
该项目附带了OCR（光学字符识别）的技术，包括计算机科学的各种研究侧面。该项目是拍摄一个字符的图片并处理它以识别像人类大脑一样的那样的角色识别各个数字。该项目包含图像处理技术的深刻思想和机器学习的大研究领域以及机器学习的建筑块，称为神经网络。该项目有两种不同的部分。培训部分通过提供各种类似的角色来训练孩子的想法，但不是完全相同，并说明它们的输出就是这样。就像这个想法一样，人们必须用这么多角色训练新建的神经网络。此部分包含一些新的算法，它是自我创建和升级的作为项目需要。测试部分包含一个新数据集的测试。这部分始终在培训部分之后。第一个必须教孩子如何认识到这个角色。然后一个人必须参加测试是否给予了正确的答案或者不是。如果没有，如果给出新的数据集和新条目，必须培训他更加努力。就像那个必须也要测试算法。有许多部分统计建模和优化技术，该技术进入了需要大量建模的统计数据概念，如优化器技术和过滤过程，其中过滤或算法后面的数学和预测是如何之一或其实际需要的最终对预测模型创造的预测。机器学习算法由预测和编程概念构建。
translated by 谷歌翻译
我们为因果区段发现提供了端到端的方法论框架，旨在在大规模数字实验中揭示跨越用户亚组的治疗的差异影响。建立因因果推断和非/半参数统计的最新发展，我们的方法统一了两个目标：（1）发现基于亚组特定治疗效果的候选治疗的用户群体的发现，（2）基于预测分部特定的益处或危害评估动态分配单位对研究治疗部队的因果影响。我们的提议是模型 - 不可知论，能够将最先进的机器学习算法纳入估计过程，并且适用于随机A / B测试和准实验。介绍了开源R封装实现，Sherlock。
translated by 谷歌翻译