深度高斯过程(DGP)可以模拟复杂的边缘密度以及复杂的映射。非高斯边缘对于模拟真实世界数据是必不可少的,并且可以通过将相关变量结合到模型来从DGP生成。先前关于DGP模型的工作已经引入了加性和使用变分推理,其中使用稀疏高斯过程和平均场高斯的组合用于近似后验。加性噪声衰减信号,并且高斯形式的变分布可能导致后验不准确。我们将噪声变量作为潜在协变量,并提出一种新颖的重要性加权目标,它利用分析结果并提供一种权衡计算的机制以提高准确性。我们的研究结果表明,重要加权目标在实践中运作良好,并且始终优于经典变分推理,尤其是对于更深层次的模型。
translated by 谷歌翻译
深度学习是图像分类大幅改进的基础。为了提高预测的稳健性,贝叶斯近似已被用于学习深度神经网络中的参数。我们采用另一种方法,通过使用高斯过程作为贝叶斯深度学习模型的构建模块,由于卷积和深层结构的推断,这种模型最近变得可行。我们研究了深度卷积高斯过程,并确定了一个保持逆流性能的问题。为了解决这个问题,我们引入了一个转换敏感卷积内核,它消除了对相同补丁输入的要求相同输出的限制。我们凭经验证明,这种卷积核可以改善浅层和深层模型的性能。在ONMNIST,FASHION-MNIST和CIFAR-10上,我们在准确性方面改进了以前的GP模型,增加了更简单的DNN模型的校准预测概率。
translated by 谷歌翻译
条件密度估计(CDE)模型处理估计条件分布。对分配施加的条件是模型的输入。 CDE是一项具有挑战性的任务,因为模型复杂性,代表性能力和过度拟合之间存在根本的权衡。在这项工作中,我们建议用潜在变量扩展模型的输入,并使用高斯过程(GP)将这个增强的输入映射到条件分布的样本上。我们的贝叶斯方法允许对小数据集进行建模,但我们也提供了使用随机变分推理将其应用于大数据的机制。我们的方法可用于在稀疏数据区域中对densitieseven进行建模,并允许在条件之间共享学习结构。我们说明了我们的模型在各种现实问题上的有效性和广泛适用性,例如出租车下降的时空密度估计,非高斯噪声建模,以及对全方位图像的少量学习。
translated by 谷歌翻译
我们提出了一个结合了分层规划和机器学习的思想的导航系统。该系统使用传统的全局规划器来计算朝向目标的最佳路径,并使用深度局部轨迹规划器和速度控制器来计算运动命令。系统的后者组件通过注意机制调整机器人的行为,使其朝向目标移动,避开障碍物,并尊重近距离行人的空间。所提出的深度模型的结构和使用注意机制都使得系统的执行可以解释。我们的仿真实验表明,所提出的架构优于基线,可以将全局计划信息和传感器数据直接映射到velocitycommands。与手工设计的传统导航系统相比,所提出的方法表现出更一致的性能。
translated by 谷歌翻译
由于大数据革命和不断增长的计算能力,人工智能(AI)在过去几年中取得了令人印象深刻的复兴,现在在研究和工业领域都无处不在。创意部门一直是人工智能技术的早期采用者,这种情况一直如此。事实上,最近的技术发展突破了创意应用中智能系统的界限:2016年发布的备受好评的电影“Sunspring”完全是由人工智能技术编写的,也是有史以来第一部名为“Hello World”的音乐专辑,使用人工智能生产的产品已于今年发布。同时,创造性过程的探索性特征为AI提出了重要的技术挑战,例如,在传统的“大数据”方法或者处理,分析和匹配数据的能力下,人工智能技术在有限的数据源下是准确的。从多种形式(文本,声音,图像等)同时进行。本白皮书的目的是了解人工智能的未来技术进步及其对创造性产业日益增长的影响。本文讨论了以下问题:AI在创意产业中的运作方式?它的作用是什么? AI将如何在未来十年内转变创意产业?本白皮书旨在提供关于创意产业中人工智能行为范围的现实视角,提出该技术如何为此类背景下的研究和开发工作做出贡献的愿景,并确定研究和发展挑战。
translated by 谷歌翻译
基因交互图旨在捕获基因之间的各种关系,并可用于创建更多生物学直观的机器学习模型。有许多这样的图表可以在基因和边缘的数量上有所不同。在这项工作中,我们试图通过将这些图用于“单基因推理”(SGI)来评估这些图所提供的偏差,我们认为这些偏差是更相关的预测任务的代理。 SGI任务评估基因的特定图谱中的邻居可以“解释”基因本身与使用数据集中所有基因的基线相比的程度。我们评估了不同研究组在两个不同数据集TCGA和GTEx上创建的七个主要基因相互作用图。我们发现,对于大多数具有明显较小特征集的基因,一些图表的表现与无偏差基线相当。
translated by 谷歌翻译
最近的研究已经探索了使用基于变分自动编码器(VAE)的语音谱的深度生成模型,结合无监督的噪声模型来执行语音增强。这些研究开发了迭代算法,涉及每步的吉布斯采样或梯度下降,使得它们在计算上很昂贵。本文提出了一种变分推理方法来迭代估计清洁语音的功率谱图。我们的主要贡献是变分法的分析推导,其中使用用于训练VAE的verysame假设,可以使用预先学习的VAE的编码器来估计真实后验分布的变量近似。实验表明,所提出的方法产生的结果与上述使用采样的迭代方法相当,同时将计算成本降低了36倍以达到agiven性能。
translated by 谷歌翻译
为了在可预见的未来实现自动驾驶汽车的市场进入,行为计划系统将需要遵守人类跟随的相同规则。如果没有适当的解决方案来解决批准陷阱,则无法执行产品责任。在本文中,我们定义了连续空间的语义抽象,并在线性时态逻辑(LTL)中形成了交通规则。语义状态空间中的序列代表了高级计划者可以选择执行的操作。我们使用运行时验证针对形式化流量规则检查这些操作。通过使用标准模型checkerNuSMV,我们证明了我们的方法的有效性,并为机动验证提供了运行时属性。我们表明,可以在语义状态空间中验证高级行为,以实现一组正式规则,这可以作为实现预期功能安全的一步。
translated by 谷歌翻译
卷积神经网络在处理离散欧几里德空间(如图像)上定义的信号时非常有效。但是,由于它们不能用于任意图形上定义的信号,因此其他模型已经出现,旨在扩展其属性。我们建议回顾一些旨在利用信号基础图结构的主要深度学习模型。我们用统一的形式表达它们,给它们一个新的比较阅读。
translated by 谷歌翻译
我们介绍了一种新的损失函数,用于训练深度学习架构以进行分类。它包括最小化在体系结构输出处构建的相似性图上的标签信号的平滑度。等效地,可以将其视为最大化来自不同类的训练输入的网络功能图像之间的距离。因此,在该过程中仅考虑不同类中的示例对之间的距离,并且训练不会阻止来自相同类的输入被映射到输出域中的远程位置。我们表明,这种损失在分类中表现出与使用经典交叉熵训练的架构相似的性能,同时提供有趣的自由度和属性。我们还证明了所提出的损失的兴趣,以增加受过训练的架构对输入偏差的鲁棒性。
translated by 谷歌翻译