我们考虑从嘈杂的观察矩阵中恢复低秩矩阵的问题。以前的工作表明,最佳的恢复方法主要取决于损失函数的选择。我们使用一系列加权损失函数,这些函数在许多设置中自然出现,例如异方差噪声和缺失数据。加权损失函数难以分析,因为它们不是正交不变的。我们推导出这些加权损失函数的最佳光谱消噪器。通过组合不同的权重,我们然后使用这些最佳降噪器构建一个新的降噪器,利用信号矩阵中的异质性,以便在未加权损失的情况下进行更准确的恢复。
translated by 谷歌翻译
在本文中,我们通过利用卷积神经网络(CNN)的高能力来解决自动抄表(AMR)问题。我们设计了一个两阶段方法,它采用Fast-YOLO物体探测器进行计数器检测,并评估三种不同的基于CNN的计数器识别方法。在AMR文献中,由于图像属于服务公司,因此大多数数据集不可用于研究社区。从这个意义上讲,我们引入了一个名为UFPR-AMR数据集的新公共数据集,其中包含2,000个完全和手动注释的图像。据我们所知,该数据集比文献中发现的最大公共数据集大三倍,并且包含一个定义的评估协议,以协助开发和评估AMR方法。此外,我们建议使用数据增强技术生成具有更多示例的平衡训练集,以训练CNN模型用于计数器识别。在提出的数据集中,获得了令人印象深刻的结果,并且对每个模型进行了详细的速度/准确度权衡评估。在公共数据集中,使用少于200个用于训练的图像实现了最先进的结果。
translated by 谷歌翻译
本报告概述了利用大数据革命和大规模计算解决多信使天体物理学中的重大计算挑战的最新工作,特别强调实时发现活动。该文件承认了多信使天体物理学的跨学科性质,由物理学家,天文学,计算机科学,数据科学,软件和网络基础设施社区的成员编写,他们参加了NSF-,DOE-和NVIDIA资助的“多信使天体物理学的深度学习”。 :实时发现规模“研讨会,于2018年10月17日至19日在国家超级计算应用中心举办。本报告的重点包括一致同意这对于加速新型信号处理算法的开发和部署至关重要。利用人工智能(AI)和高性能计算之间的协同作用,最大限度地发挥Multi-Messenger天体物理学的潜在科学发现。我们讨论了实现这一努力的关键方面,即(i)为多信使天体物理学设计和利用可扩展和计算效率高的AI算法;(ii)数字模拟天体物理资源的网络基础设施要求,以及处理和解释多信使天体物理学数据; (iii)管理引力波探测和触发以实现电磁和天体粒子跟踪; (iv)利用未来发展的机器和深度学习以及网络基础设施资源的愿景与大数据时代的发现规模相结合; (v)需要建立一个社区,将领域专家与数据科学家一起进行平等,以最大限度地加速发现多信天体物理学的新兴领域。
translated by 谷歌翻译
为了解除停用的气体扩散浓缩设施,必须测量数英里的污染管道。目前的方法需要数千次手动测量,重复手动数据转录和数月的分析。管道爬行活动测量系统(PCAMS)由卡内基梅隆大学开发,并在DOE Portsmouth气体扩散富集设施中使用,使用机器人从内部管道测量铀-235并自动记录数据。辐射测量以及图像,几何建模和精确测量定位数据被数字地传输到PCAMS服务器。在服务器上,可以在几分钟内自动处理数据并汇总以供分析师查看。只需按一下按钮即可自动生成测量报告。特别配置用于保存异构数据(例如光谱,图像和机器人轨迹)的数据库用作存档。本文概述了PCAMS后处理软件的功能和设计,目前正在朴茨茅斯气体扩散富集设施中进行调试。分别描述了分析过程,系统的分析员界面以及自动生成的报告的内容。本文讨论了管道内部几何表面模型的示例,关键报告功能如何应用于操作运行和用户反馈的说明。
translated by 谷歌翻译
必须逐步测量数英里的受污染管道,作为停用气体扩散浓缩设施的退役工作的一部分。目前的方法需要切除石棉衬里的热外壳,并执行重复的升高操作,以从外部手动测量管道。 RadPiper机器人是卡内基梅隆大学开发的管道爬行活动测量系统(PCAMS)的一部分,并被委托用于DOE朴茨茅斯气体扩散富集设施,从内部自动测量管道中的U-235。这提高了确定性,增加了安全性,并大大缩短了测量时间。 RadPiper机器人的核心是一个创新的圆盘准直组件中的碘化钠闪烁探测器。通过从内部管道测量,机器人相对于外部通管测量显着增加其计数率。机器人还提供图像,模拟内部管道几何形状,并精确测量距离,以便定位辐射测量。该系统收集的数据提供了对管道内部的深入了解,这是对前后测量无法实现的,同时保证了操作员的安全。本文介绍了PCAMS RadPiper机器人的技术细节。该机器人的主要功能包括精确距离测量,管道内障碍物检测,两种管道尺寸的变换能力以及自主操作的稳健性。提供了展示机器人功能的测试结果,包括部署公差测试,安全防护测试和本地化测试。还显示了集成的机器人测试。
translated by 谷歌翻译
用于强化学习的最先进的分布式算法依赖于多个独立的代理,这些代理同时在并行环境中学习,同时异步更新共同的共享策略。此外,分散控制架构(例如,CPG)可以协调关节机器人的空间分布部分以实现系统 - 目标。在这项工作中,我们通过学习分散控制策略来研究分布式学习和分散控制之间的关系,以便在具有挑战性的环境中进行关节机器人的运动。为此,我们提出了一种利用异步优势行为者 - 评论(A3C)算法结构的方法,为单个关节机器人提供了一种学习集中控制策略的自然方法。我们的主要贡献显示,A3C算法中的各个代理可以由机器人身体的独立控制部分定义,从而能够在单个机器人上进行分布式学习,以实现高效的硬件实现。我们在asnake和六足机器人上呈现非结构化地形的闭环运动结果,使用分散的控制器分别在离线和在线学习。该论文的预印本于2018年10月提交给IEEE机器人交易(T-RO)期刊,并有条件地在2019年1月作为常规论文发表。
translated by 谷歌翻译
为了提高重症监护病房(ICU)的表现,生物统计学领域已经开发了一些分数,试图预测负性结果的可能性。这些有助于评估治疗和临床实践的有效性,也有助于确定意外结果的患者。然而,他们已经通过几项研究显示它们提供次优性能。或者,深度学习在某些预测任务中提供最先进的能力,研究表明深度神经网络能够胜过传统技术。然而,在医疗保健中采用深度学习的一个主要障碍是其可解释性降低,因为在这个领域中,了解预测的原因至关重要,以确保模型实际上是学习相关特征而不是虚假相关。为了解决这个问题,我们提出了一个深层次的多尺度卷积结构体系,用于医疗信息市场的重症监护III(MIMIC-III),用于死亡率预测,以及使用联盟游戏理论的概念来构建视觉解释,旨在显示这些投入的重要性。被网络视为。我们的结果表明我们的模型在保持可解释的同时达到了最先进的性能。支持代码可以在https://github.com/williamcaicedo/ISeeU找到。
translated by 谷歌翻译
对无人驾驶飞行器使用的低水平姿态飞行控制几乎没有创新,其仍然主要使用经典的PID控制器。在这项工作中,我们介绍了第一个开源神经飞行控制器固件Neuroflight。我们提出了用于在仿真中训练神经网络的工具链,并将其编译为在嵌入式硬件上运行。随着解决方案的出现,讨论了从仿真跳到现实的挑战。我们的评估显示神经网络可以在Arm Cortex-M7处理器上以超过2.67kHz的速度执行,并且飞行测试证明了四轮飞行的神经闪光可以实现稳定的飞行并执行特技飞行。
translated by 谷歌翻译
我们提出了一种无监督的变分模型,用于将视频解耦为独立因素,即每个因素的未来可以从过去预测而不考虑其他因素。我们展示了我们的方法经常学习可解释为场景中的对象的因素。
translated by 谷歌翻译
任何执行目标导向的持续学习的系统不仅必须逐步学习,而且必须逐步处理和吸收信息。这样的系统也必须了解其目标何时实现。在本文中,我们在问题回答的背景下考虑这些问题。当前最先回答的问题解答模型在整个段落中推理,而不是增量。正如我们将要展示的那样,增量阅读的天真方法,例如对模型中单向语言模型的限制,表现不佳。我们提出了DocQA [2]模型的扩展,允许增量读取而不会丢失准确性。该模型还共同学习提供最好的给出目前为止看到的文本,并预测这种最好的方法是否足够。
translated by 谷歌翻译