随着神经网络作为任务至关重要系统中组成部分的越来越多的整合，越来越需要确保它们满足各种安全性和livesice要求。近年来，已经提出了许多声音和完整的验证方法，但这些方法通常受到严重的可伸缩性限制。最近的工作提出了通过抽象 - 再填充功能增强这种验证技术的增强，这些功能已被证明可以提高可伸缩性：而不是验证大型且复杂的网络，而是验证者构造，然后验证一个较小的网络，其正确性意味着原始的正确性网络。这种方案的缺点是，如果验证较小的网络失败，则验证者需要执行改进步骤，以增加验证网络的大小，然后开始从SCRATCH验证新网络 - 有效地``'浪费''它的早期工作在验证较小的网络方面。在本文中，我们通过使用\ emph {残留推理}来提高基于抽象的神经网络验证的增强：在验证抽象网络时使用信息的过程，以加快对精制网络的验证。本质上，该方法允许验证者存储有关确保正确行为的搜索空间部分的信息，并允许其专注于可能发现错误的区域。我们实施了我们的方法，以扩展到Marabou验证者，并获得了有希望的结果。
translated by 谷歌翻译
在大型3D场景中的3D对象检测不仅是由于稀疏和不规则的3D点云而挑战，而且还因为场景和阶级不平衡的极端前景不平衡所致。一种常见的方法是从其他场景中添加基地真实对象。不同的是，我们建议通过删除元素（体素）而不是添加元素来修改场景。我们的方法以解决这两种类型数据集不平衡的方式选择“有意义的”体素。该方法是一般的，可以应用于任何基于体素的检测器，但体素的有意义依赖于网络。我们的体素选择显示可提高几种突出的3D检测方法的性能。
translated by 谷歌翻译
关于哪些类型的故障机器人在家庭环境中以及这些失败如何影响客户体验时，存在知识差距。我们在亚马逊上分类了10,072个客户评论，通过它们中描述的机器人失败，将故障分组为十二种类型和三类（技术，互动和服务）。我们确定了先前忽略了文献中忽视的失败的来源和类型，将它们结合到更新的失败分类。我们分析了他们的频率和关系与客户明星评级。结果表明，对于功利主义国内机器人来说，技术故障比互动或服务失败更有害。常常报告任务完成和鲁棒性和恢复力的问题，并具有最大的负面影响。未来的预防和反应战略应解决机器人的技术能力，以满足功能目标，运作和保持结构完整性随着时间的推移。可用性和互动设计对客户体验不利，表明客户可能更宽容影响机器人和实际用途的影响的失败。此外，我们开发了一种能够预测客户审查是否包含描述故障的内容以及它描述的故障类型的自然语言处理模型。借鉴了这些知识，机器人系统的设计者和研究人员可以优先考虑设计和开发努力实现基本问题。
translated by 谷歌翻译
点云正在获得突出的突出，作为代表3D形状的方法，但其不规则结构对深度学习方法构成了挑战。在本文中，我们提出了一种使用随机散步学习3D形状的新方法。以前的作品试图调整卷积神经网络（CNNS）或将网格或网格结构强加到3D点云。这项工作提出了一种不同的方法来表示和学习特定点集的形状。关键的想法是在多个随机散步通过云设置的点上施加结构，用于探索3D对象的不同区域。然后我们学习每次和每次步行代表，并在推理时聚合多个步行预测。我们的方法实现了两个3D形状分析任务的最先进结果：分类和检索。此外，我们提出了一种形状复杂性指示器功能，该函数使用交叉步道和步行间方差措施来细分形状空间。
translated by 谷歌翻译