在本文中，提出了一种颜色边缘检测方法，其中使用多尺度Gabor滤波器从输入颜色图像获得边缘。该方法的主要优点是在保持良好的噪声稳健性的同时，达到了高边缘检测精度。提出的方法包括三个方面：首先，RGB颜色图像由于其宽阔的着色区域和均匀的颜色分布而转换为CIE L*A*B*空间。其次，使用一组Gabor过滤器来平滑输入图像，并提取了色边缘强度图，并将其融合到具有噪声稳健性和准确边缘提取的新ESM中。第三，将熔融ESM嵌入精美探测器的途径中会产生噪声颜色边缘检测器。结果表明，所提出的检测器在检测准确性和噪声过程中具有更好的经验。
translated by 谷歌翻译
We propose the Detailed Outline Control (DOC) framework for improving long-range plot coherence when automatically generating several-thousand-word-long stories. DOC consists of two complementary components: a detailed outliner and a detailed controller. The detailed outliner creates a more detailed, hierarchically structured outline, shifting creative burden from the main drafting procedure to the planning stage. The detailed controller ensures the more detailed outline is still respected during generation by controlling story passages to align with outline details. In human evaluations of automatically generated stories, DOC substantially outperforms a strong Re3 baseline (Yang et al., 2022) on plot coherence (22.5% absolute gain), outline relevance (28.2%), and interestingness (20.7%). Humans also judged DOC to be much more controllable in an interactive generation setting.
translated by 谷歌翻译
Large Neighborhood Search (LNS) is a popular heuristic algorithm for solving combinatorial optimization problems (COP). It starts with an initial solution to the problem and iteratively improves it by searching a large neighborhood around the current best solution. LNS relies on heuristics to select neighborhoods to search in. In this paper, we focus on designing effective and efficient heuristics in LNS for integer linear programs (ILP) since a wide range of COPs can be represented as ILPs. Local Branching (LB) is a heuristic that selects the neighborhood that leads to the largest improvement over the current solution in each iteration of LNS. LB is often slow since it needs to solve an ILP of the same size as input. Our proposed heuristics, LB-RELAX and its variants, use the linear programming relaxation of LB to select neighborhoods. Empirically, LB-RELAX and its variants compute as effective neighborhoods as LB but run faster. They achieve state-of-the-art anytime performance on several ILP benchmarks.
translated by 谷歌翻译
In this paper, we consider the inventory management (IM) problem where we need to make replenishment decisions for a large number of stock keeping units (SKUs) to balance their supply and demand. In our setting, the constraint on the shared resources (such as the inventory capacity) couples the otherwise independent control for each SKU. We formulate the problem with this structure as Shared-Resource Stochastic Game (SRSG)and propose an efficient algorithm called Context-aware Decentralized PPO (CD-PPO). Through extensive experiments, we demonstrate that CD-PPO can accelerate the learning procedure compared with standard MARL algorithms.
translated by 谷歌翻译
尽管基于计划的序列建模方法在连续控制方面表现出巨大的潜力，但由于高维空间中规划的高度计算复杂性和天生的困难，将它们扩展到高维状态序列仍然是一个开放的挑战。我们提出了轨迹自动编码计划器（TAP），这是一种基于计划的序列建模RL方法，可扩展到高州行动维度。使用状态条件矢量定量的变分自动编码器（VQ-VAE），点击模拟给定当前状态的轨迹的条件分布。当部署为RL代理时，TAP避免在高维连续动作空间中逐步计划，而是通过Beam Search寻找最佳的潜在代码序列。与$ o（d^3）$轨迹变压器的复杂性不同，TAP享受常数$ o（c）$规划有关州行动维度$ d $的计算复杂性。我们的经验评估还表明，随着维度的增长，TAP的表现越来越强。对于具有较高状态和动作维度的ADROIT机器人手动操纵任务，TAP超过了基于模型的方法，包括TT，其边距很大，并且还击败了强大的无模型参与者 - 批评基准。
translated by 谷歌翻译
嵌入学习是深度建议模型中的重要技术，可以将分类特征映射到密集的矢量。但是，嵌入表通常需要大量参数，这些参数成为存储和效率瓶颈。已经采用了分布式培训解决方案将嵌入表分配到多个设备中。但是，如果不仔细分区，则嵌入表很容易导致失衡。这是名为“嵌入桌碎片”的分布式系统的重大设计挑战，即，我们应该如何对嵌入表进行分配以平衡跨设备的成本，这是一项非平凡的任务，因为1）很难有效，精确地衡量成本，和2）已知分区问题是NP-HARD。在这项工作中，我们在Meta中介绍了新颖的实践，即Autoshard，该实践使用神经成本模型直接预测多桌成本和利用深度强化学习以解决分区问题。开源的大规模合成数据集和Meta生产数据集的实验结果证明了Autoshard的优越性优于启发式方法。此外，Autoshard的学习政策可以转移到具有不同数量的表和不同表格比率的碎片任务中，而无需进行任何微调。此外，Autoshard可以在几秒钟内有效地将数百张桌子碎片。 Autoshard的有效性，可转移性和效率使其适合生产使用。我们的算法已在元生产环境中部署。可以在https://github.com/daochenzha/autoshard上获得原型
translated by 谷歌翻译
将信号与噪声分开的能力以及干净的抽象对智能至关重要。有了这种能力，人类可以在不考虑所有可能的滋扰因素的情况下有效执行现实世界任务。人造代理可以做同样的事情？当噪音时，代理可以安全地丢弃什么样的信息？在这项工作中，我们根据可控性和与奖励的关系将野外信息分为四种类型，并将有用的信息归为可控和奖励相关的有用信息。该框架阐明了有关强化学习（RL）中的各种先前工作所删除的信息，并导致我们提出的学习方法，即学习一种已明确影响某些噪声分散注意器的DeNOCONE MDP。对DeepMind Control Suite和Robodesk的变体进行的广泛实验表明，我们的DeNocy World模型的表现优于仅使用原始观测值，并且超过了先前的工作，跨政策优化控制任务以及关节位置回归的非控制任务。
translated by 谷歌翻译
短期内存（LSTM）和变压器是两个流行的神经结构用于自然语言处理任务。理论结果表明，两者都是图灵完成的，可以代表任何无论如何的语言（CFL）。在实践中，经常观察到变压器模型具有比LSTM更好的表示功率。但原因几乎没有明白。我们研究了LSTM和变压器之间的实际差异，并提出了基于潜空间分解模式的解释。为了实现这一目标，我们介绍了Oracle培训范式，这迫使LSTM和变压器的潜在表示的分解，并监督相应CFL的推动自动化（PDA）的转换。通过强制分解，我们表明LSTM和变压器在学习CFL中的性能上限是关闭：它们都可以模拟堆栈并与状态转换一起执行堆栈操作。然而，没有强制分解导致LSTM模型的故障捕获堆叠和堆叠操作，同时对变压器模型产生边缘影响。最后，我们将原型PDA的实验连接到真实的解析任务，以重新验证结论
translated by 谷歌翻译
动态图形表示学习是具有广泛应用程序的重要任务。以前关于动态图形学习的方法通常对嘈杂的图形信息（如缺失或虚假连接）敏感，可以产生退化的性能和泛化。为了克服这一挑战，我们提出了一种基于变换器的动态图表学习方法，命名为动态图形变换器（DGT），带有空间 - 时间编码，以有效地学习图形拓扑并捕获隐式链接。为了提高泛化能力，我们介绍了两个补充自我监督的预训练任务，并表明共同优化了两种预训练任务，通过信息理论分析导致较小的贝叶斯错误率。我们还提出了一个时间联盟图形结构和目标 - 上下文节点采样策略，用于高效和可扩展的培训。与现实世界数据集的广泛实验说明了与几个最先进的基线相比，DGT呈现出优异的性能。
translated by 谷歌翻译
通过最小化同一图像的两个视图之间的距离来最大程度地减少自我监督学习的非对比度方法（例如BYOL和SIMSIAM）。这些方法在实践中取得了非凡的表现，但是理论理解落在了背后。天等。 2021解释了为什么表示形式不会崩溃到零，但是如何学习该功能仍然是神秘的。在我们的工作中，我们在线性网络中证明了非对抗性方法，学习了理想的投影矩阵，并降低了下游任务的样本复杂性。我们的分析表明，重量衰减是一个隐式阈值，它在数据增强下丢弃具有较高差异的特征，并保持差异较低的功能。受我们的理论的启发，我们通过在Tian等人的原始直接销售算法中删除特征分解步骤，从而设计了更简单，更有效的算法直接副本。 2021.我们的实验表明，直接竞争对手甚至超过了STL-10，CIFAR-10，CIFAR-100和IMAGENET的表现。
translated by 谷歌翻译