在新兴的纳米物联网(IoNT)中,信息将通过复杂和扩散的媒体以分子的形式嵌入和传播。一个主要的挑战在于信道响应的长尾性质导致符号间干扰(ISI),这会降低检测性能。如果信道未知,我们不能轻易实现传统的相干信道估计和消除,并且ISI的影响将是在本文中,我们开发了一种用于分子信号盲检测的新型高维非相干方案。我们通过组合利用信号的瞬态特征的不同非相干度量,在更高维度的空间中实现这一点。通过推导任何构造的高维非相干度量的理论误码率(BER),我们证明了更高的维数总是在相同的样本空间中实现更低的BER。然后,我们设计了一个利用了Thearzen的广义盲检测算法。近似及其概率神经网络(Parzen-PNN)检测信息比特。利用其快速收敛和并行实现的优点,我们提出的方案可以满足检测精度和实时计算的需要。数值模拟表明,与其他最先进的方法相比,我们提出的方案可以获得10dB的BER。
translated by 谷歌翻译
图像属性转移旨在将输入图像改变为具有预期属性的目标,近年来已经受到极大关注。然而,大多数现有方法缺乏将目标属性和无关信息去相关的能力,即其他属性。和背景信息,因此经常遭受模糊和文物。针对这些问题,我们提出了一种新颖的属性流形编码GAN(AME-GAN),用于全功能属性传输,可以修改和调整图像中的细节。具体来说,我们的方法将输入图像分为图像属性部分和图像背景部分,分别由属性潜变量和背景潜变量控制。通过将属性潜变量强加到高斯分布和背景潜变量到均匀分布,属性转移过程变得可控,图像生成更加逼真。此外,我们采用条件多尺度鉴别器来渲染准确和高质量的目标属性图像。三个流行数据集的实验结果证明了我们提出的方法在属性转移和图像生成质量两方面的优越性。
translated by 谷歌翻译
深度学习有监督学习已经取得了令人惊讶的性能不变的机器学习应用。但是,带注释的数据很昂贵。实际上,只有一小部分数据样本被注释。基于伪集算的方法已经实现了计算机视觉相关任务的最新结果。但是,它仍然依赖于由标记数据构建的初始模型的质量。标记较少的数据可能会大大降低模型性能。域约束是另一种规范后验的方法,但有一些限制。在本文中,我们提出了一种基于模糊域约束的框架,它失去了传统约束学习的要求,提高了半监督的模型质量。仿真结果表明了我们设计的有效性。
translated by 谷歌翻译
离线手写数学表达式识别是一项具有挑战性的任务,因为手写数学表达式在识别过程中主要存在两个问题。一方面,它是如何正确识别不同的数学符号。另一方面,它是如何正确识别数学表达式中存在的二维结构。最近的深度学习工作启发了一种新的神经网络模型,它将多尺度卷积神经网络(CNN)与注意力恢复神经网络相结合(提出RNN)将二维手写数学表达式识别为一维LaTeX序列。结果表明,目前工作中提出的模型的WER误差为25.715%,ExpRate为28.216%。
translated by 谷歌翻译
We propose the first contextual bandit algorithm that is parameter-free, efficient, and optimal in terms of dynamic regret. Specifically, our algorithm achieves dynamic regret O(min{ √ ST , ∆ 1 3 T 2 3 }) for a contextual bandit problem with T rounds, S switches and ∆ total variation in data distributions. Importantly, our algorithm is adaptive and does not need to know S or ∆ ahead of time, and can be implemented efficiently assuming access to an ERM oracle. Our results strictly improve the O(min{S 1 4 T 3 4 , ∆ 1 5 T 4 5 }) bound of (Luo et al., 2018), and greatly generalize and improve the O(√ ST) result of (Auer et al., 2018) that holds only for the two-armed bandit problem without contextual information. The key novelty of our algorithm is to introduce replay phases, in which the algorithm acts according to its previous decisions for a certain amount of time in order to detect non-stationarity while maintaining a good balance between exploration and exploitation.
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
训练深度物体探测器进行自动驾驶需要大量的标记数据。虽然通过摄像机或LiDAR等板载传感器记录数据相对容易,但注释数据非常繁琐且耗时,尤其是在处理3D LiDAR点或雷达数据时。主动学习有可能最大限度地减少人工注释工作,同时最大化对象检测器的性能。在这项工作中,我们提出了一种主动学习方法,用最少量的标记训练数据来驱动LiDAR 3D物体探测器。该检测器利用RGBimages生成的2D区域提议来减少对象的搜索空间,加快学习过程。实验表明,我们提出的方法在不同的不确定性评估和查询功能下工作,并且可以节省高达60%的标签工作量。相同的网络性能。
translated by 谷歌翻译
我们研究了多臂强盗和更普遍的线性强盗的损失变化(所谓的路径长度界限)的自适应后悔界限。我们首先表明,(Wei和Luo,2018)看似次优的路径长度对于自适应对手来说实际上是不可改进的。由于这个负面结果,我们开发了两个新的算法,一个严格改进(Wei和Luo,2018)用较小的路径长度测量,另一个改进(Wei和Luo,2018)对于不经意的对手,当路径长度是大。我们的算法基于经过深入研究的乐观镜像下降框架,但重要的是有几种新技术,包括新的乐观预测,对最近选定的方略略有偏见,以及使用类似于(Bubeck et al。,2018)的混合正则化器。 )。此外,我们将结果扩展到线性强盗,通过显示减少动态后悔来获得全信息问题,然后进一步减少凸体追逐。我们提出了一个简单的贪婪追逐算法,用于平方2范数,导致新的动态遗憾结果,因此也是一般线性强盗的第一个路径长度遗憾。
translated by 谷歌翻译
面部属性很重要,因为它们提供了详细的描述并确定了人脸的视觉外观。在本文中,我们的目标是将面部图像转换为草图,同时生成面部属性。为此,我们提出了一种新颖的属性引导草图生成对抗网络(ASGAN),它是一个端到端的框架,包含两个生成器和鉴别器,其中一个用于生成具有属性的面,而另一个用于影像到sketchtranslation。这两个发电机组成一个W形网络(W-net),它们与权重共享约束共同训练。此外,我们还提出了两个新的鉴别器,其中一个侧重于属性生成,三个一个帮助生成逼真的草图。为了验证我们的模型,我们创建了一个包含8,804个图像的新的大型数据集,名为“属性面部照片和草图”(AFPS)数据集,这是第一个与面部草图图像关联的数据集。实验结果表明,所提出的网络(i)产生了比基线具有更清晰的面部属性的更逼真的面部,以及(ii)在不同的生成任务上具有良好的泛化能力。
translated by 谷歌翻译
我们开发了第一个通用的半强盗算法,同时为随机环境提供$ \ mathcal {O}(\ log T)$后悔,并且在没有政权知识的情况下为对抗环境提供$ \ mathcal {O}(\ sqrt {T})$ regret或轮数$ T $。我们界限中的主要问题依赖常数不仅在最前面研究的最坏情况下是最优的,而且对于半匪问题的两个具体实例也是最优的。我们的算法和分析扩展了(Zimmert&Seldin,2019)近期针对多臂强盗的特殊情况的工作,但重要的是需要一种专门为半强盗设计的新型混合正则化器。合成数据的实验结果表明我们的算法确实表现良好。在不同的环境中。我们最终将我们的结果初步扩展到完整的强盗反馈。
translated by 谷歌翻译