Graphs的许多模型属于边缘无关的点产品型号的框架。这些模型输出所有节点之间存在的边缘的概率，并且两个节点之间的链路的概率随与节点相关联的矢量的点乘积而增加。最近的工作表明，这些模型无法捕获实际图中的关键结构，特别是异种结构，其中在不同节点之间发生链接。我们提出了一种独立的图形生成模型，它足以捕捉到异源性，B）产生非负嵌入物，这允许在社区方面解释的链接预测，C）有效地在具有梯度的真实图中优化跨熵损失下降。我们的理论结果展示了我们模型的表现力，其能够使用最大程度的线性的多个簇进行准确地重建图表，以及其在数据中捕获异常和精梳性的能力。此外，我们的实验展示了我们模型对多种重要应用任务等多个重要应用程序任务的有效性，例如多标签聚类和链路预测。
translated by 谷歌翻译
在这项工作中，我们提出了一种开放式摄制对象检测方法，该方法基于图像映射对，学会了检测新颖对象类别以及给定的一组已知类别。这是一种两阶段的训练方法，首先使用位置引导的图像捕获匹配技术以弱监督的方式学习新颖和已知类别的类标签，第二个使用已知的类注释专用于对象检测任务的模型。我们表明，一个简单的语言模型比检测新对象的大型上下文化语言模型更适合。此外，我们引入了一种一致性调查技术，以更好地利用图像捕获对信息。我们的方法比较与现有的开放式检测方法相比，同时具有数据效率。源代码可从https://github.com/lmb-freiburg/locov获得。
translated by 谷歌翻译
通过计算流体动力学模拟产生的时变矢量场通常对准确的互动分析和勘探造成巨大且构成挑战。为了解决这些挑战，降低拉格朗日表示越来越多地被研究为改善科学时变的传染媒介场探索能力的手段。本文介绍了一种新型神经网络的基于神经网络的粒子跟踪方法，用于探讨拉格朗日流程图所代表的时变矢量字段。在我们的工作流程中，首先利用原地处理来提取拉格朗日流程图，然后深神经网络然后使用提取的数据来学习流场行为。使用训练有素的模型来预测新的粒子轨迹提供固定的小内存占地面积和快速推断。为了展示和评估所提出的方法，我们使用众所周知的分析数据集进行深入研究性能，双层纱线。我们的研究考虑了两个流程图提取策略以及培训样本数量和集成持续时间对疗效的影响，评估了多种采样选项以进行培训和测试，并通知HyperParameter设置。总的来说，我们发现我们的方法需要10.5 MB的固定内存占用空间来编码时变矢量字段的拉格朗日表示，同时保持准确性。对于后HOC分析，将培训的模型加载两秒钟，显着降低读取可视化数据时I / O的负担。此外，我们的并行实现可以使用一个NVIDIA Titan RTX GPU在1.3秒内在整个时间分辨率中推断出两千个新的路径中的每一个位置。
translated by 谷歌翻译
这篇研究论文提出了COVID-19监测和响应系统，以确定医院患者的数量激增以及关键设备（如东南亚国家的呼吸机），以了解医疗机构的负担。这可以通过资源计划措施来帮助这些地区的当局，以将资源重定向到模型确定的地区。由于缺乏有关医院患者涌入的公开可用数据，或者这些国家可能面临的设备，ICU单元或医院病床的短缺，我们利用Twitter数据来收集此信息。该方法为印度的各州提供了准确的结果，我们正在努力验证其余国家的模型，以便它可以作为当局监控医院负担的可靠工具。
translated by 谷歌翻译