最近的四型车辆超越了常规设计，更加强调可折叠和可重构的身体。但是，最新的状态仍然着重于此类设计的机械可行性，在配置切换过程中有关车辆的跟踪性能的讨论有限。在本文中，我们提出了一个完整的控制和计划框架，用于在配置切换过程中进行态度跟踪并遏制任何基于开关的干扰，这可能导致违反安全限制并导致崩溃。控制框架包括一个具有估计器的形态感知自适应控制器，以说明参数变化和最小值轨迹计划器，以在切换时实现稳定的飞行。态度跟踪的稳定性分析是通过采用开关系统理论和仿真结果来验证了拟议的框架，该框架是通过通道通过通道的可折叠四极管飞行的框架。
translated by 谷歌翻译
寻找两人差异游戏的NASH平衡政策需要解决汉密尔顿 - 雅各布-ISAACS PDES。最近的研究通过采用自我监督（物理知识的）神经网络作为通用价值近似值，在解决这种PDE方面的诅咒方面取得了成功。本文从具有连续值的零和零游戏上的SOTA延伸到具有不连续值的通用游戏，其中不连续性是由玩家的损失引起的。我们表明，由于缺乏对不连续损失的融合证明和概括分析，现有的自我监督学习技术未能概括并引起自动驾驶应用程序中的安全问题。我们的解决方案是首先先预先培训纳什平衡的价值网络，然后通过最大程度地减少将监督数据与PDE和边界条件相结合的损失来对其进行完善。重要的是，提出的学习方法的证明优势针对纯监督和自我监督的方法需要仔细选择神经激活功能：在$ \ texttt {relu} $中} $，我们表明$ \ texttt {tanh} $是实现最佳概括和安全性能的唯一选择。我们的猜想是$ \ texttt {tanh} $（类似于$ \ texttt {sin} $）允许价值连续性及其梯度，这足以满足学习的收敛性，同时也足够表达（类似于$ \ texttt {relu} $）以近似值的价值景观。最后，我们将我们的方法应用于近似控制策略的不完整信息相互作用，并证明了其对安全相互作用的贡献。
translated by 谷歌翻译
由于多源信息集成的能力，多视图聚类吸引了很多关注。尽管在过去几十年中已经提出了许多高级方法，但其中大多数通常忽略了弱监督信息的重要性，并且无法保留多种视图的特征属性，从而导致聚类性能不令人满意。为了解决这些问题，在本文中，我们提出了一种新颖的深度观看半监督聚类（DMSC）方法，该方法在网络填充过程中共同优化了三种损失，包括多视图集群损失，半监督的成对约束损失损失和多个自动编码器重建损失。具体而言，基于KL差异的多视图聚类损失被施加在多视图数据的共同表示上，以同时执行异质特征优化，多视图加权和聚类预测。然后，我们通过创新建议将成对约束集成到多视图聚类的过程中，通过执行所学到的必须链接样本的多视图表示（不能链接样本）是相似的（不同的），以便形成的聚类结构可以可以更可信。此外，与现有的竞争对手不同，该竞争对手仅保留网络填充期间每个异质分支的编码器，我们进一步建议调整完整的自动编码器框架，其中包含编码器和解码器。通过这种方式，可以缓解特定视图和视图共享特征空间的严重腐败问题，从而使整个培训程序更加稳定。通过在八个流行图像数据集上进行的全面实验，我们证明了我们提出的方法的性能要比最先进的多视图和单视竞争对手更好。
translated by 谷歌翻译
冠状动脉造影是诊断冠状动脉疾病（CAD）的“黄金标准”。目前，检测和评估冠状动脉狭窄的方法不能满足临床需求，例如，在临床实践中是必要的预先检测狭窄的先前研究。提出了两种血管狭窄检测方法来协助诊断。第一个是一种自动方法，可以自动提取整个冠状动脉树并标记所有可能的狭窄。第二个是一个交互式方法。通过这种方法，用户可以选择任何船只分段，以进一步分析其狭窄。实验表明，该方法对于具有各种血管结构的血管造影是鲁棒的。自动狭窄检测方法的精度，灵敏度和$ F_1 $得分分别为0.821,0.757和0.788。进一步的调查证明，交互方法可以提供更精确的狭窄检测结果，我们的定量分析更接近现实。所提出的自动方法和交互方法是有效的，可以在临床实践中相互补充。第一方法可用于初步筛选，第二种方法可用于进一步定量分析。我们认为，所提出的解决方案更适合CAD的临床诊断。
translated by 谷歌翻译
本文调查了从紧凑型代表和存储训练参数的角度来看深神经网络（DNN）压缩。我们探讨了用于DNN参数的跨层架构 - 不可知表示共享的先前被忽视的机会。为此，我们从DNN架构中解耦了前馈参数并利用添加量量化，用于图像描述符的极端损耗压缩方法，以紧凑地表示参数。然后，在任务目标上是Fineetune的，以提高任务准确性。我们对MobileNet-V2，VGG-11，Reset-50进行了广泛的实验，具有用于分类，检测和分割任务的修剪培训的Pruned DNN。概念上简单的方案始终如一地优于迭代非结构化修剪。在ILSVRC12分类挑战上以76.1％的高精度应用于Reset-50，它实现了7.2美元的价格，没有准确性损失和15.3美元的准确度。进一步的分析表明，在网络层中可能经常发生表示共享，并且整个DNN的学习共享表示可以以与多个单独的部分压缩模型相同的压缩比以相同的压缩比实现更好的精度。我们释放Pytorch码以促进资源受限设备上的DNN部署，并对DNN参数的有效表示和存储的未来研究。
translated by 谷歌翻译
本文认为增量少量学习，这需要一个模型，不断识别新类别，只有一些例子。我们的研究表明，现有方法严重遭受灾难性的遗忘，是一个增量学习中的一个众所周知的问题，这是由于少量拍摄设置中的数据稀缺和不平衡而加剧。我们的分析进一步表明，为了防止灾难性的遗忘，需要在原始阶段采取行动 - 基础类别的培训而不是稍后的几秒钟学习会议。因此，我们建议寻找基本训练目标函数的扁平本地最小值，然后在新任务中微调平面区域内的模型参数。通过这种方式，模型可以在保留旧的时有效地学习新类。综合实验结果表明，我们的方法优于所有现有最先进的方法，并且非常接近近似上限。源代码可在https://github.com/moukamisama/f2m上获得。
translated by 谷歌翻译
对比学习在各种自我监督的学习任务中取得了最先进的表现，甚至优于其监督的对应物。尽管其经验成功，但对为什么对比学习作品的理论认识仍然有限。在本文中，（i）我们证明，对比学习胜过AutoEncoder，一种经典无监督的学习方法，适用于特征恢复和下游任务;（ii）我们还说明标记数据在监督对比度学习中的作用。这为最近的发现提供了理论支持，即对标签对比学习的结果提高了域名下游任务中学识表的表现，但它可能会损害转移学习的性能。我们通过数值实验验证了我们的理论。
translated by 谷歌翻译
冠状动脉造影是诊断冠状动脉疾病（CAD）的“黄金标准”。目前，检测和评估冠状动脉狭窄的方法不能满足临床需求，例如，在临床实践中是必要的预先检测狭窄的先前研究。提出了两种血管狭窄检测方法来协助诊断。第一个是一种自动方法，可以自动提取整个冠状动脉树并标记所有可能的狭窄。第二个是一个交互式方法。通过这种方法，用户可以选择任何船只分段，以进一步分析其狭窄。实验表明，该方法对于具有各种血管结构的血管造影是鲁棒的。自动狭窄检测方法的精度，灵敏度和$ F_1 $得分分别为0.821,0.757和0.788。进一步的调查证明，交互方法可以提供更精确的狭窄检测结果，我们的定量分析更接近现实。所提出的自动方法和交互方法是有效的，可以在临床实践中相互补充。第一方法可用于初步筛选，第二种方法可用于进一步定量分析。我们认为，所提出的解决方案更适合CAD的临床诊断。
translated by 谷歌翻译
在因果推理和强盗文献中，基于观察数据的线性功能估算线性功能的问题是规范的。我们分析了首先估计治疗效果函数的广泛的两阶段程序，然后使用该数量来估计线性功能。我们证明了此类过程的均方误差上的非反应性上限：这些边界表明，为了获得非反应性最佳程序，应在特定加权$ l^2 $中最大程度地估算治疗效果的误差。 -规范。我们根据该加权规范的约束回归分析了两阶段的程序，并通过匹配非轴突局部局部最小值下限，在有限样品中建立了实例依赖性最优性。这些结果表明，除了取决于渐近效率方差之外，最佳的非质子风险除了取决于样本量支持的最富有函数类别的真实结果函数与其近似类别之间的加权规范距离。
translated by 谷歌翻译
2022-09-19
尽管过度参数化的模型已经在许多机器学习任务上表现出成功，但与培训不同的测试分布的准确性可能会下降。这种准确性下降仍然限制了在野外应用机器学习的限制。同时，重要的加权是一种处理分配转移的传统技术，已被证明在经验和理论上对过度参数化模型的影响较小甚至没有影响。在本文中，我们提出了重要的回火来改善决策界限，并为过度参数化模型取得更好的结果。从理论上讲，我们证明在标签移位和虚假相关设置下，组温度的选择可能不同。同时，我们还证明正确选择的温度可以解脱出少数群体崩溃的分类不平衡。从经验上讲，我们使用重要性回火来实现最严重的小组分类任务的最新结果。
translated by 谷歌翻译