لمساعدتك على تعلم أفضل الشباب البحوث والمتطورة الأكاديمية التكنولوجيا واستعراض التكنولوجيا AI رقة مشتركة Yanxishe (paper.yanxishe.com)، ثقيلة أطلقت اليوم [الورق] جزء، كل يوم لاختيارك الذكاء الاصطناعي المتطورة الأوراق بالنسبة لك لمعرفة المرجعية. وفيما يلي مجموعة مختارة من المحتوى اليوم -

دليل

• التعلم الذاتي الروبوت باستخدام الشبكات العصبية في الوقت الحقيقي

• الإنقسام الدلالي قوي المناطق ورم في المخ من 3D الرنين المغناطيسي

• استنتاج دقتها التلافيف الشبكات العصبية "من الأوصاف المعمارية الخاصة بهم

• الهرمية التسليح التعلم نموذجا من التداخل المهمة الإنسان

• A الهجين تمويه عملية مقاربة لقوي النموذج الاقتصادي تحكم التنبؤية

• يعزى متعدد العلائقية الاهتمام شبكة للتدقيق الحقائق URL توصية

• البدائيون هيكل البيانات >

  HandAugment: A تكبير بيانات بسيط لHANDS19 تحدي المهمة 1 - العمق القائم 3D اليد بوز تقدير

• من 'F' إلى 'A' >

  معلومات نظري نموذج تنبؤي Q-التعلم

في الوقت الحقيقي باستخدام الشبكة العصبية الروبوت التعلم الذاتي

عنوان ورقة: النفس الروبوت التعلم باستخدام الشبكات العصبية في الوقت الحقيقي

الكاتب: غوبتا جيراق / نانجيا Chikita / كومار شتن

تاريخ النشر: 2020/01/06

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8314؟from=leiphonecolumn_paperreview0108

أوصت السبب: مع تطبيق كبيرة الحجم وجذبت منخفضة الدقة الحوسبة تطوير التكنولوجيا من جهاز المخابرات والاستدلال المعرفية الاصطناعي عن طريق الشبكة العصبية مع آلة الزمن الحقيقي تعلم حلول التعليم اهتماما كبيرا من الأوساط البحثية والصناعة ككل .

وتتعلق هذه المادة إلى البحث والتطوير والتحليل التجريبي للشبكة العصبية، والشبكة العصبية على ذراع الروبوت مع التنفيذ، يمكننا أن نتعلم خط مستقيم من خلال تطور الروبوت أو المشي إذا لزم الأمر. الشبكات العصبية باستخدام خوارزمية أصل التدرج والتعلم نشر الخلفي. تنفيذ وتدريب الشبكة العصبية موجودة في الروبوت على 3 التوت بي بي على الانتهاء المحلي، وبالتالي فإن عملية التعلم هي مستقلة تماما. وضعت مخصص لأول مرة في MATLAB على محاكاة الشبكة العصبية للاختبار، ومن ثم يتم تنفيذها على جهاز كمبيوتر بي توت العليق. كل جيل من شبكات تخزين البيانات تتطور فيه، وتحليل البيانات الرياضية والرسوم البيانية. تأثير معدل التعلم ودرجة التسامح مع الخطأ والعوامل الأخرى على عملية التعلم والناتج النهائي.

أورام المخ من منطقة تقسيم الدلالات القوية من MRI 3D

أطروحة العنوان: تجزئة الدلالي القوي المناطق ورم في المخ من 3D الرنين المغناطيسي

الكاتب: Myronenko اندريه / Hatamizadeh علي

تاريخ النشر: 2020/01/06

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8316؟from=leiphonecolumn_paperreview0108

وأوصت سبب: متعدد الأوضاع تجزئة التحدي ورم في المخ (صعاليك) سيجمع الباحثين وطريقة تلقائية لتحسين 3D MRI ورم في المخ تجزئة. تجزئة هو واحد من تشخيص الأمراض السرطانية والعلاج الخطط اللازمة لالمهام البصرية الأساسية. بفضل ظهور GPU الحديث، قبل بضع سنوات للفوز يستند الأسلوب على عمق التعلم، يمكن تحسين بسرعة عمق التفاف هندسة الشبكات العصبية.

في هذا العمل، والكتاب استكشاف تجزئة الدلالي لل3D أفضل الممارسات، بما في ذلك التشفير التقليدي - فك الهندسة المعمارية وفقدان تكوين وظيفة، في محاولة لزيادة تحسين دقة تجزئة. قمنا بتقييم طريقة صعاليك 2019 التحدي.

يستدل من المعالم المعمارية دقة التفاف الشبكة العصبية لها

عنوان الرسالة دقتها استنتاج الشبكات العصبية التلافيف "من الأوصاف المعمارية الخاصة بهم

الكاتب: هوانغ D. / هامر J. / بيردو G. N. / الشباب S. R. / ميلر J. / غوش A.

تاريخ النشر: 2020/01/07

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8311؟from=leiphonecolumn_paperreview0108

أوصت السبب: الشبكة العصبية التلافيف (CNN) في تحليل البيانات من العديد من المجالات العلمية (بما في ذلك الجسيمات كشف التصوير) أظهرت وعدا كبيرا. ومع ذلك، فإن التحدي لتطبيق معين ومجموعات البيانات المختلفة لتحديد بنية الشبكة المناسبة (العمق والشكل الأساسي، وتفعيل، وما إلى ذلك) لا تزال غير مفهومة.

في هذه الورقة، حققت الكتاب العلاقة بين هيكل وخصائص نظام سي إن إن عن طريق اقتراح نظام اللغة، واللغة لإجراء مقارنات بين أبنية مختلفة CNN قبل التدريب مفيد. تتميز العمارة CNN من خلال خصائص مختلفة، وإثبات أن هذه الخصائص يمكن التنبؤ بها على أساس المشكلتين محددة أداء الشبكة المادية في رؤية الكمبيوتر - وجدت حدث مينرفا قمة التجارب ومختبر مسرع فيرمي الوطني في هادرون متعددة التصنيف. ولهذه الغاية، انتزعت الكتاب العديد من السمات المعمارية من بنية الشبكة الأمثل لمشاكل جسدية، وتسمى هذه الخصائص نموذج متعدد عقدة التعلم العميق خوارزمية الشبكة العصبية لتحديد الإخراج (MENNDL) من. الكاتب التنبؤ ما إذا كانت الشبكة يمكن أن يكون أفضل من التدريب تشغيل قبل دقة عتبة باستخدام نماذج تعلم الآلة.

مقارنة مع التخمين العشوائي، نموذج أداء أفضل تأثير 16-20. وبالإضافة إلى ذلك، وجد الباحثون أن دقة عودة عدد كبير من نموذج شبكة العاديين أقل معامل الساحات تقرير هي 0.966.

تعزيز التعلم المهمة كما متشابكة البشر نموذج

عنوان الرسالة الهرمي التسليح التعلم نموذجا من التداخل المهمة الإنسان

الكاتب: جيبهاردت كريستوف / Oulasvirta انتي / Hilliges أوتمار

تاريخ النشر: 2020/01/04

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8313؟from=leiphonecolumn_paperreview0108

أوصت السبب: كيف يقرر الناس متى مهمة أن يكون، وعندما لتبديل وأداء مهمة أخرى؟ فهم ومهمة دعم آلية التداخل هو هدف طويل الأجل من العلوم المعرفية. واقترحت العمل السابق الاستدلال وسياسات الجشع لتحقيق أقصى معدل هامشي العودة. ومع ذلك، فإنه ليس من الواضح كيف تكيفت هذه الاستراتيجية إلى توفير مجموعة متنوعة من المهام، وتكاليف التحول غالية الثمن وتأخير عودة للبيئة اليومية.

هنا، وضعت الكتاب نموذج هرمي من تعزيز التعلم (RL) مدفوعة الإشراف مراقبة. ، وتحسب المهام المستوى التنفيذي محددة لتقدير تقريبي لفعالية التعلم التبديل هذه التقديرات على مستوى أدنى. حتى في ظل الظروف لها مهام متعددة وهيكل الأجور وأية تكاليف وغير مؤكد، فإنه يمكن أن تتحلل إلى التعلم من التجربة وظيفة قيمة الأمثل الطبقية. نموذج يستنسخ تأثير التداخل مهمة خبرة معروفة. مشاكل مع المهام ستة (N = 211) مقابل قصر النظر خط الأساس، والتي يمكن التنبؤ بشكل أفضل البيانات الشخصية. وتدعم نتائج RL الهرمي نموذجا معقولا لالتداخل المهمة.

مختلطة نهج عملية جاوس للسيطرة قوية التنبؤية النموذج الاقتصادي

أطروحة العنوان: الهجين جاوس عملية مقاربة لقوي النموذج الاقتصادي تحكم التنبؤية

الكاتب: رستم محمد رضا / Nagamune Ryozo / Grebenyuk فلاديمير

تاريخ النشر: 2020/01/07

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8308؟from=leiphonecolumn_paperreview0108

أوصت السبب: للحد من المحافظة على وحدة تحكم، وهذا يعرض ورقة أسلوب مختلط عملية جاوس (GP) للسيطرة قوية النموذج الاقتصادي التنبؤية في الاضطرابات مستقبل مجهول. GP الاختلاط واقترح طريقتين يعرف الجمع، أي العنصر الأساسي والانحدار غير الخطية. وبعد تحليل نتائج التنبؤ، وذلك باستخدام آلية تبديل لاختيار واحد من هذه الأساليب للتنبؤ التدخل. تم تصميم GP الهجين ليتم الكشف عن التدخل باستخدام نموذج قياس الماضي، ولكن أيضا الكشف عن سلوك غير متوقع من التدخل غير معروف.

GP في خلط أيضا يستخدم مفهوم رواية نسيان عامل، يمكن أن الوزن الأكبر سنا يقلل من الوزن يقاس، حيث القيم التدخل على أساس الأخيرة على تحسين دقة التنبؤ. } الكشف عن المعلومات التدخل للحد من عدم التيقن من التنبؤ. النموذج الاقتصادي تحكم التنبؤي. وتبين نتائج المحاكاة أن، بالمقارنة مع الطرق الأخرى القائمة GP، في الحالة التي يكون فيها اضطراب لديه نمط محدد، التي يمكن أن تحسن الأداء الاقتصادي الكلي للتحكم التنبؤي نموذج.

واقع تحقق URL أوصى سمات والمزيد من الاهتمام للعلاقة بين الشبكة

عنوان الاطروحة: ينسب متعدد العلائقية الاهتمام شبكة للتدقيق الحقائق URL توصية

الكاتب: لدي / فو نجوين / لي Kyumin / ليو تشيانغ

تاريخ النشر: 2020/01/07

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8309؟from=leiphonecolumn_paperreview0108

أوصت السبب: من أجل القتال وهمية الأخبار، وقد ركز الباحثون بشكل رئيسي على اكتشاف أخبار كاذبة، والصحفيين هو إنشاء والحفاظ على الموقع فحص الواقع (على سبيل المثال، URL هذا (https://www.snopes.com/) وURL هذا ( https://www.politifact.com/)). ومع ذلك، من خلال وسائل الاعلام الاجتماعية المواقع وساهمت إلى حد كبير في انتشار أخبار كاذبة، والتحقق من الموقع وهذه الحقائق لم يتم الاستفادة منها بالكامل.

للتغلب على هذه المشاكل وتكمل الأساليب القائمة تزييف الأخبار، نقترح نظام المزكي URL-فحص الواقع على عمق التعلم، من أجل التخفيف من آثار مثل هذه الأخبار وهمية على تويتر والفيسبوك وغيرها من مواقع وسائل الاعلام الاجتماعية. على وجه الخصوص، الإطار المقترح من قبل المؤلفين ملاحظة أن العلاقة بين وحدة متعددة وشبكة متجانسة من الاهتمام الشكل لتعلم URL للمستخدم، المستخدم من مجمع بين المستخدم وURL إلى URL / العلاقات الدلالية. تظهر هناك عدد كبير من التجارب التي أجريت على مجموعات بيانات حقيقية هذا الإطار المقترح لدينا من أوصى ثمانية أحدث طراز، وزيادة بنسبة لا تقل عن 3 ~ 5.3.

استمرار هياكل البيانات الذاكرة البدائيون: تقييم

عنوان الاطروحة: البدائيون هيكل البيانات > الكاتب: Gtze فيليب / Tharanatha أرون كومار / ساتلر كاي أوي

تاريخ النشر: 2020/01/07

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8310؟from=leiphonecolumn_paperreview0108

أوصت السبب: الذاكرة الدائمة (PM)، على سبيل المثال، كانت إنتل Optane تكنولوجيا الذاكرة DC-المتقلبة متوفر يمثل واعدة للغاية حلول الذاكرة الجيل التالي التي يكون لها تأثير كبير على بنية قاعدة البيانات. تم عرض هذه التكنولوجيا الجديدة اقترح عدة هياكل البيانات وممتلكاتهم. ولكن، أساسا للتو وتقييم السلامة الهيكلية، لتغطية تأثير الأفكار الشخصية وPM الميزات.

لذلك، في هذه المادة ونحن سوف تنهار البنية صفها حتى الآن، وتحديد الأوليات تصميمها الأساسية، وإسناد ذلك إلى أهداف التصميم المناسبة المتعلقة PM. النتائج الكاملة من التجارب على الأجهزة PM الحقيقي، والكتاب تكشف المقايضات البدائية على المستوى المجهري. وفقا لذلك، والميزات المحددة يمكن أن تستمد الشخصية الأداء. مع هؤلاء، فمن الممكن أن تحدد بدقة تجسيد فضل منه ونقاط الضعف. بالإضافة إلى الرأي العام من القائم PM تصميم هيكل البيانات، وجد المؤلفون أيضا لم تعتبر مجموعة واعدة جديدة في الأدب حتى الآن.

HandAugment: بيانات واحد بسيط HANDS19 نوع تحدي مهمة ل1- لتقدير عمق طريقة 3D تعزيز بادرة على أساس

عنوان الاطروحة: HandAugment: A بسيط بيانات تكبير للHANDS19 تحدي المهمة 1 - العمق القائم 3D اليد بوز تقدير

الكاتب: تشانغ تشاو هوى / شيه Shipeng / تشن Mingxiu / تشو Haichao

تاريخ النشر: 2020/01/03

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8175؟from=leiphonecolumn_paperreview0108

أوصت السبب: هذه الورقة هي النظر في عمق الصور 3D المتوقع المشكلة لفتة.

تقدم هذه الورقة طريقة بسيطة لتعزيز HandAugment البيانات، تعلم الشبكات العصبية يضم مرحلتين: مرحلة أولى من استخراج وضع تكرارية كتلة صورة جهة، والموقف الأولية خريطة عمق يقدر من جهة، FIG تصفية الضوضاء كتلة (على سبيل المثال، خلفية والذراع). تم استخراج مع لفتة كتلة التهيئة جهة يتم استبدال في المرحلة الثانية من الشبكة العصبية للحصول على حركة اليد النهائية.

هذه الاستراتيجية على مرحلتين يعزز كثيرا من دقة التعرف على الإيماءات وHANDS19 تحدي مهمة 1- حصل على المركز الأول على أساس عمق مجال 3D مسابقة التعرف على الإيماءات.

نيويورك الحكام امتحان العلوم من "F" إلى "A": أرسطو محة عامة عن المشروع

عنوان الاطروحة: من 'F' إلى 'A' > الكاتب: كلارك بيتر / إتزيوني أورن / خشابي دانيال / خوت توشار / ميشرا بهافانا Dalvi / ريتشاردسون كايل / سابهاروال أشيش / Schoenick كاريسا ...

تاريخ النشر: 2019/09/04

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/7846؟from=leiphonecolumn_paperreview0108

أوصت السبب: تلقت منظمة العفو الدولية إتقان الاستثنائي في لعبة الشطرنج، لعبة الداما لعبة البوكر، وحتى "خطير" وغيرها من الألعاب، ولكن مجموعة متنوعة من الاختبارات موحدة لا يزال يشكل تحديا كبيرا. حتى في عام 2016، بلغ أفضل نظام AI في الصف 8TH التحديات امتحان العلوم فقط 59.3.

هذه الورقة تقارير النجاح غير المسبوق الذي تحقق في نيويورك، وسجل 8th الصف الحكام العلم الامتحان، والنظام للمرة الأولى على غير الرسم البياني للامتحان اختيار من متعدد (NDMC) أكثر من 90 من المشكلة. وبالإضافة إلى ذلك، استنادا إلى نموذج ناجح للغة الأخيرة، لدينا نظام أرسطو على الصف 12 أسئلة امتحان العلوم المقابلة NDMC أكثر من 83. مما أدى إلى مشكلة نتائج الاختبار الغيب في مختلف المتغيرات من اختبارات مختلفة هذا العام، واختبار يمكن الاعتماد عليها. أثبتوا أن الأساليب الحديثة في البرمجة اللغوية العصبية بارعا في هذه المهمة. وإن لم يكن الأسئلة المعتادة حلا كاملا (سؤال متعدد الخيارات، وحقل يقتصر على العلوم 8 درجة)، ولكن لأنها تمثل معلما هاما في هذا المجال.

معلومات النماذج النظرية تتنبأ التعلم Q

عنوان ورقة: معلومات نظري نموذج تنبؤي Q-التعلم

الكاتب: بهاردواج Mohak / هاندا أنكور / فوكس ديتر / أحذية بايرون

تاريخ النشر: 2019/12/31

أوراق تحتوي على وصلة: https://paper.yanxishe.com/review/8312؟from=leiphonecolumn_paperreview0108

أوصت السبب: عندما يمكن جمع بثمن بخس تجربة، لا تعلم نموذج التعزيز (RL) خوارزمية يمكن أن تحل مشاكل صنع القرار متسلسلة، وعندما النمذجة بدقة ديناميات النظام، على أساس نموذج RL فعالة. ومع ذلك، قد يكون كل من الافتراضات مخالف لمشاكل العالم الحقيقي مثل تكنولوجيا الروبوت الطبقة، في هذه الحالة، قد تكون تكلفة نظام الاستعلام مرتفعة جدا، وديناميات العالم الحقيقي قد لا تكون على غرار بدقة. على الرغم من أن محاكاة لطريقة الحقيقي (مثل التوزيع العشوائي المجال) في محاولة للتخفيف من تأثير محاكاة منحازة، لكنها لا تزال تعاني تحديات الأمثل (مثل الدنيا المحلية والتوزيع العشوائي للتصميم اليدوي)، مما يجعل من الصعب معرفة القيمة الدقيقة للوظيفة العالمية أو نقلها مباشرة إلى السياسة في العالم الحقيقي.

وعلى النقيض من RL، نموذج التحكم التنبؤية (MPC) خوارزمية لتحقيق الاستخدام الأمثل للأجهزة محاكاة بسيطة الطبقة استراتيجية على الانترنت، من أجل بناء وحدة تحكم الحلقة المغلقة يمكن فعال الاستجابة للتغيرات ديناميكية في العالم الحقيقي. MPC عادة محدودة بسبب عوامل الأداء والنموذج الأمثل والتحيز محدودة النطاق.

في هذا العمل، اقترح المؤلفان نظرية المعلومات MPC والكون كونه نظرية جديدة للعلاقة بين RL وتطوير Q-تعلم خوارزمية يمكن الاستفادة من الانحراف للنموذج. علينا التحقق من الخوارزمية المقترحة على مهام السيطرة سيم سيم إلى أن يثبت التحكم الأمثل وتحسين الصفر تعزيز التعلم. نهجنا يمهد الطريق بشكل منتظم لنشر خوارزمية تعزيز التعلم على الروبوت الحقيقي.

شبكة شبكة شبكة لى فنغ لى فنغ لى فنغ