ゼファーネットのロゴ

あなたがまだ知らなかったなら

日付:

ランダム化ブロック立方ニュートン(RBCN) グーグル


1つの凸関数の合計を最小化する問題を研究します。高次元の設定で、微分可能、1階微分可能、滑らかでない項です。 この効果のために、ランダム化されたブロック1次ニュートン(RBCN)法を提案および分析します。これは、各反復で、XNUMXつのコンポーネントの自然モデルの合計として形成される目的関数のモデルを構築します。微分可能項、XNUMX回微分可能項のXNUMX次正則化器を含むXNUMX次モデル、非平滑項の完全(近位)モデル。 各反復でのメソッドは、検索変数のブロックのランダムなサブセットに対してモデルを最小化します。 RBCNはこれらのプロパティを備えた最初のアルゴリズムであり、いくつかの既存の方法を一般化し、すべての特殊なケースで最もよく知られている境界に一致します。 $ {cal O}(XNUMX / epsilon)$、$ {cal O}(XNUMX / sqrt {epsilon})$、および$ {cal O}(log(XNUMX / epsilon))$のレートは、コンポーネントのさまざまな仮定の下で確立します関数。 最後に、この方法が、立方的に正則化された最小二乗、制約付きロジスティック回帰、ポアソン回帰など、さまざまな機械学習の問題に対して最新の方法よりも優れていることを数値で示します。 …

ガウシアンプロセスの潜在的変数アライメント学習 グーグル


高次元データ間のアライメントを教師なしで自動的に学習できるモデルを提示します。 適切な配置を定義するにはさまざまな方法があるため、配置の学習は制約の厳しい問題です。 私たちの提案する方法は、アライメントとデータの両方が同時にモデル化されるフレームワークでアライメント学習をキャストします。 ノンパラメトリック事前分布に基づいて構築された確率論的モデルを導き出し、柔軟なワープを可能にすると同時に、解釈可能な制約を指定する手段を提供します。 さまざまなモーションキャプチャシーケンスを含むいくつかのデータセットの結果を示し、提案されたモデルが、位置合わせタスクに対する従来のアルゴリズムアプローチよりも優れていることを示します。 …

マルチモーダルディープネットワークエンベディング(MDNE) グーグル


ネットワーク埋め込みは、ノードの機能を維持しながら、ネットワーク内のノードの低次元表現を学習するプロセスです。 既存の研究では、ネットワーク構造情報のみを活用し、構造的特徴の維持に焦点を当てています。 ただし、実際のネットワークのノードは、多くの場合、追加のセマンティック情報を提供する豊富な属性セットを持っています。 ネットワーク分析タスクでは、構造的機能と属性機能の両方が重要であることが実証されています。 両方の機能を保持するために、構造と属性情報を統合してネットワーク埋め込みを実行する問題を調査し、マルチモーダルディープネットワーク埋め込み(MDNE)メソッドを提案します。 MDNEは、非線形関数の複数の層で構成されるディープモデルを使用して、非線形ネットワーク構造と、構造および属性間の複雑な相互作用をキャプチャします。 構造と属性はXNUMXつの異なるタイプの情報であるため、マルチモーダル学習方法を採用してそれらを前処理し、モデルがノード構造と属性情報の間の相関をより適切に捕捉できるようにします。 損失関数で構造的近接性と属性近接性の両方を使用してそれぞれの特徴を保存し、損失関数を最小化することで表現を取得します。 XNUMXつの実世界のデータセットに対する広範な実験の結果は、提案された方法がさまざまなタスクのベースラインよりも大幅に優れていることを示しています。 …

スケール適応型ニューラルデンス機能(SAND機能) グーグル


コンピュータとインテリジェントエージェントは、周囲の世界をどのように見ていますか? 特徴の抽出と表現は、この質問に答えるための基本的な構成要素のXNUMXつです。 伝統的に、これはHOG、SIFT、ORBなどの慎重に設計された手作り技術で行われていました。 ただし、すべての要件を満たす「XNUMXつのサイズですべてに対応する」アプローチはありません。 近年、ディープラーニングの人気の高まりにより、多くのコンピュータビジョンの問題に対する無数のエンドツーエンドのソリューションがもたらされました。 これらのアプローチは成功しますが、スケーラビリティに欠ける傾向があり、他のシステムによって学習された情報を簡単に活用することはできません。 代わりに、階層的なコンテキスト情報を提供できる機能抽出のための専用の深層学習ソリューションであるSAND機能を提案します。 これは、画像の場所間の類似性/非類似性の関係を示す疎な相対ラベルを使用することで実現されます。 これらのラベルの性質により、ほぼ無限の異なる例のセットから選択できます。 トレーニング中にネガティブサンプルの選択を使用して、特徴空間を変更し、その特性を変化させる方法を示します。 このアプローチの一般性を示すために、提案された機能をさまざまなプロパティを必要とする多数のタスクに適用します。 これには、視差の推定、セマンティックセグメンテーション、自己位置確認、SLAMが含まれます。 すべての場合において、SAND機能を組み込むと、ベースラインと比較してより良いまたは同等の結果が得られる一方で、追加のトレーニングはほとんどまたはまったく必要ありません。 コードは次の場所にあります。 https://…/SAND_features ...

出典:https://analytixon.com/2020/09/17/if-you-did-not-already-know-1188/

スポット画像

最新のインテリジェンス

スポット画像