计划一个假期通常需要一个假期:研究和缝合在一起的完美的行程和旅行计划可以让人筋疲力尽。雷竞技是骗人的这就是为什么我们都渴望与超级至少当你到达你的目的地…
Hotels.com是简单、快速和安全的方法书你完美的酒店。
工程博客文章雷竞技到底好不好用
雷竞技是骗人的研究论文
物理可实现激光雷达目标检测的对抗性的例子
j .你M。任,S。马nivasagam, B. Yang, M. Liang, R. Du, F.Cheng,r . Urtasun
现代自主驾驶系统严重依赖深度学习模型来处理点云的感官数据;同时,深模型已被证明是容易受到敌对的攻击与视觉感知的扰动。尽管这对无人驾驶行业构成了安全问题,很少有探索的3 d知觉,因为大多数对手的攻击只应用于二维平面图像。[…][PDF]
计算机视觉和模式识别(CVPR),2017
现代自主驾驶系统严重依赖深度学习模型来处理点云的感官数据;同时,深模型已被证明是容易受到敌对的攻击与视觉感知的扰动。尽管这对无人驾驶行业构成了安全问题,很少有探索的3 d知觉,因为大多数对手的攻击只应用于二维平面图像。[…][PDF]
计算机视觉和模式识别(CVPR),2017
一阶预处理通过Hypergradient后裔
t·莫斯科维茨r .王,j .局域网,美国卡普尔,t . Miconi,j . Yosinski,答:拉瓦尔大声回答
标准梯度下降方法易受一系列问题阻碍培训,如高相关性和不同的缩放参数空间。这些困难可以解决二阶方法应用举个矩阵梯度提高收敛。不幸的是,这种算法一般很难扩展到高维问题,部分原因是特定的计算预调节器等逆黑森或Fisher信息矩阵是非常昂贵的。我们引入一阶预处理(FOP),一个快速、可扩展的方法,概括了以前的工作在hypergradient血统(阿尔梅达et al ., 1998;麦克劳林et al ., 2015;Baydin投资et al ., 2017)学习预处理矩阵,只利用一阶信息。[…][PDF]
神经信息处理系统(会议上NeurlPS),2019
标准梯度下降方法易受一系列问题阻碍培训,如高相关性和不同的缩放参数空间。这些困难可以解决二阶方法应用举个矩阵梯度提高收敛。不幸的是,这种算法一般很难扩展到高维问题,部分原因是特定的计算预调节器等逆黑森或Fisher信息矩阵是非常昂贵的。我们引入一阶预处理(FOP),一个快速、可扩展的方法,概括了以前的工作在hypergradient血统(阿尔梅达et al ., 1998;麦克劳林et al ., 2015;Baydin投资et al ., 2017)学习预处理矩阵,只利用一阶信息。[…][PDF]
神经信息处理系统(会议上NeurlPS),2019
估计问(s, s)与深度确定性动态梯度
答:爱德华兹Himanshu萨尼,r·刘,j .挂,a . Jain,r .王,答:Ecoffet,t . Miconi,的时候,j . Yosinski
在这篇文章中,我们介绍一种新颖的价值函数,问(s, s′),表达的实用程序从一个状态过渡到相邻状态年代′然后最优行为。为了获得最优的政策,我们开发一个正向动力学模型,学会做出下一个状态预测,这个值最大化。[…][PDF]
机器学习(国际会议上ICML),2020
在这篇文章中,我们介绍一种新颖的价值函数,问(s, s′),表达的实用程序从一个状态过渡到相邻状态年代′然后最优行为。为了获得最优的政策,我们开发一个正向动力学模型,学会做出下一个状态预测,这个值最大化。[…][PDF]
机器学习(国际会议上ICML),2020
即插即用语言模型:一个简单的方法来控制文本的一代
s . Dathathri a . Madottoj .局域网,j .挂,e·弗兰克,p . Molino,j . Yosinski,r·刘
比起大的基于变压器语言模型(LMs)训练在巨大的文本语料显示无与伦比的生成功能。然而,控制属性生成的语言(如转换话题或情绪)是很困难的,无需修改模型架构或微调把具体数据,这就增加了培训的重要成本。我们提出一个简单的选择:即插即用语言模型(PPLM)可控语言生成,它结合了pretrained LM与一个或多个简单的属性分类,指导文本生成没有任何LM的进一步培训。[PDF]
学习表示(国际会议上ICLR),2020
比起大的基于变压器语言模型(LMs)训练在巨大的文本语料显示无与伦比的生成功能。然而,控制属性生成的语言(如转换话题或情绪)是很困难的,无需修改模型架构或微调把具体数据,这就增加了培训的重要成本。我们提出一个简单的选择:即插即用语言模型(PPLM)可控语言生成,它结合了pretrained LM与一个或多个简单的属性分类,指导文本生成没有任何LM的进一步培训。[PDF]
学习表示(国际会议上ICLR),2020
联合使用图形交互和自动驾驶的轨迹预测神经网络
d·李,y顾,j .黄平君,m . Marchetti-Bowick
使用弱意图标签可以更好地预测互动和由此产生的轨迹。我们使用GNN模型的交互。[PDF]
神经信息处理系统(会议上NeurIPS),2019
使用弱意图标签可以更好地预测互动和由此产生的轨迹。我们使用GNN模型的交互。[PDF]
神经信息处理系统(会议上NeurIPS),2019
高效的图形生成与图形反复关注网络
r·廖李y, y的歌,美国王c·纳什,w·l·汉密尔顿。Duvenaud,r . UrtasunR.S.泽梅尔
我们提出一个新的家庭的高效和富有表现力的生成模型图,称为图反复关注网络(谷物)。标准基准测试,我们的模型生成图表比较与先前的最先进的,质量和至少一个数量级速度更快。[PDF]
神经信息处理系统(会议上NeurIPS),2019
我们提出一个新的家庭的高效和富有表现力的生成模型图,称为图反复关注网络(谷物)。标准基准测试,我们的模型生成图表比较与先前的最先进的,质量和至少一个数量级速度更快。[PDF]
神经信息处理系统(会议上NeurIPS),2019
斯威夫特协议的优化
r . Barikm .曾经,m·k·拉马纳坦,m . Chabbi
迅速,一个日益流行的编程语言,提倡使用的协议,它定义一组为符合类型所需的方法和属性。协议通常用于快速程序的实现细节无关的抽象;例如,从超级大型工业应用,它们严重,使模拟对象用于单元测试。不幸的是,大量使用协议可能会导致显著的性能开销。[…][PDF]
面向对象编程、系统语言和应用程序(OOPSLA),2019
迅速,一个日益流行的编程语言,提倡使用的协议,它定义一组为符合类型所需的方法和属性。协议通常用于快速程序的实现细节无关的抽象;例如,从超级大型工业应用,它们严重,使模拟对象用于单元测试。不幸的是,大量使用协议可能会导致显著的性能开销。[…][PDF]
面向对象编程、系统语言和应用程序(OOPSLA),2019
学习深度完成关节2 d-3d表示
y陈,b .杨,m .梁,r . Urtasun
我们设计一个简单但有效的架构,融合信息之间的2 d和3 d表示在不同层次学习完全融合在不同层次联合表示,并展示最先进的结果完成KITTI深度基准。[PDF]
计算机视觉国际会议(ICCV),2019
我们设计一个简单但有效的架构,融合信息之间的2 d和3 d表示在不同层次学习完全融合在不同层次联合表示,并展示最先进的结果完成KITTI深度基准。[PDF]
计算机视觉国际会议(ICCV),2019
DAGMapper:学习地图通过发现巷拓扑
n Homayounfar,观测。马\ *,j .梁\ *,x吴,j .风扇,r . Urtasun
我们复杂的车道拓扑地图在高速公路通过制定问题深度指示图形模型。作为一个有趣的结果,我们在I40可以训练我们的模型,概括在科幻小说看不见的高速公路。[PDF]
计算机视觉国际会议(ICCV),2019
我们复杂的车道拓扑地图在高速公路通过制定问题深度指示图形模型。作为一个有趣的结果,我们在I40可以训练我们的模型,概括在科幻小说看不见的高速公路。[PDF]
计算机视觉国际会议(ICCV),2019
DMM-Net:分段可微Mask-Matching网络视频实例
x曾庆红,r·廖l .顾,y熊美国费德勒,r . Urtasun
我们建议可微mask-matching网络(DMM-Net)求解初始实例的视频分割问题实例的面具。戴维斯2017数据集,DMM-Net达到最佳性能没有在线学习在第一帧和第二最佳。没有任何微调,DMM-Net SegTrack v2数据集上执行相对先进的方法。[PDF]
计算机视觉国际会议(ICCV),2019
我们建议可微mask-matching网络(DMM-Net)求解初始实例的视频分割问题实例的面具。戴维斯2017数据集,DMM-Net达到最佳性能没有在线学习在第一帧和第二最佳。没有任何微调,DMM-Net SegTrack v2数据集上执行相对先进的方法。[PDF]
计算机视觉国际会议(ICCV),2019
哈密顿神经网络
美国不安暴风雪,m . Dzambaj . Yosinski
尽管神经网络享受广泛使用,他们仍然努力学习基本的物理定律。我们赋予他们如何更好的归纳偏见吗?在本文中,我们汲取灵感从哈密顿力学训练模型,学习和尊重的守恒定律在一种无监督的方式。[…][PDF]
会议上的神经信息处理系统(NeurIPS),2019年
尽管神经网络享受广泛使用,他们仍然努力学习基本的物理定律。我们赋予他们如何更好的归纳偏见吗?在本文中,我们汲取灵感从哈密顿力学训练模型,学习和尊重的守恒定律在一种无监督的方式。[…][PDF]
会议上的神经信息处理系统(NeurIPS),2019年
LCA:损失变化分配进行神经网络训练
j .局域网,r·刘,h .周,j . Yosinski
神经网络享受广泛使用,但许多方面的训练,表示和操作是知之甚少。特别是,我们认为在训练过程是有限的,用一个标量损失是最常见的视窗到高维,动态过程。我们提出一个新窗口进入训练称为损失变化分配(LCA),更改网络信贷损失的保守分区的参数。[…][PDF]
会议上的神经信息处理系统(NeurIPS),2019年
神经网络享受广泛使用,但许多方面的训练,表示和操作是知之甚少。特别是,我们认为在训练过程是有限的,用一个标量损失是最常见的视窗到高维,动态过程。我们提出一个新窗口进入训练称为损失变化分配(LCA),更改网络信贷损失的保守分区的参数。[…][PDF]
会议上的神经信息处理系统(NeurIPS),2019年
解构彩票:0、迹象和Supermask
h .周,j .局域网,r·刘,j . Yosinski
光学字符识别(OCR)方法近年来被广泛先进由于深度学习的复兴。最先进的模型主要是训练数据集组成的受限的场景。从实际检测和识别文本图像仍然是一个技术挑战。[…][PDF]
会议上的神经信息处理系统(NeurIPS),2019年
光学字符识别(OCR)方法近年来被广泛先进由于深度学习的复兴。最先进的模型主要是训练数据集组成的受限的场景。从实际检测和识别文本图像仍然是一个技术挑战。[…][PDF]
会议上的神经信息处理系统(NeurIPS),2019年
提升与成本优化建模为多个治疗
z赵,t . Harinen
隆起的建模是一个新兴的机器学习方法来评估治疗的效果在个人或小组的水平。它可以用来优化性能的干预措施,诸如营销活动和产品设计。[…][PDF]
IEEE国际会议数据科学和先进的分析方法(DSAA),2019
隆起的建模是一个新兴的机器学习方法来评估治疗的效果在个人或小组的水平。它可以用来优化性能的干预措施,诸如营销活动和产品设计。[…][PDF]
IEEE国际会议数据科学和先进的分析方法(DSAA),2019
DSIC:深度立体图像压缩
j .刘,美国王,r . Urtasun
我们设计一个新的架构压缩一对立体图像,试图从第一个图像中提取尽可能多的共享信息,以减少第二图像的比特率。我们将演示一个令人印象深刻的减少30 - 50%在第二图像比特率在低比特率。[PDF]
计算机视觉国际会议(ICCV),2019
我们设计一个新的架构压缩一对立体图像,试图从第一个图像中提取尽可能多的共享信息,以减少第二图像的比特率。我们将演示一个令人印象深刻的减少30 - 50%在第二图像比特率在低比特率。[PDF]
计算机视觉国际会议(ICCV),2019
灵活的结构化模型,面向任务的对话
l .蜀,p . Molino,m . Namazifarh·许,刘,h .郑,g .病重
本文提出了一种新颖的面向任务的对话系统的端到端体系结构。它是基于一个简单而sequence-to-sequence实用但是十分有效的方法,在语言理解和状态跟踪任务与结构化copy-augmented联合建模序列译码器和多标记为每个槽解码器。联合建模策略引擎和语言生成任务后。[…][PDF]
2019年
本文提出了一种新颖的面向任务的对话系统的端到端体系结构。它是基于一个简单而sequence-to-sequence实用但是十分有效的方法,在语言理解和状态跟踪任务与结构化copy-augmented联合建模序列译码器和多标记为每个槽解码器。联合建模策略引擎和语言生成任务后。[…][PDF]
2019年
提高用户保留与因果学习
美国杜,j·李,f . Ghaffarizadeh
用户保留是一个重点基于消费者互联网公司和促销的有效杠杆提高保留。然而,公司要么依赖非因果客户流失预测捕捉异质性或常规的A / B测试来获取平均处理效应。在本文中,我们提出一个异构治疗效果优化框架来捕获异质性和因果效应。[…][PDF]
知识发现和数据挖掘(SIGKDD会议知识发现(KDD)),2019
用户保留是一个重点基于消费者互联网公司和促销的有效杠杆提高保留。然而,公司要么依赖非因果客户流失预测捕捉异质性或常规的A / B测试来获取平均处理效应。在本文中,我们提出一个异构治疗效果优化框架来捕获异质性和因果效应。[…][PDF]
知识发现和数据挖掘(SIGKDD会议知识发现(KDD)),2019
可发展性ES:可伸缩和可发展性的直接优化
答:Gajewski,Clune j .,k·o·斯坦利,j·雷曼
设计进化算法能够发现高度可发展的表征是一个开放的挑战;这样可演化性很重要,因为它加速进化,使快速适应不断变化的环境。可进化性,介绍了一种进化算法旨在明确和高效优化的可发展性,即进一步适应的能力。[…][PDF]
遗传与进化计算会议(GECCO),2019
设计进化算法能够发现高度可发展的表征是一个开放的挑战;这样可演化性很重要,因为它加速进化,使快速适应不断变化的环境。可进化性,介绍了一种进化算法旨在明确和高效优化的可发展性,即进一步适应的能力。[…][PDF]
遗传与进化计算会议(GECCO),2019
多智能体对话协作模型通过强化学习培训
答:Papangelis,研究。王,p . Molino,g .病重
同时我们提出第一个完整尝试训练会话的代理沟通只能通过自发的语言。使用DSTC2种子数据,我们训练有素的自然语言理解(NLU)和代(NLG)网络为每个代理,让代理在线互动。[…][PDF]
特殊利益集团在话语和对话SIGDIAL),2019
同时我们提出第一个完整尝试训练会话的代理沟通只能通过自发的语言。使用DSTC2种子数据,我们训练有素的自然语言理解(NLU)和代(NLG)网络为每个代理,让代理在线互动。[…][PDF]
特殊利益集团在话语和对话SIGDIAL),2019
利益相关者研究人员:授权non-雷竞技是骗人的researchers直接与消费者进行互动
玛尔塔桥Fissgus
用户体验研究的趋势进行调查显示,企业和利益相关者价值将越来越多地人类的洞察力,因此,研究变得更为主流,”雷竞技是骗人的组织将继续开发新的工具来民主化实践和适应公司需求(dscout, 2018)。“[…][PDF]
代尔夫特理工大学(荷兰代尔夫特科技),2019
用户体验研究的趋势进行调查显示,企业和利益相关者价值将越来越多地人类的洞察力,因此,研究变得更为主流,”雷竞技是骗人的组织将继续开发新的工具来民主化实践和适应公司需求(dscout, 2018)。“[…][PDF]
代尔夫特理工大学(荷兰代尔夫特科技),2019
LaserNet:一个有效的概率3 d对象探测器自主驾驶
g·p·迈耶,答:Laddha,e·凯,c . Vallespi-Gonzalez,c .惠灵顿
在本文中,我们目前LaserNet,计算有效的方法对3 d对象检测激光雷达数据的自动驾驶。效率的结果处理激光雷达数据在本地范围内的传感器、输入数据的自然紧凑。[…]
[PDF]
计算机视觉和模式识别(CVPR),2019
在本文中,我们目前LaserNet,计算有效的方法对3 d对象检测激光雷达数据的自动驾驶。效率的结果处理激光雷达数据在本地范围内的传感器、输入数据的自然紧凑。[…]
[PDF]
计算机视觉和模式识别(CVPR),2019
理解和设计或重听司机超级充耳不闻
李,b . Hubert-Wallander,m·史蒂文斯,j·m·卡罗尔
我们使用内容分析的应用内司机调查结果,客户支持门票,和微博,面对面的访谈DHH Uber司机更好地理解DHH司机经验。在这里,我们描述的挑战DHH司机经验和他们如何解决这些困难通过超级的易访问性特征和自己的解决方法。[…]
[PDF]
人为因素在计算系统(会议上气),2019
我们使用内容分析的应用内司机调查结果,客户支持门票,和微博,面对面的访谈DHH Uber司机更好地理解DHH司机经验。在这里,我们描述的挑战DHH司机经验和他们如何解决这些困难通过超级的易访问性特征和自己的解决方法。[…]
[PDF]
人为因素在计算系统(会议上气),2019
学习通过压缩的二进制地图定位
x魏、中情局Barsan,美国王,j·马丁内斯,r . Urtasun
扩展的主要困难之一,目前定位系统到大型环境所需的车载存储地图。在本文中,我们提出了解压缩映射表示,这样是最优的定位任务。[…][PDF]
计算机视觉与模式识别会议(CVPR),2019
扩展的主要困难之一,目前定位系统到大型环境所需的车载存储地图。在本文中,我们提出了解压缩映射表示,这样是最优的定位任务。[…][PDF]
计算机视觉与模式识别会议(CVPR),2019
卷积的复发性网络道路边界提取
j .梁,n Homayounfar,美国王,观测。马,r . Urtasun
创建高清地图包含场景的静态元素的精确的信息是至关重要的,自动驾驶汽车安全驾驶。在本文中,我们解决的问题可行驶的从激光雷达和摄像机图像中提取道路边界。[…][PDF]
计算机视觉与模式识别会议(CVPR),2019
创建高清地图包含场景的静态元素的精确的信息是至关重要的,自动驾驶汽车安全驾驶。在本文中,我们解决的问题可行驶的从激光雷达和摄像机图像中提取道路边界。[…][PDF]
计算机视觉与模式识别会议(CVPR),2019
概率模型的降维为代表的知识
m . t .法律,j·斯奈尔,a m。Farahmand,r . Urtasunr . s .泽梅尔
大多数深度学习模型实现良好的性能依赖于表达高维表示等任务的分类。然而,在这些表象背后的高维度使他们难以理解和容易过度学习。我们提出一个简单的、直观的、可伸缩的降维框架,考虑了软标准深模型分类的概率解释。[…][PDF]
学习表示(国际会议上ICLR),2019
大多数深度学习模型实现良好的性能依赖于表达高维表示等任务的分类。然而,在这些表象背后的高维度使他们难以理解和容易过度学习。我们提出一个简单的、直观的、可伸缩的降维框架,考虑了软标准深模型分类的概率解释。[…][PDF]
学习表示(国际会议上ICLR),2019
DARNet:深有源光网络建设分割
d .程r·廖美国费德勒,r . Urtasun
在本文中,我们提出一个深有源光网络(DARNet)自动分割。将一个图像作为输入时,它首先利用深卷积神经网络(CNN)为骨干预测能源地图,这是进一步利用构造能量函数。[…][PDF]
计算机视觉与模式识别会议(CVPR),2019
在本文中,我们提出一个深有源光网络(DARNet)自动分割。将一个图像作为输入时,它首先利用深卷积神经网络(CNN)为骨干预测能源地图,这是进一步利用构造能量函数。[…][PDF]
计算机视觉与模式识别会议(CVPR),2019
建筑在一起:当研究在超级病毒雷竞技是骗人的
b . Hubert-Wallander,e·g·鲁伊斯,m . Jain,l . g .地方行政区域,s . s . Mitra,m·史蒂文斯
在2017年末,超级近一年到完全重新设计的driver-facing移动应用。这个案例研究描述了研究项目我们执行支持应用的全球测试发射,它旨在在不同的地域与司机一起“构建”。雷竞技是骗人的[…]
[PDF] (视频)
人为因素在计算系统(会议上气),2019
在2017年末,超级近一年到完全重新设计的driver-facing移动应用。这个案例研究描述了研究项目我们执行支持应用的全球测试发射,它旨在在不同的地域与司机一起“构建”。雷竞技是骗人的[…]
[PDF] (视频)
人为因素在计算系统(会议上气),2019
DeepSignals:预测司机的意图通过视觉属性
d . Frossard,e·凯,r . Urtasun
检测司机的意图是一个重要的任务在无人驾驶,需要预测突发事件如车道变化和停止。把信号和紧急闪光沟通这样的意图,提供潜在的秒反应时间至关重要。在本文中,我们建议检测视频序列中这些信号通过使用深层神经网络对空间和时间信息的原因。[…][PDF]
机器人与自动化国际会议(ICRA),2019
检测司机的意图是一个重要的任务在无人驾驶,需要预测突发事件如车道变化和停止。把信号和紧急闪光沟通这样的意图,提供潜在的秒反应时间至关重要。在本文中,我们建议检测视频序列中这些信号通过使用深层神经网络对空间和时间信息的原因。[…][PDF]
机器人与自动化国际会议(ICRA),2019
pmmh生成对抗的网络
r·特纳,j .挂,y Saatci,j . Yosinski
我们介绍pmmh生成对抗网络(MH-GAN)相结合方面的马尔可夫链蒙特卡罗和甘斯。MH-GAN吸引样本分布由一对氮化镓的discriminator-generator隐式定义,而不是甘抽样标准的样本来自定义的分布生成器。[…][PDF]
机器学习(国际会议上ICML),2019
我们介绍pmmh生成对抗网络(MH-GAN)相结合方面的马尔可夫链蒙特卡罗和甘斯。MH-GAN吸引样本分布由一对氮化镓的discriminator-generator隐式定义,而不是甘抽样标准的样本来自定义的分布生成器。[…][PDF]
机器学习(国际会议上ICML),2019
理解神经网络通过特性可视化:一项调查
答:阮,j . Yosinski,Clune j .
理解大脑是神经科学的方法去发现和研究的首选刺激高度激活的单个细胞或组织细胞。最近机器学习的进步使一个家庭的方法合成首选刺激导致人为的或生物的大脑神经元火强烈。[…][PDF]
可说明的AI:解释,解释和可视化深度学习,2019年
理解大脑是神经科学的方法去发现和研究的首选刺激高度激活的单个细胞或组织细胞。最近机器学习的进步使一个家庭的方法合成首选刺激导致人为的或生物的大脑神经元火强烈。[…][PDF]
可说明的AI:解释,解释和可视化深度学习,2019年
保持掌握大规模绿色
美国Ananthanarayanan,m . s . Ardekani,d . Haenikel,b .同,美国索里亚诺,d·帕特尔,联合。Adl-Tabatabai
本文介绍了SubmitQueue的设计和实现。它保证一个总是在规模绿色主分支:所有构建步骤(如编译,单元测试,界面测试)成功地执行每一个点。SubmitQueue已经生产了一年多,并且可以扩展到成千上万的每日提交大型单片存储库。[…][PDF]
欧洲计算机系统(EuroSys),2019
本文介绍了SubmitQueue的设计和实现。它保证一个总是在规模绿色主分支:所有构建步骤(如编译,单元测试,界面测试)成功地执行每一个点。SubmitQueue已经生产了一年多,并且可以扩展到成千上万的每日提交大型单片存储库。[…][PDF]
欧洲计算机系统(EuroSys),2019
通过连贯的催化量子加速在零温度
g . a . Durkin
证明量子加速是可能的在特定模型的量子退火non-stoquastic司机。结果与传统的平均场分析在热力学极限。渐近分析有限尺寸的系统预测主导行为——尺度和系数的数值结果系统超过50个量子位,指示legitmacy和量子真空移位运输的重要性。[PDF]
美国物理学会(APS),2019年
证明量子加速是可能的在特定模型的量子退火non-stoquastic司机。结果与传统的平均场分析在热力学极限。渐近分析有限尺寸的系统预测主导行为——尺度和系数的数值结果系统超过50个量子位,指示legitmacy和量子真空移位运输的重要性。[PDF]
美国物理学会(APS),2019年
合成神经指导约束逻辑编程程序
l . (g . Rosenblatt e . Fetayar·廖•伯德(george w . bush), m .可能r . Urtasun,r·泽梅尔
综合程序使用示例输入/输出是人工智能的一个经典问题。我们提出一个方法来解决编程示例(PBE)问题通过使用神经模型指导寻找约束逻辑程序系统称为miniKanren。[…][PDF]
先进的神经信息处理系统(NeurIPS),2018
综合程序使用示例输入/输出是人工智能的一个经典问题。我们提出一个方法来解决编程示例(PBE)问题通过使用神经模型指导寻找约束逻辑程序系统称为miniKanren。[…][PDF]
先进的神经信息处理系统(NeurIPS),2018
LanczosNet:多尺度卷积网络深度图
r·廖、z赵r . Urtasun,r·泽梅尔
关系数据通常可以用图表表示。图等处理结构化数据,我们建议LanczosNet,它使用兰索斯算法构造低秩近似图的拉普拉斯算子对图像卷积。[…][PDF]
神经信息处理系统(NeurIPS),2018年
关系数据通常可以用图表表示。图等处理结构化数据,我们建议LanczosNet,它使用兰索斯算法构造低秩近似图的拉普拉斯算子对图像卷积。[…][PDF]
神经信息处理系统(NeurIPS),2018年
图HyperNetworks神经结构搜索
c .张,m .任,r . Urtasun
神经结构搜索(NAS)自动发现最好的特定于任务的神经网络拓扑结构,优于许多手工架构设计。然而,它可以作为搜索需要昂贵训练成千上万的不同的网络,每个可以持续几个小时。在这项工作中,我们提出了图HyperNetwork (GHN)摊销搜索成本:给定一个架构,它直接生成图表上运行推理神经网络的权重。[…][PDF]
元学习车间@神经信息处理系统(NeurIPS),2018
神经结构搜索(NAS)自动发现最好的特定于任务的神经网络拓扑结构,优于许多手工架构设计。然而,它可以作为搜索需要昂贵训练成千上万的不同的网络,每个可以持续几个小时。在这项工作中,我们提出了图HyperNetwork (GHN)摊销搜索成本:给定一个架构,它直接生成图表上运行推理神经网络的权重。[…][PDF]
元学习车间@神经信息处理系统(NeurIPS),2018
矩形的象征建筑足迹提取旋转
m·迪金森,l . Gueguen
建筑足迹(桶)为用户提供有用的视觉上下文在太空航行时的数字地图。本文提出一种方法从卫星图像中提取和象征建筑足迹使用卷积神经网络(CNN)。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018年
建筑足迹(桶)为用户提供有用的视觉上下文在太空航行时的数字地图。本文提出一种方法从卫星图像中提取和象征建筑足迹使用卷积神经网络(CNN)。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018年
更快的神经网络直接从JPEG
l . Gueguen,答:能够b . Kadlec,r·刘,j . Yosinski
简单,优雅的方法训练直接从RGB像素卷积神经网络(cnn)享有压倒性的成功经验。但更多的性能可以挤出网络通过使用不同的输入表示?在本文中,我们提出并探索一个简单的想法:火车cnn直接在块离散余弦变换(DCT)系数计算和可用的JPEG编解码器。[…][PDF]
先进的神经信息处理系统(NeurIPS),2018年
简单,优雅的方法训练直接从RGB像素卷积神经网络(cnn)享有压倒性的成功经验。但更多的性能可以挤出网络通过使用不同的输入表示?在本文中,我们提出并探索一个简单的想法:火车cnn直接在块离散余弦变换(DCT)系数计算和可用的JPEG编解码器。[…][PDF]
先进的神经信息处理系统(NeurIPS),2018年
分析与毫微秒示波器的Android应用程序
l .刘l . Takamine,答:Welc
用户级工具支持分析现代jvm为桌面和服务器上的Java应用程序执行是相当成熟,从开放的JDK的Java飞行记录器启用低开销CPU和堆分析,通过第三方异步profiler(例如async-profiler、honest-profiler),打开JDK支持低开销跟踪分配调用网站。[…][PDF]
虚拟机和语言实现(VMIL),2018
用户级工具支持分析现代jvm为桌面和服务器上的Java应用程序执行是相当成熟,从开放的JDK的Java飞行记录器启用低开销CPU和堆分析,通过第三方异步profiler(例如async-profiler、honest-profiler),打开JDK支持低开销跟踪分配调用网站。[…][PDF]
虚拟机和语言实现(VMIL),2018
通过微传感器融合联合映射和校准
j .陈f·欧博迈亚诉李雅普诺夫,l . Gueguen,n·古德曼
我们利用自动分化(广告)和概率编程开发端到端优化算法批三角大量未知的对象。给出噪声检测提取地地理街面图像没有深度信息,我们共同估计的数量和位置不同类型的对象,连同传感器噪声特征和先验分布参数的对象条件方面的信息。[…][PDF]
计算研究库(雷竞技是骗人的相关系数),2018
我们利用自动分化(广告)和概率编程开发端到端优化算法批三角大量未知的对象。给出噪声检测提取地地理街面图像没有深度信息,我们共同估计的数量和位置不同类型的对象,连同传感器噪声特征和先验分布参数的对象条件方面的信息。[…][PDF]
计算研究库(雷竞技是骗人的相关系数),2018
学习使用激光雷达强度地图定位
即Barsan,美国王,波克罗夫斯基。,r . Urtasun
在本文中,我们提出一种实时calibration-agnostic和有效的定位系统,自动驾驶汽车。我们的方法学会嵌入在线激光雷达扫描和强度深度嵌入空间映射到一个联合。[…][PDF]
机器人学习会议上(考),2018年
在本文中,我们提出一种实时calibration-agnostic和有效的定位系统,自动驾驶汽车。我们的方法学会嵌入在线激光雷达扫描和强度深度嵌入空间映射到一个联合。[…][PDF]
机器人学习会议上(考),2018年
深多传感器车道检测
m .呗,g . Mattyus,n Homayounfar,美国王,s . k . Lakshmikanth,r . Urtasun
可靠和准确的车道检测一直是一个长期存在的问题领域的自主驾驶。近年来,许多方法已经开发了可以使用图片(或视频)作为输入,并在图像空间的原因。在本文中,我们认为精确的图像估计不转化为精确的3 d车道边界,由现代所需的输入运动规划算法。[…][PDF]
智能机器人和系统国际会议(——),2018
可靠和准确的车道检测一直是一个长期存在的问题领域的自主驾驶。近年来,许多方法已经开发了可以使用图片(或视频)作为输入,并在图像空间的原因。在本文中,我们认为精确的图像估计不转化为精确的3 d车道边界,由现代所需的输入运动规划算法。[…][PDF]
智能机器人和系统国际会议(——),2018
HDNET:利用高清地图3 d对象检测
b .杨,m .梁,r . Urtasun
在本文中,我们表明,高清晰度(HD)地图提供强大的先知先觉,可以提高现代3 d对象探测器的性能和鲁棒性。朝着这个目标,我们设计一个单级检测器提取几何和语义功能的高清地图。[…][PDF]
机器人学习会议上(考),2018年
在本文中,我们表明,高清晰度(HD)地图提供强大的先知先觉,可以提高现代3 d对象探测器的性能和鲁棒性。朝着这个目标,我们设计一个单级检测器提取几何和语义功能的高清地图。[…][PDF]
机器人学习会议上(考),2018年
概率Meta-Representations神经网络
t . Karaletsos,p·达扬,z Ghahramani
现有贝叶斯方法的神经网络通常由弱之前和近似后验分布特征显示,所有的重量都独立了。这里,我们考虑一个更丰富的先验分布在网络中的单位由潜在的变量,和单位之间的权重是有条件地收集这些变量的值。[…][PDF]
可用2018深度学习车间的不确定性(UDL),2018年
现有贝叶斯方法的神经网络通常由弱之前和近似后验分布特征显示,所有的重量都独立了。这里,我们考虑一个更丰富的先验分布在网络中的单位由潜在的变量,和单位之间的权重是有条件地收集这些变量的值。[…][PDF]
可用2018深度学习车间的不确定性(UDL),2018年
烟花:深通用概率编程
e·宾汉j·陈,m . Jankowiak,f·欧博迈亚,n .普拉丹,t . Karaletsos,r·辛格,p . Szerlipp . Horsfall,n·古德曼
烟花是一种概率编程语言建立在Python作为一个平台来开发先进的人工智能研究的概率模型。雷竞技是骗人的[…][PDF]
机器学习研究杂志》上雷竞技是骗人的(JMLR),2018年
烟花是一种概率编程语言建立在Python作为一个平台来开发先进的人工智能研究的概率模型。雷竞技是骗人的[…][PDF]
机器学习研究杂志》上雷竞技是骗人的(JMLR),2018年
动态定价和匹配在Ride-Hailing平台
n Korolko,高管d Woodard,c .严,h·朱
Ride-hailing平台如Uber, Lyft和迪迪取得了爆炸性增长和重塑城市交通。这些平台背后的理论和技术已经成为最活跃的研究领域之一,在经济学、运筹学、计算机科学、和交通工程。雷竞技是骗人的[…][PDF]
2018年
Ride-hailing平台如Uber, Lyft和迪迪取得了爆炸性增长和重塑城市交通。这些平台背后的理论和技术已经成为最活跃的研究领域之一,在经济学、运筹学、计算机科学、和交通工程。雷竞技是骗人的[…][PDF]
2018年
IntentNet:学习从原始传感器数据预测的目的
美国卡萨斯,w·罗,r . Urtasun
为了安全的操作计划,自动驾驶汽车需要了解其他交通参与者的意图。我们意图定义为离散的结合高水平的行为以及连续轨迹描述未来的运动。在本文中,我们开发一个单程探测器和预测,利用激光雷达传感器产生的3 d点云以及动态环境的地图。[…][PDF]
机器人学习会议上(考),2018年
为了安全的操作计划,自动驾驶汽车需要了解其他交通参与者的意图。我们意图定义为离散的结合高水平的行为以及连续轨迹描述未来的运动。在本文中,我们开发一个单程探测器和预测,利用激光雷达传感器产生的3 d点云以及动态环境的地图。[…][PDF]
机器人学习会议上(考),2018年
完美的uberPOOL:一个案例研究在权衡
洛佩兹,美国Morseman
案例研究超级公司的使命是为乘客拼车更负担得起的和可靠的,并为司机毫不费力。2014年,公司推出了uberPOOL为了方便乘客与他人分享他们的旅行朝着同一个方向。uberPOOL的力学基础相匹配的情报乘客旅行,可以将各种不确定性引入到用户体验。[…]
[PDF]
民族志实践在行业会议上(史诗),2018
案例研究超级公司的使命是为乘客拼车更负担得起的和可靠的,并为司机毫不费力。2014年,公司推出了uberPOOL为了方便乘客与他人分享他们的旅行朝着同一个方向。uberPOOL的力学基础相匹配的情报乘客旅行,可以将各种不确定性引入到用户体验。[…]
[PDF]
民族志实践在行业会议上(史诗),2018
高效实时的卷积的语义分割三维点云
c .张,w·罗,r . Urtasun
我们提出一个方法半自动注释对象实例。虽然大多数当前的方法治疗对象分割pixel-labeling问题,我们把它作为一个多边形预测任务,模仿最新数据是如何被注释。[…][PDF]
国际会议在3 d视觉(3 dv),2018
我们提出一个方法半自动注释对象实例。虽然大多数当前的方法治疗对象分割pixel-labeling问题,我们把它作为一个多边形预测任务,模仿最新数据是如何被注释。[…][PDF]
国际会议在3 d视觉(3 dv),2018
深连续融合多传感器检测3 d对象
m .梁,b .杨,美国王,r . Urtasun
在本文中,我们提出一个新颖的3 d对象探测器,可以利用激光雷达和摄像头进行非常准确的定位。朝着这个目标,我们设计一个端到端可学的体系结构,利用连续旋转融合图像和激光雷达特征图在不同级别的分辨率。[…][PDF]
欧洲计算机视觉大会),2018
在本文中,我们提出一个新颖的3 d对象探测器,可以利用激光雷达和摄像头进行非常准确的定位。朝着这个目标,我们设计一个端到端可学的体系结构,利用连续旋转融合图像和激光雷达特征图在不同级别的分辨率。[…][PDF]
欧洲计算机视觉大会),2018
单一图像内在的分解没有一个内在形象
w·马b .周,H,楚r . Urtasun,a Torralba
我们提出一个方法半自动注释对象实例。虽然大多数当前的方法治疗对象分割pixel-labeling问题,我们把它作为一个多边形预测任务,模仿最新数据是如何被注释。[…][PDF]
欧洲计算机视觉大会),2018
我们提出一个方法半自动注释对象实例。虽然大多数当前的方法治疗对象分割pixel-labeling问题,我们把它作为一个多边形预测任务,模仿最新数据是如何被注释。[…][PDF]
欧洲计算机视觉大会),2018
Backpropamine:与可微neuromodulated可塑性变为无效来训练神经网络
t . Miconi,答:拉瓦尔大声回答,Clune j .,k·斯坦利
强化学习是智能探索大挑战,尤其是当奖励稀疏或欺骗性。两个雅达利游戏作为这种艰苦创业领域:基准Montezuma复仇和陷阱。在两个游戏,目前RL算法表现不佳,即便是那些拥有内在动机,艰苦创业领域占主导地位的方法来提高性能。为了解决这个不足,我们引入了一个名为去探索的新算法。[…][PDF]
学习国际会议上表示(ICLR),2019年
强化学习是智能探索大挑战,尤其是当奖励稀疏或欺骗性。两个雅达利游戏作为这种艰苦创业领域:基准Montezuma复仇和陷阱。在两个游戏,目前RL算法表现不佳,即便是那些拥有内在动机,艰苦创业领域占主导地位的方法来提高性能。为了解决这个不足,我们引入了一个名为去探索的新算法。[…][PDF]
学习国际会议上表示(ICLR),2019年
函数式编程模块化的贝叶斯推理
a .Ścibior o . Kammarz Ghahramani
我们提出一个图书馆的建筑设计在现代贝叶斯建模和推理函数式编程语言。这部小说方面,我们的方法是模块化的实现现有state-ofthe-art推理算法。我们的设计依赖于三个固有的功能特性:高阶函数,归纳数据类型,并支持类型类或一个表达模块系统。[…][PDF]
2019年
我们提出一个图书馆的建筑设计在现代贝叶斯建模和推理函数式编程语言。这部小说方面,我们的方法是模块化的实现现有state-ofthe-art推理算法。我们的设计依赖于三个固有的功能特性:高阶函数,归纳数据类型,并支持类型类或一个表达模块系统。[…][PDF]
2019年
端到端深结构化模型来画人行横道
j .梁,r . Urtasun
在本文中,我们解决这个问题从激光雷达和摄像机图像检测人行横道。朝着这个目标,考虑到多个Li-DAR清洁工和相应的图像,我们的项目都投入到地面产生一个自顶向下的场景视图。[…][PDF]
欧洲计算机视觉大会),2018
在本文中,我们解决这个问题从激光雷达和摄像机图像检测人行横道。朝着这个目标,考虑到多个Li-DAR清洁工和相应的图像,我们的项目都投入到地面产生一个自顶向下的场景视图。[…][PDF]
欧洲计算机视觉大会),2018
廖:Model-Agnostic框架解释和机器学习模型的诊断
j .张y王,p . Molino,l .李,艾伯特
解释和诊断机器学习模型获得了新的兴趣近年来新方法的突破。我们目前的总管,一个框架,利用视觉分析技术支持解释,调试和机器学习模型的比较更加透明和互动的方式。[…][PDF]
IEEE可视化(IEEE VIS),2018年
解释和诊断机器学习模型获得了新的兴趣近年来新方法的突破。我们目前的总管,一个框架,利用视觉分析技术支持解释,调试和机器学习模型的比较更加透明和互动的方式。[…][PDF]
IEEE可视化(IEEE VIS),2018年
超级快乐吗?工作和健康的“演出经济”
t·伯杰c·b·弗雷g·莱文,s . r . Danda
我们探索所谓的“演出经济”的崛起,通过超级透镜及其驱动程序在英国。利用从超级管理数据和一个新的代表伦敦司机的调查中,我们探索他们的背景,收入和幸福。[…][PDF]
2019年经济政策,第68届专家小组会议
我们探索所谓的“演出经济”的崛起,通过超级透镜及其驱动程序在英国。利用从超级管理数据和一个新的代表伦敦司机的调查中,我们探索他们的背景,收入和幸福。[…][PDF]
2019年经济政策,第68届专家小组会议
发现可表示深刻的生成和歧视模型
t·阿德尔z Ghahramani,a .韦勒
表示深刻的生成和歧视模型的可解释性是非常可取的。目前联合优化方法结合客观准确性和可解释性。然而,这可能会降低精度,已经不适用于训练模型。我们提出两个可解释性框架。首先,我们提供一个可判断的镜头为现有的模型。我们使用一个生成模型的表示形式作为输入在现有(生成或歧视)模型中,弱监督通过有限的信息。[…][PDF]
机器学习(国际会议上ICML),2018
表示深刻的生成和歧视模型的可解释性是非常可取的。目前联合优化方法结合客观准确性和可解释性。然而,这可能会降低精度,已经不适用于训练模型。我们提出两个可解释性框架。首先,我们提供一个可判断的镜头为现有的模型。我们使用一个生成模型的表示形式作为输入在现有(生成或歧视)模型中,弱监督通过有限的信息。[…][PDF]
机器学习(国际会议上ICML),2018
MultiNet:实时自动驾驶的共同语义推理
m .摄影师m·韦伯m .松奈r . Cipollar . Urtasun
虽然大多数的语义推理方法都集中在提高性能,在本文中,我们认为,计算时间非常重要,为了使自动驾驶等实时应用程序。[…][PDF]
IEEE智能车辆研讨会(四世),2018
虽然大多数的语义推理方法都集中在提高性能,在本文中,我们认为,计算时间非常重要,为了使自动驾驶等实时应用程序。[…][PDF]
IEEE智能车辆研讨会(四世),2018
科:通过排名提高的速度和准确性客户支持和深度网络
p . Molino,h .郑,研究。王
公司希望提供愉快的用户体验,它是至关重要的照顾任何客户的问题。本文提出•科系统以提高速度和可靠性的客户支持最终用户通过自动票分类和答案选择支持代表。[…][PDF]
ACM SIGKDD知识发现和数据科学国际会议(知识发现(KDD)),2018
公司希望提供愉快的用户体验,它是至关重要的照顾任何客户的问题。本文提出•科系统以提高速度和可靠性的客户支持最终用户通过自动票分类和答案选择支持代表。[…][PDF]
ACM SIGKDD知识发现和数据科学国际会议(知识发现(KDD)),2018
变分贝叶斯辍学:陷阱和修复
j . Hron a·马修斯z Ghahramani
辍学,随机regularisation技术训练神经网络,最近被重新解释为一种特定类型的近似推理算法贝叶斯神经网络。重新解释的主要贡献是在提供一个理论框架用于分析和扩展算法[…][PDF]
机器学习(国际会议上ICML),2018
辍学,随机regularisation技术训练神经网络,最近被重新解释为一种特定类型的近似推理算法贝叶斯神经网络。重新解释的主要贡献是在提供一个理论框架用于分析和扩展算法[…][PDF]
机器学习(国际会议上ICML),2018
恢复和提高复发性反向传播
r·廖,y熊、大肠Fetaya l . Zhang k . Yoon x Pitkow,r . Urtasun,r·泽梅尔
在这篇文章中,我们回顾一下复发反向传播(RBP)算法,讨论适用的条件以及如何满足深层神经网络。我们表明,RBP可以不稳定,建议两个变体基于共轭梯度法方程(CG-RBP)和诺伊曼系列(Neumann-RBP)。[…][PDF]
计算机视觉与模式识别会议(ICML),2018
在这篇文章中,我们回顾一下复发反向传播(RBP)算法,讨论适用的条件以及如何满足深层神经网络。我们表明,RBP可以不稳定,建议两个变体基于共轭梯度法方程(CG-RBP)和诺伊曼系列(Neumann-RBP)。[…][PDF]
计算机视觉与模式识别会议(ICML),2018
学会调整健壮的深度学习的例子
m .任,w .曾,b .杨,r . Urtasun
深层神经网络已经被证明是非常强大的建模工具对许多监督学习任务涉及复杂的输入模式。然而,他们也可以很容易overfit训练集偏见和标签的声音。[…][PDF]
机器学习(国际会议上ICML),2018
深层神经网络已经被证明是非常强大的建模工具对许多监督学习任务涉及复杂的输入模式。然而,他们也可以很容易overfit训练集偏见和标签的声音。[…][PDF]
机器学习(国际会议上ICML),2018
一个有趣的失败的卷积神经网络和CoordConv解决方案
r·刘,j·雷曼,p . Molino,F。我这样的,e·弗兰克,答:能够,j . Yosinski
一些想法享受卷积一样大的影响深度学习。对于任何问题涉及像素或空间表示,常见的直觉认为,卷积神经网络可能是合适的。在本文中,我们展示一个引人注目的反例的直觉通过看似微不足道的坐标变换问题,而只需要学习之间的映射坐标(x, y)笛卡尔空间和一个炎热的像素空间。[…][PDF]
先进的神经信息处理系统(NeurIPS),2018年
一些想法享受卷积一样大的影响深度学习。对于任何问题涉及像素或空间表示,常见的直觉认为,卷积神经网络可能是合适的。在本文中,我们展示一个引人注目的反例的直觉通过看似微不足道的坐标变换问题,而只需要学习之间的映射坐标(x, y)笛卡尔空间和一个炎热的像素空间。[…][PDF]
先进的神经信息处理系统(NeurIPS),2018年
地理网:几何神经网络联合深度和表面正常的估计
x气,r·廖z . Liur . Urtasun,j·贾
在本文中,我们提出几何神经网络(地理网),共同预测从单个图像深度和表面的法线贴图。建筑的顶部二束cnn,我们的地理网整合深度和表面几何关系通过新的depth-to-normal和normal-to-depth网络正常。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
在本文中,我们提出几何神经网络(地理网),共同预测从单个图像深度和表面的法线贴图。建筑的顶部二束cnn,我们的地理网整合深度和表面几何关系通过新的depth-to-normal和normal-to-depth网络正常。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
匹配对手的网络
g . Mattyus,r . Urtasun
生成对抗网(甘斯)和Conditonal甘斯(CGANs)表明,使用训练网络作为损失函数(鉴频器)使合成高度结构化的输出(如自然图像)。然而,应用一个鉴别器网络作为常见的监督任务的通用损失函数(如语义分割、线路检测、深度估计)相当成功。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
生成对抗网(甘斯)和Conditonal甘斯(CGANs)表明,使用训练网络作为损失函数(鉴频器)使合成高度结构化的输出(如自然图像)。然而,应用一个鉴别器网络作为常见的监督任务的通用损失函数(如语义分割、线路检测、深度估计)相当成功。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
学习深结构化活动轮廓的端到端
d·马科斯,d . Tuia b·克伦贝格尔l .张m .呗,r·廖,r . Urtasun
世界到处都是数以百万计的建筑物,精确地知道每个实例的立场和区段是至关重要的许多应用程序。最近,自动化建筑足迹分割模型显示优越的检测精度由于卷积神经网络(CNN)的使用。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
世界到处都是数以百万计的建筑物,精确地知道每个实例的立场和区段是至关重要的许多应用程序。最近,自动化建筑足迹分割模型显示优越的检测精度由于卷积神经网络(CNN)的使用。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
SBNet:稀疏的块的快速推理网络
m .任,波克罗夫斯基。,b .杨,r . Urtasun
常规深卷积神经网络(cnn)应用卷积运营商统一在太空中所有特征图谱数百层,这对于实时应用程序产生较高的计算成本。对象检测和语义分割等许多问题,我们能够获得低成本计算面具,从先验知识问题,或从一个低分辨率细分网络。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
常规深卷积神经网络(cnn)应用卷积运营商统一在太空中所有特征图谱数百层,这对于实时应用程序产生较高的计算成本。对象检测和语义分割等许多问题,我们能够获得低成本计算面具,从先验知识问题,或从一个低分辨率细分网络。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
SurfConv:桥接3 d和2 d RGBD图像卷积
h·楚,w .妈,k .茶室r . Urtasun,费德勒
过去几年已经看到方法试图结合深度传感器的日益普及和卷积神经网络的成功。使用深度作为额外的通道与RGB输入规模差异问题存在于基于图像卷积的方法。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
过去几年已经看到方法试图结合深度传感器的日益普及和卷积神经网络的成功。使用深度作为额外的通道与RGB输入规模差异问题存在于基于图像卷积的方法。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
速度与激情:端到端3 d实时检测、跟踪和运动预测与一个卷积净
w·罗,b .杨,r . Urtasun
在本文中,我们提出一个新颖的深层神经网络能够共同思考3 d检测、跟踪和运动预测给定数据捕捉到一个3 d传感器。通过共同议论这些任务,我们的整体方法是更健壮的闭塞以及稀疏的数据范围。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
在本文中,我们提出一个新颖的深层神经网络能够共同思考3 d检测、跟踪和运动预测给定数据捕捉到一个3 d传感器。通过共同议论这些任务,我们的整体方法是更健壮的闭塞以及稀疏的数据范围。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
端到端学习的多传感器三维跟踪检测
d . Frossard,r . Urtasun
在本文中,我们提出一个新颖的方法来跟踪检测,可以利用摄像机和激光雷达数据产生非常准确的三维轨迹。朝着这个目标,我们制定作为一个线性规划问题,可以获得精确的解,并学习卷积网络检测以及匹配一个端到端的方式。[…][PDF]
机器人与自动化国际会议(ICRA),2018
在本文中,我们提出一个新颖的方法来跟踪检测,可以利用摄像机和激光雷达数据产生非常准确的三维轨迹。朝着这个目标,我们制定作为一个线性规划问题,可以获得精确的解,并学习卷积网络检测以及匹配一个端到端的方式。[…][PDF]
机器人与自动化国际会议(ICRA),2018
Pathwise衍生品多元分布
m . Jankowiak,t . Karaletsos
我们利用输运方程之间的联系和衍生品的期望构建高效pathwise梯度估计的多元分布。我们专注于两个主要线程。[…][PDF]
人工智能国际会议上和统计(人工智能统计)(提交),2019年
我们利用输运方程之间的联系和衍生品的期望构建高效pathwise梯度估计的多元分布。我们专注于两个主要线程。[…][PDF]
人工智能国际会议上和统计(人工智能统计)(提交),2019年
分层经常性关注网络结构化的在线地图
n . Homayounfar w·马,s . Lakshmikanthr . Urtasun
在本文中,我们解决问题的在线道路网提取从稀疏的三维点云。我们的方法是灵感来自一个注释器如何构建一个车道图,首先确定有多少道,然后依次画每一个。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
在本文中,我们解决问题的在线道路网提取从稀疏的三维点云。我们的方法是灵感来自一个注释器如何构建一个车道图,首先确定有多少道,然后依次画每一个。[…][PDF]
计算机视觉与模式识别会议(CVPR),2018
Pathwise Reparameterization技巧以外的衍生品
m . Jankowiak,f·欧博迈亚
我们观察到通过reparameterization梯度计算方法与解决方案直接对应的输运方程形式的最优运输。我们用这个角度来计算(近似)pathwise梯度reparameterization技巧:不直接服从概率分布γ、β和狄利克雷。[…][PDF]
国际会议上机器学习(ICML),2018年
我们观察到通过reparameterization梯度计算方法与解决方案直接对应的输运方程形式的最优运输。我们用这个角度来计算(近似)pathwise梯度reparameterization技巧:不直接服从概率分布γ、β和狄利克雷。[…][PDF]
国际会议上机器学习(ICML),2018年
司机价格飙升
h . Nazerzadehn Garg
乳房和Lyft ride-hailing市场使用动态定价,通常被称为飙升,平衡可用的司机提供游乐设施的需求。我们研究定价机制等市场从驾驶员的角度,提出的理论基础已经通知超级新添加剂的设计驱动机制。我们提出一个动态随机模型来捕获飙升的影响定价等司机收入和他们的策略来最大化利润。[…][PDF]
2016年
乳房和Lyft ride-hailing市场使用动态定价,通常被称为飙升,平衡可用的司机提供游乐设施的需求。我们研究定价机制等市场从驾驶员的角度,提出的理论基础已经通知超级新添加剂的设计驱动机制。我们提出一个动态随机模型来捕获飙升的影响定价等司机收入和他们的策略来最大化利润。[…][PDF]
2016年
Likelihood-free推理与模拟器网络
人类。Lueckmann, g . Bassettot . Karaletsos,j . h . Macke
近似贝叶斯算法(ABC)提供了贝叶斯推理方法在基于仿真的随机模型不允许驯服的可能。我们提出一个新的ABC模拟器使用概率神经网络学习方法合成可能——本地模拟器的模拟数据近似的可能性具体的观测数据,以及全球的适用于一系列的数据。[…][PDF]
2018年
近似贝叶斯算法(ABC)提供了贝叶斯推理方法在基于仿真的随机模型不允许驯服的可能。我们提出一个新的ABC模拟器使用概率神经网络学习方法合成可能——本地模拟器的模拟数据近似的可能性具体的观测数据,以及全球的适用于一系列的数据。[…][PDF]
2018年
利用约束逻辑程序设计合成神经引导程序
l . (g . Rosenblatt e . Fetayar·廖•伯德(george w . bush),r . Urtasun,r·泽梅尔
我们提出一个方法来解决编程的例子(PBE)问题与约束逻辑编程紧密集成了一个神经网络系统称为miniKanren。在内部,miniKanren搜索一个程序,提供满足递归限制的例子。[…][PDF]
机器学习(国际会议上ICLR),2018
我们提出一个方法来解决编程的例子(PBE)问题与约束逻辑编程紧密集成了一个神经网络系统称为miniKanren。在内部,miniKanren搜索一个程序,提供满足递归限制的例子。[…][PDF]
机器学习(国际会议上ICLR),2018
测量目标的内在维度的风景
李Chunyuan Heerad Farkhoor,r·刘,j . Yosinski
最近许多训练神经网络采用大量的参数来实现良好的性能。可以直观地使用所需的参数数量作为一个粗略的测量困难的问题。但这样的想法有多准确?参数是需要多少?在本文中,我们试图回答这个问题不是在原有参数空间,通过训练网络,而是在一个更小的,面向随机子空间。[…][PDF]
学习表示(国际会议上ICLR),2018
最近许多训练神经网络采用大量的参数来实现良好的性能。可以直观地使用所需的参数数量作为一个粗略的测量困难的问题。但这样的想法有多准确?参数是需要多少?在本文中,我们试图回答这个问题不是在原有参数空间,通过训练网络,而是在一个更小的,面向随机子空间。[…][PDF]
学习表示(国际会议上ICLR),2018
高斯过程行为广泛深层神经网络
亚历山大·g·德·g·马修斯马克罗兰Jiri Hron,理查德·e·特纳Zoubin Ghahramani
同时深层神经网络显示伟大的成功经验,仍有许多工作要做,理解他们的理论属性。在本文中,我们研究随机的关系,宽,完全连接,前馈网络与多个隐层和高斯过程递归内核定义。[…][PDF]
学习表示(国际会议上ICLR),2018
同时深层神经网络显示伟大的成功经验,仍有许多工作要做,理解他们的理论属性。在本文中,我们研究随机的关系,宽,完全连接,前馈网络与多个隐层和高斯过程递归内核定义。[…][PDF]
学习表示(国际会议上ICLR),2018
可微的可塑性:培训塑料与反向传播神经网络
t . Miconi,Clune j .,k·斯坦利
我们如何构建代理从经验中不断学习,快速高效地,在他们最初的培训?这里我们把灵感来自生物的大脑学习的主要机制:突触可塑性,小心地调整通过进化产生有效的终身学习。我们表明,可塑性,就像连接权重,可以通过梯度下降优化在大型(数以百万计的参数)复发与Hebbian塑料连接网络。[…][PDF]
国际会议上机器学习(ICML),2018年
我们如何构建代理从经验中不断学习,快速高效地,在他们最初的培训?这里我们把灵感来自生物的大脑学习的主要机制:突触可塑性,小心地调整通过进化产生有效的终身学习。我们表明,可塑性,就像连接权重,可以通过梯度下降优化在大型(数以百万计的参数)复发与Hebbian塑料连接网络。[…][PDF]
国际会议上机器学习(ICML),2018年
图分区Semi-Supervised分类的神经网络
r·廖a, m . Brockschmidt d Tarlow称,憔悴,r . Urtasun,r·泽梅尔
我们展示图分区神经网络(GPNN),图的扩展神经网络(卫星系统)进行能够处理非常大的图。GPNNs轮流在本地节点之间传播信息在小的子图和全球传播子图之间的信息。[…][PDF]
车间@机器学习国际会议(ICLR),2018
我们展示图分区神经网络(GPNN),图的扩展神经网络(卫星系统)进行能够处理非常大的图。GPNNs轮流在本地节点之间传播信息在小的子图和全球传播子图之间的信息。[…][PDF]
车间@机器学习国际会议(ICLR),2018
运动场上定位通过深层结构模型
n Homayounfar美国费德勒,r . Urtasun
在这项工作中,我们提出一个新颖的方式有效地本地化足球场从单一广播游戏的形象。在这一领域相关工作依赖手工注释几个关键帧和扩展定位类似的图像,或安装固定专门的相机在体育场的领域的布局。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
在这项工作中,我们提出一个新颖的方式有效地本地化足球场从单一广播游戏的形象。在这一领域相关工作依赖手工注释几个关键帧和扩展定位类似的图像,或安装固定专门的相机在体育场的领域的布局。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
创造力惊人的数字进化:一组进化计算的轶事和人工生命研究社区雷竞技是骗人的
j·雷曼,Clune j .,d . Misevic阿达米c . l . Altenberg j .比尤利·本特利s伯纳德·g·贝丝纶,d·布赖森p . Chrabaszcz n .切尼答:呆子,s . Doncieux f·代尔,k . Ellefsen r . Feldt费舍尔,福勒斯特,a . Frenoy c .赢l·高夫l·格拉博夫斯基b . Hodjat f . Hutter l·凯勒c . Knibbe p . Krcah r . Lenski h·利普森,r·麦c . Maestre r . Miikkulainen s .米特里·d·莫里亚蒂,j·穆雷打造,阮,c . Ofria m . Parizeau d·帕森斯r . Pennock w, t·雷·m·Schoenauer e . Shulte k·西姆斯k·斯坦利f .塔代伊,d . Tarapore蒂博,w .魏玛,r·沃森j . Yosinski
生物进化提供了一个创造性的源泉的复杂和微妙的适应性,常常令人惊讶的科学家们发现他们的人。然而,由于进化是一个算法过程,超越的衬底时,进化的创造力不仅限于自然。[…][PDF]
2018年
生物进化提供了一个创造性的源泉的复杂和微妙的适应性,常常令人惊讶的科学家们发现他们的人。然而,由于进化是一个算法过程,超越的衬底时,进化的创造力不仅限于自然。[…][PDF]
2018年
神经网络推理概率图形模型的图
k .尹r·廖,y熊,张. e . Fetayar . Urtasunr·泽梅尔,x Pitkow
统计推断的基本计算和准确的决策是计算任务相关的边际概率或最可能的状态变量。概率图形模型可以有效地代表了这种复杂的数据结构,但执行这些推论通常是十分困难的。[…][PDF]
车间@国际会议上学习表示(ICLR),2018
统计推断的基本计算和准确的决策是计算任务相关的边际概率或最可能的状态变量。概率图形模型可以有效地代表了这种复杂的数据结构,但执行这些推论通常是十分困难的。[…][PDF]
车间@国际会议上学习表示(ICLR),2018
将信念状态的结构系统端到端面向任务的对话
l .蜀p . Molino,m . Namazifar,b .刘h .徐,h .郑,g .病重
端到端可训练的网络尝试克服误差传播,缺乏推广和传统的模块化面向任务的对话系统架构的整体脆弱性。大多数提出模型扩展sequence-to-sequence架构。其中一些不跟踪信念状态,这使得它很难与不断变化的知识基础,而那些明确跟踪信念状态用分类器。分类器的使用词汇表之外的词汇问题,使得这些模型在实际应用程序中使用与不断变化的知识库。我们建议结构化信念复制网络(SBCN),小说端到端可教育的体系结构,允许互动与外部符号知识库,同时解决了词汇表之外的问题。[…][PDF]
会话情报挑战神经信息处理系统(会议上ConvAI @ NeurIPS),2018
端到端可训练的网络尝试克服误差传播,缺乏推广和传统的模块化面向任务的对话系统架构的整体脆弱性。大多数提出模型扩展sequence-to-sequence架构。其中一些不跟踪信念状态,这使得它很难与不断变化的知识基础,而那些明确跟踪信念状态用分类器。分类器的使用词汇表之外的词汇问题,使得这些模型在实际应用程序中使用与不断变化的知识库。我们建议结构化信念复制网络(SBCN),小说端到端可教育的体系结构,允许互动与外部符号知识库,同时解决了词汇表之外的问题。[…][PDF]
会话情报挑战神经信息处理系统(会议上ConvAI @ NeurIPS),2018
在强化学习Action-Dependent基线的海市蜃楼
g·塔克,s . Bhupatiraju顾,r·特纳z Ghahramani莱文,s .
策略梯度方法是一种广泛使用的一类模范自由强化学习算法依赖政府的底线是用来减少梯度估计量方差。最近的一些论文扩展基线取决于国家和行动,认为这大大降低方差,提高抽样效率没有偏差引入梯度估计。[…][PDF]
机器学习(国际会议上ICML),2018
策略梯度方法是一种广泛使用的一类模范自由强化学习算法依赖政府的底线是用来减少梯度估计量方差。最近的一些论文扩展基线取决于国家和行动,认为这大大降低方差,提高抽样效率没有偏差引入梯度估计。[…][PDF]
机器学习(国际会议上ICML),2018
弱监督学习策划媒体集体特性
y Mukuta,木村,d .艾德里安z Ghahramani
当前最先进的功能学习依赖于大规模数据集的监督学习组成的目标内容项和各自的分类标签。然而,建造这样大规模fully-labeled数据集通常要求的手工工作。这个问题的一个可能的解决方案是采用社区贡献的文本标签,因疲弱的标签,然而,单个文本标签的基础概念强烈依赖于用户。[…][PDF]
人工智能(AAAI会议AAAI),2018
当前最先进的功能学习依赖于大规模数据集的监督学习组成的目标内容项和各自的分类标签。然而,建造这样大规模fully-labeled数据集通常要求的手工工作。这个问题的一个可能的解决方案是采用社区贡献的文本标签,因疲弱的标签,然而,单个文本标签的基础概念强烈依赖于用户。[…][PDF]
人工智能(AAAI会议AAAI),2018
NerveNet:学习结构化政策与神经网络图
l . Castrejon k .茶室r . Urtasun,费德勒
我们解决问题的学习结构化的连续控制的政策。在传统强化学习、政策的代理了解到多层感知器(mlp)的连接所有观测环境作为输入的预测行为。[…][PDF]
机器学习(国际会议上ICLR),2018
我们解决问题的学习结构化的连续控制的政策。在传统强化学习、政策的代理了解到多层感知器(mlp)的连接所有观测环境作为输入的预测行为。[…][PDF]
机器学习(国际会议上ICLR),2018
描述如何视觉问答模式与世界规模
e·宾汉,p . Molino,p . Szerlip,f·欧博迈亚,n·古德曼
检测不同模型之间的泛化能力为视觉问答任务已经被证明是令人惊讶的是困难的。渐近样品的复杂性,我们提出一种新的统计模型的比较,构建一个综合数据分布比较强大的基线CNN-LSTM模型结构化神经网络与强大的感应偏见。[…][PDF]
@ NeurIPS守夜(NeurIPS),2017年
检测不同模型之间的泛化能力为视觉问答任务已经被证明是令人惊讶的是困难的。渐近样品的复杂性,我们提出一种新的统计模型的比较,构建一个综合数据分布比较强大的基线CNN-LSTM模型结构化神经网络与强大的感应偏见。[…][PDF]
@ NeurIPS守夜(NeurIPS),2017年
没有存储激活可逆残余网络:反向传播
答:戈麦斯,m .任,拉奎尔Urtasun,r的码数
剩余网络(ResNets)显示了显著改善超过传统的卷积神经网络(cnn)图像分类,增加在网络性能更深入和更广泛的发展。然而,内存消耗成为一个瓶颈,因为需要存储所有中间激活计算梯度使用反向传播。[…][PDF]
先进的神经信息处理系统(NeurIPS),2017
剩余网络(ResNets)显示了显著改善超过传统的卷积神经网络(cnn)图像分类,增加在网络性能更深入和更广泛的发展。然而,内存消耗成为一个瓶颈,因为需要存储所有中间激活计算梯度使用反向传播。[…][PDF]
先进的神经信息处理系统(NeurIPS),2017
叶Blight-Infected玉米植株从北部的自动识别领域图像使用深度学习
c . DeChant t . Wiesner-Hanks年代,陈,e·斯图尔特,j . Yosinskim·戈尔,r·纳尔逊利普森和h
北叶枯病(活检)可引起严重的产量损失在玉米;然而,球探大面积准确诊断疾病是耗时和困难。我们将演示一个系统能够自动识别NLB病变与高可靠性field-acquired玉米植株的图像。[…][PDF]
植物病理学,2017年
北叶枯病(活检)可引起严重的产量损失在玉米;然而,球探大面积准确诊断疾病是耗时和困难。我们将演示一个系统能够自动识别NLB病变与高可靠性field-acquired玉米植株的图像。[…][PDF]
植物病理学,2017年
变分高斯辍学不是贝叶斯
j . Hron a·马修斯z Ghahramani
高斯乘法噪声通常被用作随机regularisation技术确定神经网络的训练。最近的一篇论文重新解释技术作为一种特定的算法在贝叶斯神经网络近似推理;几个扩展随之而来。[…][PDF]
贝叶斯学习车间@ NeurIPS深处,2017
高斯乘法噪声通常被用作随机regularisation技术确定神经网络的训练。最近的一篇论文重新解释技术作为一种特定的算法在贝叶斯神经网络近似推理;几个扩展随之而来。[…][PDF]
贝叶斯学习车间@ NeurIPS深处,2017
是你自己的普拉达:时尚与结构相干合成
朱,r . Urtasun林,费德勒,d . c .阿来
提出了一种新颖有效的方法生成新的服装穿戴者通过生成敌对的学习。给定一个输入图像的一个人,一个句子描述不同的机构,我们的模型“纠正”的人,同时让佩戴者和她/他的姿势不变。[…][PDF]
计算机视觉国际会议(ICCV),2017
提出了一种新颖有效的方法生成新的服装穿戴者通过生成敌对的学习。给定一个输入图像的一个人,一个句子描述不同的机构,我们的模型“纠正”的人,同时让佩戴者和她/他的姿势不变。[…][PDF]
计算机视觉国际会议(ICCV),2017
DeepRoadMapper:从航拍图像中提取道路拓扑
g . Mattyus,w·罗,r . Urtasun
创建路线图是必不可少的应用程序自动驾驶和城市规划等。大多数方法在工业集中在利用昂贵的传感器安装在一个车队。这个结果非常准确估计当用户在循环利用。[…][PDF]
计算机视觉国际会议(ICCV),2017
创建路线图是必不可少的应用程序自动驾驶和城市规划等。大多数方法在工业集中在利用昂贵的传感器安装在一个车队。这个结果非常准确估计当用户在循环利用。[…][PDF]
计算机视觉国际会议(ICCV),2017
3 d图形为RGBD语义神经网络分割
x气,r·廖j·贾,费德勒,r . Urtasun
RGBD语义分割需要联合推理对2 d的外表和3 d几何信息。在本文中,我们提出一个三维图神经网络(3 dgnn)建立再图上的3 d点云。[…][PDF]
计算机视觉国际会议(ICCV),2017
RGBD语义分割需要联合推理对2 d的外表和3 d几何信息。在本文中,我们提出一个三维图神经网络(3 dgnn)建立再图上的3 d点云。[…][PDF]
计算机视觉国际会议(ICCV),2017
胡志明市:顺序分组网络例如分割
j . s . Liu,费德勒,r . Urtasun
在本文中,我们提出顺序分组网络(胡志明市)处理对象实例分割的问题。胡志明市采用一系列的神经网络,每解决一个亚族问题逐渐增加语义的复杂性以组成对象的像素。[…][PDF]
计算机视觉国际会议(ICCV),2017
在本文中,我们提出顺序分组网络(胡志明市)处理对象实例分割的问题。胡志明市采用一系列的神经网络,每解决一个亚族问题逐渐增加语义的复杂性以组成对象的像素。[…][PDF]
计算机视觉国际会议(ICCV),2017
情况与图形识别神经网络
r·李·m·Tapaswir·廖j·贾,r . Urtasun,费德勒
我们解决这一问题的认识情况下图像。给定一个图像,任务是预测最突出的动词(行动),并填写其语义角色如执行行动,行动的源和目标是什么,等。[…][PDF]
计算机视觉国际会议(ICCV),2017
我们解决这一问题的认识情况下图像。给定一个图像,任务是预测最突出的动词(行动),并填写其语义角色如执行行动,行动的源和目标是什么,等。[…][PDF]
计算机视觉国际会议(ICCV),2017
深谱聚类学习
m·t·法,r . Urtasunr . s .泽梅尔
聚类分组的任务是一组例子,这样类似的例子是分成相同的集群不同的例子是在不同的集群。聚类的质量取决于两个problem-dependent因素我)选择相似性度量和ii)的数据表示。监督聚类方法,它利用标分区数据集被提出,例如学习优化指标进行聚类。[…][PDF]
机器学习(国际会议上ICML),2017
聚类分组的任务是一组例子,这样类似的例子是分成相同的集群不同的例子是在不同的集群。聚类的质量取决于两个problem-dependent因素我)选择相似性度量和ii)的数据表示。监督聚类方法,它利用标分区数据集被提出,例如学习优化指标进行聚类。[…][PDF]
机器学习(国际会议上ICML),2017
失去亲人的甘力克技巧
m . Balog n . Tripuraneniz Ghahramani,a .韦勒
耿贝尔技巧是方法样本离散概率分布,或估计其正常化的配分函数。方法依赖于反复应用随机扰动分布在一个特定的方式,每次解决的最可能的配置。[…][PDF]
国际会议上机器学习(ICML),2017年
耿贝尔技巧是方法样本离散概率分布,或估计其正常化的配分函数。方法依赖于反复应用随机扰动分布在一个特定的方式,每次解决的最可能的配置。[…][PDF]
国际会议上机器学习(ICML),2017年
生灭过程特性分配
k . Palla d·诺尔斯z Ghahramani
我们提出一个贝叶斯非参数特性分配顺序数据之前,birthdeath特性分配过程(BDFP)。BDFP模型的演变特性分配一组N对象在协变量(如时间)通过创建和删除功能。[…][PDF]
国际会议上机器学习(ICML),2017年
我们提出一个贝叶斯非参数特性分配顺序数据之前,birthdeath特性分配过程(BDFP)。BDFP模型的演变特性分配一组N对象在协变量(如时间)通过创建和删除功能。[…][PDF]
国际会议上机器学习(ICML),2017年
自动发现统计类型的变量在一个数据集
瓦勒拉,z Ghahramani
统计和机器学习的一个常见的做法是假设的统计数据类型(如顺序,分类或实值)的变量,通常也可能模型,是已知的。然而,随着实际数据的可用性增加,这个假设过于严格。[…][PDF]
国际会议上机器学习(ICML),2017年
统计和机器学习的一个常见的做法是假设的统计数据类型(如顺序,分类或实值)的变量,通常也可能模型,是已知的。然而,随着实际数据的可用性增加,这个假设过于严格。[…][PDF]
国际会议上机器学习(ICML),2017年
高效的多个实例度量学习使用弱监督数据
m . t .法律,y,r . Urtasunr·s·泽梅尔·e·p·兴
我们考虑距离度量学习在一个“包”的弱监督设置(或组)的实例被贴上“袋”的标签。一般的方法是制定一个多实例学习的问题(MIL)问题指标在哪里学到了,推断相似实例之间的距离小于推断实例之间的距离是不同的。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
我们考虑距离度量学习在一个“包”的弱监督设置(或组)的实例被贴上“袋”的标签。一般的方法是制定一个多实例学习的问题(MIL)问题指标在哪里学到了,推断相似实例之间的距离小于推断实例之间的距离是不同的。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
Uber-Text:大规模数据集从街道图像光学字符识别
y张,l . Gueguen,即Zharkov,张平,k·塞弗特,b . Kadlec
光学字符识别(OCR)方法近年来被广泛先进由于深度学习的复兴。最先进的模型主要是训练数据集组成的受限的场景。从实际检测和识别文本图像仍然是一个技术挑战。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017年
光学字符识别(OCR)方法近年来被广泛先进由于深度学习的复兴。最先进的模型主要是训练数据集组成的受限的场景。从实际检测和识别文本图像仍然是一个技术挑战。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017年
价格飙升解决劳而无功的事
j·c·卡斯蒂略d . Knoepfle新形式,如
Ride-hailing应用通常比出租车更有效地匹配,但他们可以输入一个失效模式预期,阿诺特(1996),我们称之为雁追逐。高需求耗尽空闲司机的平台,所以汽车必须被发送到遥远的客户。时间浪费在皮卡减少司机的收入,导致出口,加剧了问题。[…][PDF]
ACM会议经济和计算(ACM EC),2018年
Ride-hailing应用通常比出租车更有效地匹配,但他们可以输入一个失效模式预期,阿诺特(1996),我们称之为雁追逐。高需求耗尽空闲司机的平台,所以汽车必须被发送到遥远的客户。时间浪费在皮卡减少司机的收入,导致出口,加剧了问题。[…][PDF]
ACM会议经济和计算(ACM EC),2018年
通过信息检索透镜Few-Shot学习
e . Triantafillou r·泽梅尔r . Urtasun
Few-shot学习指的是理解新概念从只有几个例子。这个问题,我们提出一个信息retrieval-inspired方法是出于最大限度地利用所有可用的信息重要性的增加在这个低数据政权。[PDF]
代码:(链接)
先进的神经信息处理系统(NeurIPS),2017
Few-shot学习指的是理解新概念从只有几个例子。这个问题,我们提出一个信息retrieval-inspired方法是出于最大限度地利用所有可用的信息重要性的增加在这个低数据政权。[PDF]
代码:(链接)
先进的神经信息处理系统(NeurIPS),2017
一般的潜在特性建模数据探索任务
瓦勒拉,m·普拉蒂z Ghahramani
介绍一般的贝叶斯非参数潜在特性模型适合每-形式自动探索性分析异构数据集,描述每个对象的属性可以是离散的,连续或混合变量。该模型提出了几个重要的属性。[…][PDF]
ICML车间在机器学习人类的可解释性(ICML),2017年
介绍一般的贝叶斯非参数潜在特性模型适合每-形式自动探索性分析异构数据集,描述每个对象的属性可以是离散的,连续或混合变量。该模型提出了几个重要的属性。[…][PDF]
ICML车间在机器学习人类的可解释性(ICML),2017年
在超级与神经网络时间序列预测极端事件
n .拉普帖夫海j . Yosinskil·李,美国Smyl
在高准确时间序列预测方差部分(例如,假期),对异常检测至关重要,优化资源配置,预算计划和其他相关的任务。在超级准确预测完成旅行特别活动可能会导致一个更高效的驱动程序分配导致减少乘客的等待时间。[PDF]
国际会议上机器学习(ICML),2017年
在高准确时间序列预测方差部分(例如,假期),对异常检测至关重要,优化资源配置,预算计划和其他相关的任务。在超级准确预测完成旅行特别活动可能会导致一个更高效的驱动程序分配导致减少乘客的等待时间。[PDF]
国际会议上机器学习(ICML),2017年
插入政策梯度:合并政策和Off-Policy梯度估计深强化学习
顾,t . Lillicrap r·特纳z Ghahramanis•b•Scholkopf,
Off-policy模范自由深强化学习方法使用以前收集的数据可以提高抽样效率在政策政策梯度技术。另一方面,在政策算法往往更稳定和更容易使用。[…][PDF]
先进的神经信息处理系统(NeurIPS),2017年
Off-policy模范自由深强化学习方法使用以前收集的数据可以提高抽样效率在政策政策梯度技术。另一方面,在政策算法往往更稳定和更容易使用。[…][PDF]
先进的神经信息处理系统(NeurIPS),2017年
SVCCA:奇异向量典型相关分析的深度学习动态和可解释性
m·拉j .基尔默j . Yosinski,j . Sohl-Dickstein
我们提出一个新的技术,奇异向量典型相关分析(SVCCA),快速的工具比较两个表征的方式都不变的仿射变换(允许不同层之间的比较和网络)和快速计算(允许更多的比较计算,而不是以前的方法)。[…][PDF]
神经信息处理系统(少量),2017年
我们提出一个新的技术,奇异向量典型相关分析(SVCCA),快速的工具比较两个表征的方式都不变的仿射变换(允许不同层之间的比较和网络)和快速计算(允许更多的比较计算,而不是以前的方法)。[…][PDF]
神经信息处理系统(少量),2017年
找到你的方式通过观察太阳和其他语义线索
观测。马,美国王m·布鲁巴克,费德勒,r . Urtasun
在本文中,我们提出一个健壮的、有效的和负担得起的方法self-localization哪个不需要GPS和知识的世界。朝着这一目标,我们利用免费地图地图和获得一个概率模型,利用语义线索的形式太阳方向,一个十字路口,道路类型、速度限制以及ego-car轨迹为了产生非常可靠的定位结果。[…][PDF]
机器人与自动化国际会议(ICRA),2017
在本文中,我们提出一个健壮的、有效的和负担得起的方法self-localization哪个不需要GPS和知识的世界。朝着这一目标,我们利用免费地图地图和获得一个概率模型,利用语义线索的形式太阳方向,一个十字路口,道路类型、速度限制以及ego-car轨迹为了产生非常可靠的定位结果。[…][PDF]
机器人与自动化国际会议(ICRA),2017
规范化标准化者:比较和扩展网络标准化方案
m .任,r·廖,r . Urtasun,f . h . Sinz r·泽梅尔
标准化技术最近才开始被利用监督学习任务。批规范化利用mini-batch统计规范化激活。这是显示加速训练和导致更好的模型。然而它的成功已经非常有限的在处理递归神经网络。另一方面,层标准化规范化激活所有的活动在一个层。这是显示在复发。在本文中,我们提出一个统一的视图的归一化技术,作为形式的分裂的标准化,包括层和批处理标准化作为特殊情况。[…][PDF]
学习表示(国际会议上ICLR),2017
标准化技术最近才开始被利用监督学习任务。批规范化利用mini-batch统计规范化激活。这是显示加速训练和导致更好的模型。然而它的成功已经非常有限的在处理递归神经网络。另一方面,层标准化规范化激活所有的活动在一个层。这是显示在复发。在本文中,我们提出一个统一的视图的归一化技术,作为形式的分裂的标准化,包括层和批处理标准化作为特殊情况。[…][PDF]
学习表示(国际会议上ICLR),2017
Polygon-RNN注释对象实例
l . Castrejon k .茶室r . Urtasun,费德勒
我们提出一个方法半自动注释对象实例。虽然大多数当前的方法治疗对象分割pixel-labeling问题,我们把它作为一个多边形预测任务,模仿最新数据是如何被注释。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
我们提出一个方法半自动注释对象实例。虽然大多数当前的方法治疗对象分割pixel-labeling问题,我们把它作为一个多边形预测任务,模仿最新数据是如何被注释。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
深贝叶斯主动学习与图像数据
加,r伊斯兰教,z Ghahramani
虽然主动学习机器学习的一个重要支柱,深度学习工具并不普遍。深度学习带来一些困难在一个活跃的学习环境。[…][PDF]
国际会议上机器学习(ICML),2017年
虽然主动学习机器学习的一个重要支柱,深度学习工具并不普遍。深度学习带来一些困难在一个活跃的学习环境。[…][PDF]
国际会议上机器学习(ICML),2017年
向多样化和自然图像通过甘条件描述
戴,费德勒,r . Urtasun林,
在本文中,我们介绍了TorontoCity基准,涵盖整个大多伦多地区(GTA) 712.5公里²的土地,8439公里的公路和400000年左右建筑。我们对世界的基准提供了不同的视角从飞机、无人驾驶飞机和汽车驾驶。[…][PDF]
计算机视觉国际会议(ICCV),2017
在本文中,我们介绍了TorontoCity基准,涵盖整个大多伦多地区(GTA) 712.5公里²的土地,8439公里的公路和400000年左右建筑。我们对世界的基准提供了不同的视角从飞机、无人驾驶飞机和汽车驾驶。[…][PDF]
计算机视觉国际会议(ICCV),2017
贝叶斯推理与幂律度分布随机简单的图表
j·李,c . Heaukulaniz Ghahramani崔,l·詹姆斯,美国
我们提出一个随机模型简单图的度分布服从幂律(即。,是重尾分布)。实现这种行为,边缘概率图中由Bertoin-Fujita-Roynette-Yor (BFRY)随机变量,在贝叶斯统计最近利用幂律模型建设的几个应用程序。[…][PDF]
国际会议上机器学习(ICML),2017年
我们提出一个随机模型简单图的度分布服从幂律(即。,是重尾分布)。实现这种行为,边缘概率图中由Bertoin-Fujita-Roynette-Yor (BFRY)随机变量,在贝叶斯统计最近利用幂律模型建设的几个应用程序。[…][PDF]
国际会议上机器学习(ICML),2017年
TorontoCity:一百万只眼睛看世界
美国王;m .呗;g . Mattyus;h·楚;w·罗;b .杨;j .梁;j . Cheverie;r . Urtasun;d .林。
尽管近年来实质性的进展,但图像字幕技术仍远非完美。句子由现有的方法,如那些基于RNNs,往往过于僵化,缺乏变化。[…][PDF]
计算机视觉国际会议(ICCV),2017
尽管近年来实质性的进展,但图像字幕技术仍远非完美。句子由现有的方法,如那些基于RNNs,往往过于僵化,缺乏变化。[…][PDF]
计算机视觉国际会议(ICCV),2017
塞&玩生成网络:有条件的迭代生成图像的潜在空间
a .阮Clune j .y Bengio, a . Dosovitskiyj . Yosinski
生成高分辨率,写实的图像机器学习中一直是一个长期的目标。最近,阮et al。(2016)显示一个有趣的方法来合成新颖的图像进行梯度上升在发电机的潜在空间网络最大化一个或多个神经元的激活在一个单独的分类器网络。在本文中,我们扩展这种方法通过引入额外的代码之前,提高样品质量和样本的多样性,导致了一个先进的生成模型,产生高质量的图像在更高的分辨率(227 x227)比先前的生成模型,并对于所有1000 ImageNet类别。[…][PDF]
计算机视觉和模式识别(CVPR),2017年
生成高分辨率,写实的图像机器学习中一直是一个长期的目标。最近,阮et al。(2016)显示一个有趣的方法来合成新颖的图像进行梯度上升在发电机的潜在空间网络最大化一个或多个神经元的激活在一个单独的分类器网络。在本文中,我们扩展这种方法通过引入额外的代码之前,提高样品质量和样本的多样性,导致了一个先进的生成模型,产生高质量的图像在更高的分辨率(227 x227)比先前的生成模型,并对于所有1000 ImageNet类别。[…][PDF]
计算机视觉和模式识别(CVPR),2017年
Q-Prop: Sample-Efficient政策梯度Off-Policy评论家
顾,t . Lillicrapz Ghahramanis•r•特纳,
模范自由深强化学习(RL)方法已经成功的在各种各样的模拟域。然而,在现实世界中所面临的一个主要障碍深RL高样品的复杂性。[…][PDF]
学习国际会议上表示(ICLR),2016年
模范自由深强化学习(RL)方法已经成功的在各种各样的模拟域。然而,在现实世界中所面临的一个主要障碍深RL高样品的复杂性。[…][PDF]
学习国际会议上表示(ICLR),2016年
例如深分水岭变换分割
m .呗,r . Urtasun
大多数当代实例分割方法使用复杂的管道,涉及条件随机域,复发性神经网络,对象建议,或模板匹配方案。在我们的论文中,我们提出一个简单而强大的端到端卷积神经网络来解决这个任务。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
大多数当代实例分割方法使用复杂的管道,涉及条件随机域,复发性神经网络,对象建议,或模板匹配方案。在我们的论文中,我们提出一个简单而强大的端到端卷积神经网络来解决这个任务。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
磁哈密顿蒙特卡罗
n . Tripuraneni m·罗兰z Ghahramani特纳,r .
哈密顿蒙特卡罗(HMC)利用哈密顿动力学构造高效的马尔可夫链蒙特卡罗(密度)的建议。在本文中,我们提出一个泛化的HMC利用\ textit{非规范}哈密顿动力学。[…][PDF]
国际会议上机器学习(ICML),2017年
哈密顿蒙特卡罗(HMC)利用哈密顿动力学构造高效的马尔可夫链蒙特卡罗(密度)的建议。在本文中,我们提出一个泛化的HMC利用\ textit{非规范}哈密顿动力学。[…][PDF]
国际会议上机器学习(ICML),2017年
预测行人的交互式动态与虚构的游戏
w·马,d .黄,n .李,k . Kitani
我们开发的行人动力学预测模型编码使用博弈论multi-pedestrian交互耦合的本质,和深度上优于视觉分析参数估计与用户相关的行为。然而,构建预测模型multi-pedestrian交互是非常具有挑战性的,由于两个原因[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
我们开发的行人动力学预测模型编码使用博弈论multi-pedestrian交互耦合的本质,和深度上优于视觉分析参数估计与用户相关的行为。然而,构建预测模型multi-pedestrian交互是非常具有挑战性的,由于两个原因[…][PDF]
计算机视觉与模式识别会议(CVPR),2017
有条件的相似性网络
a . Veit s Belongiet . Karaletsos
是什么让图片类似的?衡量图像之间的相似性,他们通常是嵌入在一个特征矢量空间,保持相对的距离不同。然而,当学习这种相似性嵌入的简化假设通常是由图像只比一个独特的相似性度量。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017年
是什么让图片类似的?衡量图像之间的相似性,他们通常是嵌入在一个特征矢量空间,保持相对的距离不同。然而,当学习这种相似性嵌入的简化假设通常是由图像只比一个独特的相似性度量。[…][PDF]
计算机视觉与模式识别会议(CVPR),2017年
