■接受对象识别训练的深神经网络(DNNS)提供了高级视觉皮层的最佳当前模型。尚不清楚的是,诸如网络架构,训练和对大脑数据的拟合等实验性选择有多么强烈的选择,这有助于观察到的相似性。在这里,我们将九个DNN体系结构的多样化集与他们解释人类下颞(hit)皮质中62个对象图像的代表性几何形状的能力,如用fMRI测量。我们将未经训练的网络与他们的任务训练的对应物进行了比较,并通过在每层内特征的主要成分进行加权组合,并将其层次的加权组合得以评估,并评估了击中的效果。对于训练和拟合的每种组合,我们使用独立的
■接受对象识别训练的深神经网络(DNNS)提供了高级视觉皮层的最佳当前模型。尚不清楚的是,诸如网络架构,训练和对大脑数据的拟合等实验性选择有多么强烈的选择,这有助于观察到的相似性。在这里,我们将九种DNN体系结构的多样化集与它们解释人类下颞皮层中62个对象图像的代表性几何形状(hit)的能力,如用fMRI所测量的。我们将未经训练的网络与他们的任务训练的对应物进行了比较,并通过在每层内特征的主要成分进行加权组合,并将其层次的加权组合得以评估,并评估了击中的效果。对于训练和拟合的每种组合,我们使用独立的
注释 1. 综合产出PMI是制造业产出指数和服务业商务活动指数的加权平均值。 2. 服务业商务活动指数与制造业产出指数直接对应,基于以下调查问题“您公司的商务活动水平与一个月前相比是上升、持平还是下降?” 3. 制造业产出指数基于以下调查问题“您公司的生产/产出水平与一个月前相比是上升、持平还是下降?” 4. 制造业PMI是一个综合指数,基于以下五个调查变量的加权组合(权重以括号显示):新订单(0.3);产出(0.25);就业(0.2);供应商交货时间(0.15);采购材料库存(0.1)。交货时间指数是倒置的。
摘要:网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化,获得更准确的机动目标估计,提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵,以利用测量的信息形式,这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计,利用自适应当前统计模型来更新估计,并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率,通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明,所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
摘要:网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化,获得更准确的机动目标估计,提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵,以利用测量的信息形式,这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计,利用自适应当前统计模型来更新估计,并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率,通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明,所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
摘要:网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化,获得更准确的机动目标估计,提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵,以利用测量的信息形式,这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计,利用自适应当前统计模型来更新估计,并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率,通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明,所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
摘要:网络化多传感器用于解决机动目标跟踪问题。为了避免非线性动态函数的线性化,并获得更准确的机动目标估计,提出了一种用于机动目标跟踪的新型自适应信息加权共识滤波器。利用无味变换计算伪测量矩阵,以利用测量的信息形式,这是共识迭代所必需的。为了提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计,利用自适应当前统计模型来更新估计,并在每个动态模型的相邻节点之间应用信息加权共识协议。基于多个模型的后验概率,通过模型条件估计的加权组合获得每个传感器的最终估计。实验结果表明,所提算法在跟踪精度和全网络估计一致性方面具有优异的性能。
摘要:网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化,获得更准确的机动目标估计,提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵,利用测量的信息形式,为协同迭代提供必要的信息。为提高机动目标跟踪精度,并在整个网络的每个传感器节点中获得统一的估计,利用自适应当前统计模型来更新估计,并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率,通过模型条件估计的加权组合获得每个传感器的最终估计。实验结果表明,所提算法在跟踪精度和全网估计一致性方面具有优越的性能。
尽管强化学习(RL)可以解决许多具有挑战性的顺序决策问题,但在重新任务中实现零拍摄的转移仍然是一个挑战。困难在于为术任务找到一个良好的表示形式,以便代理商了解其对以前看到的任务的方式。为了实现零拍传递,我们介绍了函数编码器,该函数编码器是一种表示算法的表示算法,该算法将函数代表为学习的非线性基函数的加权组合。通过使用函数编码器来表示奖励功能或过渡函数,代理就当前任务如何与通过相干向量代表的预先看到的任务相关联。因此,代理能够在运行时间之间实现在相关任务之间进行转移,而无需训练。,我们通过通过功能编码器任务表示形式来增强基本的RL算法来展示三个RL字段中最先进的数据效率,渐近性能和训练稳定性。
公平而值得信赖的AI在机器学习和法律领域都变得越来越重要。一个重要的结果是,决策者必须寻求保证“公平”,即非歧视性,算法的决策程序。但是,在现实的事实假设下,有几种相互竞争的算法概念被证明是不兼容的。这涉及的是,分别与准确性,假阴性和假阳性率有关的“组内校准”和“平衡”和“平衡”的公平度量。在本文中,我们提出了一种新颖的算法(公平的插值方法:FAIM),用于在这三个公平标准之间连续插值。因此,可以修复一个非常不公平的预测,以至少部分地满足各自公平条件的所需的加权组合。我们证明了将算法应用于合成数据,Compas数据集以及来自电子商务领域的新的现实世界数据集时的有效性。我们提供有关在不同高风险环境中使用我们的算法的指导,我们可以在多大程度上遵守法律义务相互矛盾的范围。该分析表明,它可能会在传统法律领域(例如信用评分和刑事司法程序)中运营职责,以及欧盟最新的AI法规,例如《数字市场法案》和《最近颁布的AI法》。