今日 Paper | 3D手勢估計(jì)；自學(xué)習(xí)機(jī)器人；魯棒語義分割；卷積神經(jīng)網(wǎng)絡(luò)；混合高斯過程等

本文作者： AI研習(xí)社

2020-01-08 14:50

導(dǎo)語：每天都為你精選關(guān)于人工智能的前沿學(xué)術(shù)論文供你學(xué)習(xí)參考。

為了幫助各位學(xué)術(shù)青年更好地學(xué)習(xí)前沿研究成果和技術(shù)，AI科技評論聯(lián)合Paper 研習(xí)社（paper.yanxishe.com），重磅推出【今日 Paper】欄目，每天都為你精選關(guān)于人工智能的前沿學(xué)術(shù)論文供你學(xué)習(xí)參考。以下是今日的精選內(nèi)容——

Self learning robot using real-time neural networks
Robust Semantic Segmentation of Brain Tumor Regions from 3D MRIs
Inferring Convolutional Neural Networks' accuracies from their architectural characterizations
Hierarchical Reinforcement Learning as a Model of Human Task Interleaving
A Hybrid Gaussian Process Approach to Robust Economic Model Predictive Control
Attributed Multi-Relational Attention Network for Fact-checking URL Recommendation
Data Structure Primitives>
HandAugment: A Simple Data Augmentation for HANDS19 Challenge Task 1 -- Depth-Based 3D Hand Pose Estimation
From 'F' to 'A'>
Information Theoretic Model Predictive Q-Learning

使用實(shí)時(shí)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)機(jī)器人

論文名稱：Self learning robot using real-time neural networks

作者：Gupta Chirag /Nangia Chikita /Kumar Chetan

發(fā)表時(shí)間：2020/1/6

論文鏈接：https://paper.yanxishe.com/review/8314?from=leiphonecolumn_paperreview0108

推薦理由：隨著高容量，低精度計(jì)算技術(shù)的發(fā)展以及認(rèn)知人工智能啟發(fā)式系統(tǒng)的應(yīng)用研究，通過具有實(shí)時(shí)學(xué)習(xí)功能的神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)解決方案引起了研究界以及整個(gè)行業(yè)的極大興趣。

本文涉及對神經(jīng)網(wǎng)絡(luò)的研究，開發(fā)和實(shí)驗(yàn)分析，該神經(jīng)網(wǎng)絡(luò)在帶有手臂的機(jī)器人上實(shí)現(xiàn)，通過該機(jī)器人的進(jìn)化可以學(xué)習(xí)直線或根據(jù)需要行走。神經(jīng)網(wǎng)絡(luò)使用梯度下降和反向傳播算法進(jìn)行學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)和訓(xùn)練均在樹莓派pi 3上的機(jī)器人上本地完成，因此其學(xué)習(xí)過程是完全獨(dú)立的。首先在MATLAB上開發(fā)的自定義模擬器上對神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，然后在樹莓派計(jì)算機(jī)上對其進(jìn)行實(shí)現(xiàn)。存儲每一代不斷發(fā)展的網(wǎng)絡(luò)中的數(shù)據(jù)，并對數(shù)據(jù)進(jìn)行數(shù)學(xué)和圖形分析。分析了學(xué)習(xí)率和容錯(cuò)度等因素對學(xué)習(xí)過程和最終輸出的影響。

今日 Paper | 3D手勢估計(jì)；自學(xué)習(xí)機(jī)器人；魯棒語義分割；卷積神經(jīng)網(wǎng)絡(luò)；混合高斯過程等

從3D MRI 進(jìn)行腦腫瘤區(qū)域的魯棒語義分割

論文名稱：Robust Semantic Segmentation of Brain Tumor Regions from 3D MRIs

作者：Myronenko Andriy /Hatamizadeh Ali

發(fā)表時(shí)間：2020/1/6

論文鏈接：https://paper.yanxishe.com/review/8316?from=leiphonecolumn_paperreview0108

推薦理由：多模式腦腫瘤分割挑戰(zhàn)（BraTS）將研究人員召集起來，以改進(jìn)3D MRI腦腫瘤分割的自動化方法。腫瘤分割是疾病診斷和治療計(jì)劃所必需的基本視覺任務(wù)之一。得益于現(xiàn)代GPU的出現(xiàn)，前幾年獲勝的方法都是基于深度學(xué)習(xí)的，可以快速優(yōu)化深度卷積神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)。

在這項(xiàng)工作中，作者探索了3D語義分割的最佳實(shí)踐，包括常規(guī)的編碼器-解碼器體系結(jié)構(gòu)以及組合的損失函數(shù)，以試圖進(jìn)一步提高分割的準(zhǔn)確性。作者評估了BraTS 2019挑戰(zhàn)賽的方法。

從卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)特征推斷出其準(zhǔn)確性

論文名稱：Inferring Convolutional Neural Networks' accuracies from their architectural characterizations

作者：Hoang D. /Hamer J. /Perdue G. N. /Young S. R. /Miller J. /Ghosh A.

發(fā)表時(shí)間：2020/1/7

論文鏈接：https://paper.yanxishe.com/review/8311?from=leiphonecolumn_paperreview0108

推薦理由：卷積神經(jīng)網(wǎng)絡(luò)（CNN）在分析來自許多領(lǐng)域（包括粒子成像探測器）的科學(xué)數(shù)據(jù)方面顯示出了巨大的希望。但是，對于特定的應(yīng)用程序和不同的數(shù)據(jù)集選擇合適的網(wǎng)絡(luò)體系結(jié)構(gòu)（深度，內(nèi)核形狀，激活功能等）的挑戰(zhàn)仍然知之甚少。

在本文中，作者通過提出一種系統(tǒng)的語言來研究CNN的體系結(jié)構(gòu)與其性能之間的關(guān)系，該語言對于訓(xùn)練之前的不同CNN的體系結(jié)構(gòu)之間的比較很有用。通過不同的屬性來表征CNN的體系結(jié)構(gòu)，并證明這些屬性可以預(yù)測兩個(gè)特定的基于計(jì)算機(jī)視覺的物理問題中的網(wǎng)絡(luò)性能-事件頂點(diǎn)發(fā)現(xiàn)和費(fèi)米國家加速器實(shí)驗(yàn)室的MINERvA實(shí)驗(yàn)中的強(qiáng)子多重性分類。為此，作者從針對物理問題的優(yōu)化網(wǎng)絡(luò)架構(gòu)中提取了幾種架構(gòu)屬性，這些屬性是一種稱為多節(jié)點(diǎn)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的模型選擇算法（MENNDL）的輸出。作者使用機(jī)器學(xué)習(xí)模型來預(yù)測網(wǎng)絡(luò)在訓(xùn)練之前是否可以比某個(gè)閾值精度更好地運(yùn)行。

與隨機(jī)猜測相比，模型的執(zhí)行效果要好16-20％。此外，作者在大量網(wǎng)絡(luò)的準(zhǔn)確性回歸中發(fā)現(xiàn)普通最小二乘模型的確定系數(shù)為0.966。

分層強(qiáng)化學(xué)習(xí)作為人類任務(wù)交織的模型

論文名稱：Hierarchical Reinforcement Learning as a Model of Human Task Interleaving

作者：Gebhardt Christoph /Oulasvirta Antti /Hilliges Otmar

發(fā)表時(shí)間：2020/1/4

論文鏈接：https://paper.yanxishe.com/review/8313?from=leiphonecolumn_paperreview0108

推薦理由：人們?nèi)绾螞Q定一項(xiàng)任務(wù)要持續(xù)多長時(shí)間，何時(shí)切換以及執(zhí)行另一項(xiàng)任務(wù)？理解支持任務(wù)交錯(cuò)的機(jī)制是認(rèn)知科學(xué)的一個(gè)長期目標(biāo)。先前的工作提出了貪婪的啟發(fā)法和最大化邊際收益率的政策。然而，目前尚不清楚這種策略如何適應(yīng)于提供多種任務(wù)，轉(zhuǎn)換成本昂貴且回報(bào)延遲的日常環(huán)境。

在這里，作者開發(fā)了由強(qiáng)化學(xué)習(xí)（RL）驅(qū)動的監(jiān)督控制的分層模型。主管級別使用特定于任務(wù)的近似效用估計(jì)值學(xué)習(xí)切換，這些估計(jì)值是在較低級別上計(jì)算的。即使在具有多個(gè)任務(wù)以及任意和不確定的報(bào)酬和成本結(jié)構(gòu)的條件下，也可以從經(jīng)驗(yàn)中學(xué)到分層的最優(yōu)價(jià)值函數(shù)分解。該模型再現(xiàn)了任務(wù)交錯(cuò)的已知經(jīng)驗(yàn)效果。與六任務(wù)問題（N = 211）中的近視基線相比，它可以更好地預(yù)測個(gè)人數(shù)據(jù)。結(jié)果支持分層RL作為任務(wù)交織的合理模型。

魯棒經(jīng)濟(jì)模型預(yù)測控制的混合高斯過程方法

論文名稱：A Hybrid Gaussian Process Approach to Robust Economic Model Predictive Control

作者：Rostam Mohammadreza /Nagamune Ryozo /Grebenyuk Vladimir

發(fā)表時(shí)間：2020/1/7

論文鏈接：https://paper.yanxishe.com/review/8308?from=leiphonecolumn_paperreview0108

推薦理由：為了減少控制器的保守性，本文提出了一種混合高斯過程（GP）方法，用于在未知未來擾動下進(jìn)行魯棒的經(jīng)濟(jì)模型預(yù)測控制。提出的混合GP是兩種已知方法的組合，即核成分和非線性自回歸。在分析預(yù)測結(jié)果之后，采用切換機(jī)制來選擇這些方法中的一種來進(jìn)行干擾預(yù)測。混合GP旨在通過使用過去的干擾測量來檢測模式，而且還檢測未知干擾中的意外行為。

在混合GP中還使用了一種新穎的遺忘因子概念，可以減輕較舊的測量的權(quán)重，從而基于最近的干擾值提高預(yù)測精度。}檢測到的干擾信息用于減少預(yù)測的不確定性。經(jīng)濟(jì)模型的預(yù)測控制器。仿真結(jié)果表明，與其他基于GP的方法相比，在擾動具有可識別模式的情況下，該方法可以提高經(jīng)濟(jì)模型預(yù)測控制器的整體性能。

事實(shí)檢測URL推薦的屬性多關(guān)系注意力網(wǎng)絡(luò)

論文名稱：Attributed Multi-Relational Attention Network for Fact-checking URL Recommendation

作者：You Di /Vo Nguyen /Lee Kyumin /Liu Qiang

發(fā)表時(shí)間：2020/1/7

論文鏈接：https://paper.yanxishe.com/review/8309?from=leiphonecolumn_paperreview0108

推薦理由：為了打擊假新聞，研究人員主要致力于發(fā)現(xiàn)假新聞，而新聞工作者則建立并維護(hù)了事實(shí)檢查網(wǎng)站（例如，此URL（https://www.snopes.com/）和此 URL（https://www.politifact.com/））。但是，通過社交媒體網(wǎng)站大大促進(jìn)了虛假新聞的傳播，并且這些事實(shí)檢查網(wǎng)站還沒有得到充分利用。

為了克服這些問題并補(bǔ)充現(xiàn)有的偽造新聞方法，本文提出了一種基于深度學(xué)習(xí)的事實(shí)檢查URL推薦器系統(tǒng)，以減輕偽造新聞在諸如Twitter和Facebook等社交媒體網(wǎng)站上的影響。特別是，作者提出的框架由一個(gè)多關(guān)系注意模塊和一個(gè)異構(gòu)圖注意力網(wǎng)絡(luò)組成，以學(xué)習(xí)用戶URL對，用戶對用戶對和URL URL對之間的復(fù)雜/語義關(guān)系。在真實(shí)數(shù)據(jù)集上進(jìn)行的大量實(shí)驗(yàn)表明，我們提出的框架優(yōu)于八個(gè)最新的推薦模型，至少提高了3?5.3％。

持久內(nèi)存的數(shù)據(jù)結(jié)構(gòu)原語：一種評估

論文名稱：Data Structure Primitives>作者：G?tze Philipp /Tharanatha Arun Kumar /Sattler Kai-Uwe

發(fā)表時(shí)間：2020/1/7

論文鏈接：https://paper.yanxishe.com/review/8310?from=leiphonecolumn_paperreview0108

推薦理由：永久內(nèi)存（PM），例如已經(jīng)可用的Intel Optane DC永久性存儲器的技術(shù)代表了一種非常有前途的下一代存儲器解決方案，對數(shù)據(jù)庫體系結(jié)構(gòu)具有重大影響。已經(jīng)提出了這項(xiàng)新技術(shù)的幾種數(shù)據(jù)結(jié)構(gòu)及其特性。但是，基本上只提出并評估了完整的結(jié)構(gòu)，掩蓋了個(gè)人想法和PM特征的影響。

因此，在本文中，我們將分解目前為止介紹的結(jié)構(gòu)，識別其基礎(chǔ)設(shè)計(jì)原語，并將其分配給有關(guān)PM的適當(dāng)設(shè)計(jì)目標(biāo)。在真實(shí)的PM硬件上進(jìn)行全面實(shí)驗(yàn)的結(jié)果是，作者能夠在微觀水平上揭示基元的取舍。由此，可以導(dǎo)出所選圖元的性能配置文件。有了這些，就可以精確地確定其最佳用例以及漏洞。除了對基于PM的數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)的一般見解之外，作者還發(fā)現(xiàn)了迄今為止文獻(xiàn)中尚未考慮的新的有希望的組合。

HandAugment：一種用于HANDS19挑戰(zhàn)任務(wù)1-基于深度的3D手勢估計(jì)的簡單數(shù)據(jù)增強(qiáng)方法

論文名稱：HandAugment: A Simple Data Augmentation for HANDS19 Challenge Task 1 -- Depth-Based 3D Hand Pose Estimation

作者：Zhang Zhaohui /Xie Shipeng /Chen Mingxiu /Zhu Haichao

發(fā)表時(shí)間：2020/1/3

論文鏈接： https://paper.yanxishe.com/review/8175?from=leiphonecolumn_paperreview0108

推薦理由：這篇論文考慮的是3D景深圖像中預(yù)估手勢的問題。

這篇論文提出了一個(gè)簡單的數(shù)據(jù)增強(qiáng)方法HandAugment，包含兩階段的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)：第一階段在迭代的模式下抽取手部圖像塊，并根據(jù)深度圖預(yù)估手的初始姿態(tài)，過濾掉噪音圖塊（例如背景與手臂）。被抽取出的圖塊與初始化手部姿態(tài)被代入第二階段的神經(jīng)網(wǎng)絡(luò)，以獲取最終的手部姿態(tài)。

這種兩階段策略極大提升了手勢識別的準(zhǔn)確率，并在HANDS19挑戰(zhàn)任務(wù)1-基于景深的3D手勢識別大賽上獲得了第一名。

紐約攝政科學(xué)考試從“ F”到“ A”：Aristo項(xiàng)目概述

論文名稱：From 'F' to 'A'>作者：Clark Peter /Etzioni Oren /Khashabi Daniel /Khot Tushar /Mishra Bhavana Dalvi /Richardson Kyle /Sabharwal Ashish /Schoenick Carissa...

發(fā)表時(shí)間：2019/9/4

論文鏈接：https://paper.yanxishe.com/review/7846?from=leiphonecolumn_paperreview0108

推薦理由：人工智能已經(jīng)在國際象棋，圍棋和撲克，甚至《危險(xiǎn)》等游戲上獲得了非凡的掌握，但是各種各樣的標(biāo)準(zhǔn)化考試仍然是一個(gè)巨大的挑戰(zhàn)。即使在2016年，最好的AI系統(tǒng)在8年級科學(xué)考試挑戰(zhàn)中也僅達(dá)到59.3％。

這篇論文報(bào)道了在紐約8年級攝政科學(xué)考試中取得了空前的成功，該系統(tǒng)首次在該考試的非圖表多項(xiàng)選擇（NDMC）問題上得分超過90％。此外，基于最近的語言模型的成功，我們的Aristo系統(tǒng)在相應(yīng)的12年級科學(xué)考試NDMC問題上超過了83％。在看不見的測試問題上得出的結(jié)果在不同的測試年份和這種測試的不同變體中都是可靠的。他們證明了現(xiàn)代的NLP方法可以精通此任務(wù)。雖然不是一般問題解答的完整解決方案（問題是多項(xiàng)選擇，并且領(lǐng)域僅限于8年級科學(xué)），但它代表了該領(lǐng)域的重要里程碑。

信息理論模型預(yù)測Q學(xué)習(xí)

論文名稱：Information Theoretic Model Predictive Q-Learning

作者：Bhardwaj Mohak /Handa Ankur /Fox Dieter /Boots Byron

發(fā)表時(shí)間：2019/12/31

論文鏈接：https://paper.yanxishe.com/review/8312?from=leiphonecolumn_paperreview0108

推薦理由：當(dāng)可以廉價(jià)地收集經(jīng)驗(yàn)時(shí)，無模型強(qiáng)化學(xué)習(xí)（RL）算法可以很好地解決順序決策問題；當(dāng)可以準(zhǔn)確地建模系統(tǒng)動力學(xué)時(shí)，基于模型的RL有效。但是，這兩個(gè)假設(shè)在諸如機(jī)器人技術(shù)之類的現(xiàn)實(shí)世界問題中都可能違背，在這種情況下，查詢系統(tǒng)的成本可能過高，而現(xiàn)實(shí)世界的動力學(xué)可能難以準(zhǔn)確建模。盡管模擬到真實(shí)的方法（例如域隨機(jī)化）試圖減輕有偏模擬的影響，但它們?nèi)匀粫馐軆?yōu)化挑戰(zhàn)（例如局部最小值和針對隨機(jī)化的手工設(shè)計(jì)分布），從而難以學(xué)習(xí)準(zhǔn)確的全局值函數(shù)或直接轉(zhuǎn)移到現(xiàn)實(shí)世界的政策。

與RL相反，模型預(yù)測控制（MPC）算法使用模擬器在線優(yōu)化簡單的策略類，從而構(gòu)建可以有效應(yīng)對現(xiàn)實(shí)世界動態(tài)變化的閉環(huán)控制器。MPC性能通常受模型偏差和優(yōu)化范圍有限等因素的限制。

在這項(xiàng)工作中，作者提出了信息理論MPC與熵正則化RL之間的新型理論聯(lián)系，并開發(fā)了一種可利用偏差模型的Q學(xué)習(xí)算法。我們驗(yàn)證了在Sim-to-sim控制任務(wù)上提出的算法，以證明優(yōu)化控制和從頭開始強(qiáng)化學(xué)習(xí)的改進(jìn)。我們的方法為系統(tǒng)地在真實(shí)機(jī)器人上部署強(qiáng)化學(xué)習(xí)算法鋪平了道路。