- Общая модель осмысления для взаимодействия человека и машины (arXiv)
Автор:Георге Текуч, Дорин Марку, Луи Кайзер, Михай Бойку
Аннотация: мы представляем модель осмысления, которая значительно облегчает сотрудничество между интеллектуальным аналитиком и агентом, основанным на знаниях. Это общая модель, основанная на науке о доказательствах и научном методе генерирования и проверки гипотез, при котором генерируются осмысленные гипотезы, объясняющие наблюдение, затем обнаруживаются соответствующие доказательства, и гипотезы проверяются на основе обнаруженных свидетельств. Мы показываем, как модель позволяет аналитику напрямую инструктировать агента для понимания ситуаций, связанных с возможным производством оружия (например, боевых отравляющих веществ), и как агент становится все более компетентным в понимании других ситуаций из этой области (например, возможное производство центрифужно-обогащенный уран или истребитель-невидимка)
2. Отличительные черты взаимодействия человека и машины: схема оценки в рамках программы DARPA «Общение с компьютерами» (arXiv)
Автор: Робин Козерок, Джон Абердин, Шерил Кларк, Кристофер Гэрэй, Брэдли Гудман, Тония Корвес, Линетт Хиршман, Патриция Л. Макдермотт. , Мэттью В. Петерсон
Аннотация. Растет желание создавать компьютерные системы, которые могут эффективно взаимодействовать для совместной работы с людьми в сложных, неограниченных действиях. Оценка этих систем сопряжена со значительными трудностями. Мы описываем структуру для оценки систем, задействованных в открытых сложных сценариях, где оценщики не могут позволить себе роскошь сравнивать производительность с единственным правильным ответом. Эта структура использовалась для оценки творческого сотрудничества человека и машины при создании историй и музыки, интерактивном построении блоков и исследовании молекулярных механизмов при раке. Эти действия коренным образом отличаются от более ограниченных задач, выполняемых большинством современных личных помощников, поскольку они, как правило, открыты, не имеют единого правильного решения и часто не имеют очевидных критериев завершения. Мы определили ключевые свойства, которыми должны обладать успешные системы. Оттуда мы определили «Признаки» успеха — возможности и функции, которые могут наблюдать оценщики и которые будут свидетельствовать о прогрессе в достижении ключевого свойства. Ключевые свойства и отличительные признаки не только являются основой для оценки, но и служат целями, определяющими направление исследований.
3. Совместное кодирование видео человека и машины с помощью кубовидного разбиения (arXiv)
Автор: Ашек Ахмед, Маноранджан Пол, Манзур Муршед, Дэвид Таубман
Вывод:алгоритмы кодирования видео кодируют и декодируют весь видеокадр, в то время как методы кодирования элементов сохраняют и передают только наиболее важную информацию, необходимую для данного приложения. Это связано с тем, что кодирование видео нацелено на человеческое восприятие, а кодирование функций нацелено на задачи машинного зрения. В последнее время предпринимаются попытки преодолеть разрыв между этими двумя областями. В этой работе мы предлагаем структуру кодирования видео, используя общность, существующую между приложениями человеческого зрения и машинного зрения, использующими кубоиды. Это связано с тем, что кубоиды, предполагаемые прямоугольные области в видеокадре, эффективны с точки зрения вычислений, имеют компактное представление и ориентированы на объекты. Уже показано, что такие свойства повышают ценность традиционных систем кодирования видео. Здесь дескрипторы кубических признаков извлекаются из текущего кадра и затем используются для выполнения задачи машинного зрения в форме обнаружения объекта. Экспериментальные результаты показывают, что обученный классификатор обеспечивает превосходную среднюю точность, когда он оснащен кубическими элементами, ориентированными на представление текущего тестового кадра. Кроме того, это представление требует на 7% меньше скорости передачи данных, если захваченные кадры необходимо передать приемнику.
4. Глубокая ценность средств оценки информации для совместного сбора информации человеком и машиной (arXiv)
Автор: Kin Gwn Lore, Nicholas Sweet, Kundan Kumar, Nisar Ahmed, Soumik Sarkar.
Аннотация. Эффективное сотрудничество человека и машины может значительно улучшить многие стратегии обучения и планирования для сбора информации за счет объединения «жестких» и «мягких» данных, поступающих от датчиков машины и человека соответственно. Однако сбор наиболее информативных данных с датчиков человека без перегрузки задач остается важной технической задачей. В этом контексте ценность информации (VOI) является важнейшей теоретической метрикой принятия решений для планирования взаимодействия с человеческими датчиками. Мы представляем новую структуру оценки VOI на основе глубокого обучения, которую можно использовать для планирования совместного зондирования человека и машины с эффективным онлайн-выводом с вычислительной точки зрения и минимальной ручной настройкой политики. Обучение с учителем используется для обучения глубоких сверточных нейронных сетей (CNN) для извлечения иерархических признаков из «изображений» пространств убеждений, полученных путем слияния данных. Эти функции могут быть связаны с выбором программных запросов данных для надежного расчета VOI для человеческого взаимодействия. Подробно описана структура CNN, а также приведено сравнение производительности с политикой планирования POMDP на основе функций. Практическая осуществимость нашего метода также продемонстрирована на задаче мобильного роботизированного поиска с семантическими входными данными человеческого сенсора на основе языка.
5. AttoNets: компактные и эффективные глубокие нейронные сети для периферийных устройств с помощью совместного проектирования человек-машина (arXiv)
Автор: Александр Вонг, Чжун Цю Линь, Брендан Чвил
Аннотация. Несмотря на то, что глубокие нейронные сети достигли высочайшего уровня производительности при выполнении большого количества сложных задач, развертывание таких сетей для практических периферийных сценариев на устройствах, таких как на мобильных устройствах, потребительских устройствах, дронах и транспортных средствах. В этом исследовании мы более глубоко изучаем подход к совместному проектированию человека и машины для создания высокоэффективных глубоких нейронных сетей посредством синергии между принципиальным прототипированием сетевого дизайна и исследованием дизайна, управляемым машиной. Эффективность совместного проектирования «человек-машина» демонстрируется созданием AttoNets, семейства высокоэффективных глубоких нейронных сетей для глубокого обучения на периферии устройства. Каждая AttoNet обладает заданной человеком макроархитектурой сетевого уровня, состоящей из пользовательских модулей с уникальными машинно-разработанными конструкциями макро- и микроархитектуры модульного уровня, все они управляются заданными человеком требованиями к конструкции. Экспериментальные результаты для задачи распознавания объектов показали, что AttoNet, созданные с помощью совместного проектирования человека и машины, имеют значительно меньше параметров и вычислительных затрат, чем современные сети, разработанные для эффективности, при этом достигая заметно более высокой точности (при этом наименьшая AttoNet достигает ~ На 1,8% выше точность при примерно в 10 раз меньшем количестве операций и параметров сложения по сравнению с MobileNet-V1). Кроме того, эффективность AttoNets продемонстрирована для задачи сегментации объектов на уровне экземпляра и обнаружения объектов, где сеть Mask R-CNN на основе AttoNet была построена со значительно меньшими параметрами и вычислительными затратами (примерно в 5 раз меньше операций умножения и сложения). в 2 раза меньше параметров), чем сеть Mask R-CNN на основе ResNet-50.
