Таблица | Карточка | RUSMARC | |
Аннотация
A new modification of the deep forest (DF), called the attention-based deep forest (ABDF), for solving classification problems is proposed in the paper. The main idea behind the modification is to use the attention mechanism to aggregate predictions of the random forests at each level of the DF to enhance the classification performance of the DF. The attention mechanism is implemented by assigning the attention weights with trainable parameters to class probability vectors. The trainable parameters are determined by solving an optimization problem minimizing the loss function of predictions at each level of the DF. In order to reduce the number of random forests, the multi-head attention is incorporated into the DF. Numerical experiments with real data illustrate the ABDF and compare it with the original DF.
Необходимость применения групп как однородных, так и разнородных роботов в ограниченном пространстве приводит к необходимости взаимодействия роботов между собой с целью предотвращения аварий и помех другим роботам. Ограниченность каналов связи по скорости и дальности не позволяет удаленно контролировать каждого робота, что приводит к необходимости создания систем мультиагентного управления, то есть способности группы роботов решать возникающие проблемы без участия человека. В статье рассмотрен вопрос эффективности такой группы в зависимости от технических ограничений каждого робота и числа роботов в группе. Показано, что увеличение числа автономных необитаемых подводных аппаратов (АНПА) в группе приводит к существенному увеличению эффективности, но при достижении определенного числа эффективность падает, поскольку большие группы АНПА тратят на перестроение значительно больше времени, и прирост эффективности при увеличении числа АНПА пропадает.
Права на использование объекта хранения
Входит в состав
Статистика использования
|
Количество обращений: 66
За последние 30 дней: 10 Подробная статистика |