This paper presents a Temporal Graph Neural Network (TGNN) framework for detection and localization of false data injection and ramp attacks on the system state in smart grids. Capturing the topological information of the system through the GNN framework along with the state measurements can improve the performance of the detection mechanism. The problem is formulated as a classification problem through a GNN with message passing mechanism to identify abnormal measurements. The residual block used in the aggregation process of message passing and the gated recurrent unit can lead to improved computational time and performance. The performance of the proposed model has been evaluated through extensive simulations of power system states and attack scenarios showing promising performance. The sensitivity of the model to intensity and location of the attacks and model's detection delay versus detection accuracy have also been evaluated.
translated by 谷歌翻译
最近在灾害信息学的研究证明了人工智能的实用而重要的用例，以拯救人类生命和基于社交媒体内容（文本和图像）的自然灾害期间的痛苦。虽然使用文本的显着进度，但利用图像的研究仍然相对较低。要提前基于图像的方法，我们提出了Medic（可用于：https://crisisnlp.qcri.org/medic/index.html），这是人道主义响应的最大社交媒体图像分类数据集，由71,198个图像组成在多任务学习设置中的四个不同任务。这是它的第一个数据集：社交媒体图像，灾难响应和多任务学习研究。该数据集的一个重要属性是它的高潜力，可以为多任务学习进行贡献，该研究最近从机器学习界获得了很多兴趣，并在内存，推理速度，性能和泛化能力方面显示出显着的结果。因此，所提出的数据集是用于推进基于图像的灾害管理和多任务机器学习研究的重要资源。
translated by 谷歌翻译
快速准确地检测该疾病可以大大帮助减少任何国家医疗机构对任何大流行期间死亡率降低死亡率的压力。这项工作的目的是使用新型的机器学习框架创建多模式系统，该框架同时使用胸部X射线（CXR）图像和临床数据来预测COVID-19患者的严重程度。此外，该研究还提出了一种基于nom图的评分技术，用于预测高危患者死亡的可能性。这项研究使用了25种生物标志物和CXR图像，以预测意大利第一波Covid-19（3月至6月2020年3月至6月）在930名Covid-19患者中的风险。提出的多模式堆叠技术分别产生了89.03％，90.44％和89.03％的精度，灵敏度和F1分数，以识别低风险或高危患者。与CXR图像或临床数据相比，这种多模式方法可提高准确性6％。最后，使用多元逻辑回归的列线图评分系统 - 用于对第一阶段确定的高风险患者的死亡风险进行分层。使用随机森林特征选择模型将乳酸脱氢酶（LDH），O2百分比，白细胞（WBC）计数，年龄和C反应蛋白（CRP）鉴定为有用的预测指标。开发了五个预测因素参数和基于CXR图像的列函数评分，以量化死亡的概率并将其分为两个风险组：分别存活（<50％）和死亡（> = 50％）。多模式技术能够预测F1评分为92.88％的高危患者的死亡概率。开发和验证队列曲线下的面积分别为0.981和0.939。
translated by 谷歌翻译
基于运输的指标和相关嵌入（转换）最近已用于模拟存在非线性结构或变化的信号类。在本文中，我们研究了具有广义的瓦斯汀度量的时间序列数据的测量特性，以及与它们在嵌入空间中签名的累积分布变换有关的几何形状。此外，我们展示了如何理解这种几何特征可以为某些时间序列分类器提供可解释性，并成为更强大的分类器的灵感。
translated by 谷歌翻译
本文使用签名的累积分布变换（SCDT）提出了一种新的端到端信号分类方法。我们采用基于运输的生成模型来定义分类问题。然后，我们利用SCDT的数学属性来使问题更容易在变换域中，并使用SCDT域中的最接近局部子空间（NLS）搜索算法求解未知样本的类。实验表明，所提出的方法提供了高精度的分类结果，同时又有数据效率，对分布样本的强大稳定性以及相对于深度学习端到端分类方法的计算复杂性而具有竞争力。在Python语言中的实现将其作为软件包Pytranskit（https://github.com/rohdelab/pytranskit）的一部分集成。
translated by 谷歌翻译
深度卷积神经网络（CNNS）广泛地被认为是最先进的通用端到端图像分类系统。然而，当训练数据受到限制时，它们众所周知，他们需要渲染方法计算得昂贵并且并不总是有效的数据增强策略。而不是使用数据增强策略来编码在机器学习中通常在机器学习中进行的修正，而我们建议通过利用氡累积分配变换（R-CDT）的某些数学属性来数学上增强切片 - Wasserstein空间中最近的子空间分类模型。最近引入的图像变换。我们证明，对于特定类型的学习问题，我们的数学解决方案在分类精度和计算复杂性方面具有深度CNN的数据增强，并且在有限的训练数据设置下特别有效。该方法简单，有效，计算高效，不迭代，不需要调整参数。实现我们的方法的Python代码可在https://github.com/rohdelab/mathemation_augmentation中获得。我们的方法是作为软件包Pytranskit的一部分，可在https://github.com/rohdelab/pytranskit中获得。
translated by 谷歌翻译
目的：本研究旨在开发患者撰写的社交媒体职位的终端到底天然语言处理管道，用于从患者撰写的社交媒体职位，为研究人员和公共卫生从业者提供有关症状，严重程度的额外信息和疾病的患病率而不是在个人层面提供可行的决定。材料和方法：文本处理流水线首先使用条件随机场从患者柱中提取Covid-19症状和相关概念，例如患者的职位。然后应用无监督的基于规则的算法来建立管道下一步中的概念之间的关系。随后使用提取的概念和关系来构建每个帖子的两个不同的矢量表示。这些载体分别应用，以将支持向量机学习模型构建到分类患者分为三类，并为Covid-19诊断它们。结果：我们报告的是，当模型在人类标记数据上培训时，分别为71-96％和61-87％的宏观和微平均f1分别为71-96％和61-87％的分数，分别为Covid-19的分类和诊断。我们的实验结果表明，当使用来自基于概念提取和规则的分类器的预测标签训练模型训练时，可以实现类似的性能，从而产生端到端机器学习。此外，我们突出了我们的诊断机器学习模型揭示的重要功能，并将它们与另一个Covid-19数据集中透露的最常见的症状进行比较。特别是，我们发现最重要的功能并不总是最常见的功能。
translated by 谷歌翻译
早期检测鱼类疾病并确定潜在原因对农民来说至关重要，以便采取必要的步骤来减轻潜在的爆发，从而避免对国民经济的明显负面影响的财务损失。通常，鱼类疾病是由病毒和细菌引起的;根据生化研究，某些细菌和病毒的存在可能影响水中的pH，DO，BOD，COD，TSS，TDS，EC，PO43-，NO3-N和NH 3-N的水平，导致死亡鱼。此外，自然过程，例如光合作用，呼吸和分解，也有助于改变水质对鱼类健康产生不利影响。通过最近的机器学习技术成功，本文采用了最先进的机器学习算法，以检测和预测水质的及时和准确地降解水质。因此，它有助于采取潜在鱼类疾病的先发制人。实验结果表明，基于真实数据集的算法检测对水质特异性的鱼类疾病的高精度。
translated by 谷歌翻译