我们调查了多辅助多武装强盗（MA-MAB）设置来建模重复的Cournot寡头寡头寡头杆游戏，该公司作为代理的公司从代表生产量（离散值）的武器中选择。代理商与单独和独立的强盗问题交互。在这种制定中，每个代理人在武器之间进行连续选择，以最大化自己的奖励。代理商没有有关环境的任何信息;在采取行动后，他们只能看到自己的奖励。但是，市场需求是行业总产量的静止功能，不允许随机进入或从市场退出。鉴于这些假设，我们发现$ \ epsilon $ -greedy方法提供比其他传统MAB方法更加可行的学习机制，因为它不需要对系统进行任何额外的知识来运作。我们还提出了两种旨在利用订购的行动空间：$ \ epsilon $ -greedy + hl和$ \ epsilon $ -greedy + el。这些新方法通过消除较少的有利可图的选择，帮助公司专注于更有利可图的行动，从而旨在优化勘探。我们使用计算机模拟来研究结果中各种均衡的出现，并对关节累积遗憾进行实证分析。
translated by 谷歌翻译
结构性因果模型（SCM）提供了一种原则方法，可以从经济学到医学的学科中的观察和实验数据中识别因果关系。但是，通常以图形模型表示的SCM不仅可以依靠数据，而要支持域知识的支持。在这种情况下，一个关键的挑战是缺乏以系统的方式将先验（背景知识）编码为因果模型的方法学框架。我们提出了一个称为因果知识层次结构（CKH）的抽象，用于将先验编码为因果模型。我们的方法基于医学中“证据水平”的基础，重点是对因果信息的信心。使用CKH，我们提出了一个方法学框架，用于编码来自各种信息源的因果研究，并将它们组合起来以得出SCM。我们在模拟数据集上评估了我们的方法，并与敏感性分析的地面真实因果模型相比，证明了整体性能。
translated by 谷歌翻译
ECG数据库通常由于正常的心电图和异常病例的稀缺性而高度不平衡。因此，经过不平衡数据集培训的深度学习分类器通常表现不佳，尤其是在次要课程上。一种解决方案是使用生成对抗网络（GAN）生成逼真的合成ECG信号，以增强数据集的不平衡数据集。在这项研究中，我们首次将条件GAN与WGAN-GAN结合在一起，并以1D形式开发了AC-WGAN-GP，以应用于MIT-BIH心律失常数据集。我们研究了数据增强对心律失常分类的影响。我们采用了两个模型进行心电图生成：（i）无条件的gan； Wasserstein gan具有梯度罚款（WGAN-GP）在每个班级上都受过训练； （ii）有条件的gan；一个辅助分类器WGAN-GP（AC-WGAN-GP）模型均在所有类别上训练，然后用于在所有类别中生成合成节拍。每种情况下定义了两种情况：（a）未经检查；使用了所有生成的合成节拍，并且（b）筛选；基于其动态时间翘曲（DTW）到指定模板，仅选择并使用了一部分生成的节拍。在每个增强数据集和性能指标（精确/召回/F1得分微型和宏观水平，混淆矩阵，多层级别的Precision-Recall Precall curves）中，对最先进的重新NET分类器（ECGRESNET34）进行了培训（precision/Recemision/Recker/F1得分微观和宏观分数）。与未表现不平衡案件的案件相比。我们还使用了简单的度量净改进。这三个指标始终显示出净改进（总和次级和次级），无条件的GAN具有原始生成的数据（未筛选）可创造最佳改进。
translated by 谷歌翻译
由于异常情况的稀缺性，心电图（ECG）数据集往往受到高度不平衡的。此外，由于隐私问题，使用真正的患者的心电图是高度监管的。因此，总是需要更多的ECG数据，特别是对于自动诊断机器学习模型的培训，这在培训在平衡数据集时更好地执行。我们研究了从生成的对抗网络（GAN）家庭的5种不同模型的合成ECG生成能力，并比较了它们的表演，焦点仅在正常的心脏周期上。动态时间翘曲（DTW），FR \'echet和欧几里德距离功能用于定量测量性能。提出并应用了评估生成节拍的五种不同方法。我们还提出了3个新概念（阈值，接受的节拍和生产率），并将其与上述方法一起作为一种系统的方式，以便在模型之间进行比较。结果表明，所有测试模型都可以在一定程度上成功地产生具有高相似性的可接受的心跳，在形态特征中具有高相似性，并且可能所有这些都可以使用它们来增强不平衡的数据集。然而，产生的节拍的目视检查有利于Bilstm-DC Gan和Wan，因为它们产生统计上更可接受的节拍。此外，关于生产率，经典GaN优越，生产率72％。
translated by 谷歌翻译
Covid-19 Pandemic是一个持续的全球大流行，这导致了公共卫生部门和全球经济中的前所未有的中断。病毒，SARS-COV-2负责冠状病毒病的快速传播。由于其传染性，病毒可以容易地感染不受保护和暴露的个体，从轻度到严重症状。对怀孕母亲和新生儿的病毒效应的研究现在是平民和公共卫生工作者在全球范围内的关于病毒如何影响母亲和新生儿健康的问题。本文旨在制定一种预测模型，以估算基于记录的症状的携带型患者死亡的可能性：呼吸困难，咳嗽，鼻子，关节痛和肺炎的诊断。我们研究中使用的机器学习模型是支持向量机，决策树，随机林，渐变升压和人工神经网络。该模型提供了令人印象深刻的结果，可以准确地预测给定输入的怀孕母亲的死亡率。3型号（ANN，渐变升压，随机林）的精度率为100％，最高精度得分（梯度提升，ANN）是95 ％，最高召回（支持向量机）为92.75％，最高F1得分（梯度提升，ANN）为94.66％。由于模型的准确性，怀孕的母亲可以基于其由于病毒而导致的可能性即时治疗。全球卫生工人可以利用该模型列出急诊患者，最终可以降低Covid-19诊断患者的死亡率。
translated by 谷歌翻译