医疗AI通过支持基于证据的医学实践,个性化患者治疗,降低成本以及改善提供者和患者体验,推进医疗保健的巨大潜力。我们认为解锁此潜力需要一种系统的方法来衡量在大规模异构数据上的医疗AI模型的性能。为了满足这种需求,我们正在建立Medperf,这是一个开放的框架,用于在医疗领域的基准测试机器学习。 Medperf将使联合评估能够将模型安全地分配给不同的评估设施,从而赋予医疗组织在高效和人类监督过程中评估和验证AI模型的性能,同时优先考虑隐私。我们描述了当前的挑战医疗保健和AI社区面临,需要开放平台,Medperf的设计理念,其目前的实施状态和我们的路线图。我们呼吁研究人员和组织加入我们创建Medperf开放基准平台。
translated by 谷歌翻译
储层计算(RC)已经获得了最近的兴趣,因为无需培训储层权重,从而实现了极低的资源消费实施,这可能会对边缘计算和现场学习的影响有严格的限制。理想情况下,天然硬件储层应被动,最小,表现力和可行性。迄今为止,拟议的硬件水库很难满足所有这些标准。因此,我们建议通过利用偶极耦合,沮丧的纳米磁体的被动相互作用来符合所有这些标准的水库。挫败感大大增加了稳定的储层国家的数量,丰富了储层动力学,因此这些沮丧的纳米磁体满足了天然硬件储层的所有标准。同样,我们提出了具有低功率互补金属氧化物半导体(CMOS)电路的完全沮丧的纳米磁管储层计算(NMRC)系统与储层接口,并且初始实验结果证明了储层的可行性。在三个单独的任务上,通过微磁模拟对储层进行了验证。将所提出的系统与CMOS Echo-State网络(ESN)进行了比较,表明总体资源减少了10,000,000多倍,这表明,由于NMRC自然是被动的,而且最小的可能是具有极高资源效率的潜力。
translated by 谷歌翻译
大多数从功能磁共振成像(fMRI)数据估算大脑功能连接性的方法依赖于计算统计依赖性的某些度量,或者更一般地,单变量代表性的时间序列(ROIS)(ROI)由多个Voxels组成。但是,总结ROI的多个时间序列具有其平均值或第一个主成分(1pc)可能导致信息丢失,例如,1PC仅解释了神经元活动的多变量信号的一小部分。我们建议在不使用代表性时间序列的情况下直接比较ROI,并根据Wasserstein距离定义了ROI之间的新的多元连通性量度,不一定由相同数量的体素组成。我们在自闭症筛查任务上评估了拟议的Wasserstein功能连接度量,证明了其优越性优于常用单变量和多元功能连通性测量。
translated by 谷歌翻译
及时,准确地检测功率电子中的异常,对于维持复杂的生产系统而变得越来越重要。强大而可解释的策略有助于减少系统的停机时间,并抢占或减轻基础设施网络攻击。这项工作从解释当前数据集和机器学习算法输出中存在的不确定性类型开始。然后引入和分析三种打击这些不确定性的技术。我们进一步介绍了两种异常检测和分类方法,即矩阵曲线算法和异常变压器,它们是在电源电子转换器数据集的背景下应用的。具体而言,矩阵配置文件算法被证明非常适合作为检测流时间序列数据中实时异常的概括方法。迭代矩阵配置文件的结构python库实现用于创建检测器。创建了一系列自定义过滤器并将其添加到检测器中,以调整其灵敏度,回忆和检测精度。我们的数值结果表明,通过简单的参数调整,检测器在各种故障场景中提供了高精度和性能。
translated by 谷歌翻译
我们介绍了第一个机器学习引力波搜索模拟数据挑战(MLGWSC-1)的结果。在这一挑战中,参与的小组必须从二进制黑洞合并中识别出复杂性和持续时间逐渐嵌入在逐渐更现实的噪声中的引力波信号。 4个提供的数据集中的决赛包含O3A观察的真实噪声,并发出了20秒的持续时间,其中包含进动效应和高阶模式。我们介绍了在提交前从参与者未知的1个月的测试数据中得出的6个输入算法的平均灵敏度距离和运行时。其中4个是机器学习算法。我们发现,最好的基于机器学习的算法能够以每月1个的错误警报率(FAR)的速度(FAR)实现基于匹配过滤的生产分析的敏感距离的95%。相反,对于真实的噪音,领先的机器学习搜索获得了70%。为了更高的范围,敏感距离缩小的差异缩小到某些数据集上选择机器学习提交的范围$ \ geq 200 $以优于传统搜索算法的程度。我们的结果表明,当前的机器学习搜索算法可能已经在有限的参数区域中对某些生产设置有用。为了改善最新的技术,机器学习算法需要降低他们能够检测信号并将其有效性扩展到参数空间区域的虚假警报率,在这些区域中,建模的搜索在计算上很昂贵。根据我们的发现,我们汇编了我们认为,将机器学习搜索提升到重力波信号检测中的宝贵工具,我们认为这是最重要的研究领域。
translated by 谷歌翻译
分析脑电图时,神经科医生经常在寻找各种“感兴趣的事件”。为了在这项任务中支持他们,已经开发了各种基于机器学习的算法。这些算法中的大多数将问题视为分类,从而独立处理信号段并忽略了持续时间事件固有的时间依赖性。在推理时,必须在处理后进行处理以检测实际事件。我们提出了一种基于深度学习的端到端事件检测方法(EventNet),该方法直接与事件一起作为学习目标,从临时的后处理方案逐渐消失,以将模型输出转化为事件。我们将EventNet与用于人工制品和癫痫发作检测的最新方法进行了比较,这两种事件类型具有高度可变的持续时间。 EventNet在检测两种事件类型方面显示出改进的性能。这些结果表明,将事件视为直接学习目标的力量,而不是使用临时后处理来获取它们。我们的事件检测框架可以轻松地扩展到信号处理中的其他事件检测问题,因为深度学习骨干链不取决于任何特定于任务的功能。
translated by 谷歌翻译
由于促进了各种复杂的任务,因此异质自动机器人团队变得越来越重要。对于此类异质机器人,目前尚无一致的方法来描述每个机器人提供的功能。在制造领域,功能建模被认为是针对不同机器提供的语义模型功能的一种有希望的方法。这项贡献研究了如何将能力模型从制造应用到自主机器人领域,并提出了这种能力模型的方法。
translated by 谷歌翻译
异常检测描述了发现与正常值空间不同的异常状态,实例或数据点的方法。工业流程是一个领域,需要在其中找到质量增强异常数据实例的预期模型。但是,主要的挑战是在这种环境中没有标签。本文有助于以数据为中心的工业生产中人工智能的方式。借助来自汽车组件的增材制造的用例,我们提出了基于深度学习的图像处理管道。我们将域随机化和合成数据的概念整合在循环中,这显示了深度学习进展及其在现实世界中的工业生产过程中的桥接结果。
translated by 谷歌翻译
网络物理系统(CPS)的复杂性日益增加,使工业自动化具有挑战性。需要处理大量传感器记录的数据,以充分执行诸如故障的诊断之类的任务。解决这种复杂性的一种有希望的方法是因果关系的概念。但是,大多数有关因果关系的研究都集中在推断未知系统部分之间的因果关系。工程以根本不同的方式使用因果关系:复杂的系统是通过将组件与已知可控行为相结合的。由于CP是通过第二种方法构建的,因此大多数基于数据的因果模型不适合工业自动化。为了弥合这一差距,提出了针对工业自动化各种应用程序领域的统一因果模型,这将允许更好地沟通和跨学科的更好的数据使用。最终的模型在数学上描述了CPS的行为,并且由于对应用领域的独特要求评估了该模型,因此证明统一的因果关系模型可以作为在工业自动化中应用新方法的基础,该方法侧重于机器学习。
translated by 谷歌翻译
分配转移和公平性的稳健性已独立地成为现代机器学习模型所需的两个重要的逃亡者。尽管这两个Desiderata似乎相关,但它们之间的联系通常不清楚。在这里,我们通过因果镜头讨论这些连接,重点是反作用预测任务,其中假定分类器的输入(例如,图像)是作为目标标签和受保护属性的函数生成的。通过采用这一观点,我们在共同的公平标准(分离)和鲁棒性 - 风险不变性的概念之间达到明确的联系。这些连接为在反疗法环境中应用分离标准提供了新的动机,并为关于公平性绩效折衷的旧讨论提供了信息。此外,我们的发现表明,鲁棒性动机的方法可用于强制执行分离,并且它们在实践中通常比旨在直接强制执行分离的方法更好。使用医学数据集,我们从经验上验证了关于检测X射线肺炎的任务的发现,在这种情况下,性别群体的患病率差异激发了公平性缓解。我们的发现突出了选择和执行公平标准时考虑因果结构的重要性。
translated by 谷歌翻译