从具有高隐私要求的领域（例如医疗干预空间）获得的真实数据较低，并且收购在法律上很复杂。因此，这项工作提供了一种以医疗服装为例为医疗环境创建合成数据集的方法。目的是缩小合成数据和真实数据之间的现实差距。为此，使用虚幻的引擎插件或Unity比较了3D扫描服装和设计服装的方法。此外，还使用了绿屏和目标域数据集的混合现实数据集。我们的实验表明，设计服装的结构性域随机化以及混合现实数据提供了基线，可在临床目标域的测试数据集上实现72.0％的地图。当使用15％可用的目标域列车数据时，针对100％（660张图像）目标域列车数据的差距几乎可以关闭80.05％的地图（81.95％地图）。最后，我们表明，当使用100％目标域训练数据时，精度可以提高到83.35％的地图。
translated by 谷歌翻译
This paper reviews existing work in software engineering that applies statistical causal inference methods. These methods aim at estimating causal effects from observational data. The review covers 32 papers published between 2010 and 2022. Our results show that the application of statistical causal inference methods is relatively recent and that the corresponding research community remains relatively fragmented.
translated by 谷歌翻译
语言随着时间的流逝而演变，单词含义会发生相应的变化。在社交媒体中尤其如此，因为它的动态性质会导致语义转移的速度更快，这使得NLP模型在处理新内容和趋势方面具有挑战性。但是，专门解决这些社交平台动态性质的数据集和模型的数量很少。为了弥合这一差距，我们提出了Tempowic，这是一种新的基准，尤其是旨在加快基于社交媒体的含义转变的研究。我们的结果表明，即使对于最近发行的专门从事社交媒体的语言模型，Tempowic是一个具有挑战性的基准。
translated by 谷歌翻译
为了能够在不怀疑的情况下使用人工智能（AI）在医学中，并认识到和评估其日益增长的潜力，在当前和未来的医务人员中，对该主题的基本理解是必要的。在“通过理解的信任”的前提下，我们在德国Ki校园（AI校园）项目框架内开发了创新的在线课程，这是一个自我指导的课程，它教授AI的基础知识进行分析医疗图像数据。主要目标是提供一个学习环境，以充分了解医学图像分析中的AI，以便通过积极的应用经验来克服对该主题的进一步兴趣，并可以克服对其使用的抑制。重点是医疗应用和机器学习的基础。在线课程分为连续的课程，其中包括以解释性视频的形式，以简化和实践练习和/或测验的形式进行的实践练习，以检查学习进度。在课程的第一次跑步中，参与医学生的一项调查用于定量分析我们的研究假设。
translated by 谷歌翻译
表问题回答（表QA）是指从表中提供精确的答案来回答用户的问题。近年来，在表质量检查方面有很多作品，但是对该研究主题缺乏全面的调查。因此，我们旨在提供表QA中可用数据集和代表性方法的概述。我们根据其技术将现有的表质量质量质量检查分为五个类别，其中包括基于语义的，生成，提取，基于匹配的基于匹配的方法和基于检索的方法。此外，由于表质量质量质量检查仍然是现有方法的一项艰巨的任务，因此我们还识别和概述了一些关键挑战，并讨论了表质量质量检查的潜在未来方向。
translated by 谷歌翻译
从演示和成对偏好推断奖励功能是对准与人类意图的强化学习（RL）代理的吉祥方法。然而，最先进的方法通常专注于学习单一奖励模型，从而使得难以从多个专家兑换不同的奖励功能。我们提出了多目标加强主动学习（道德），这是一种将社会规范多样化示范与帕累托最优政策相结合的新方法。通过维持分布在标量化权重，我们的方法能够以各种偏好交互地调整深度RL代理，同时消除了计算多个策略的需求。我们经验展示了道德在两种情景中的有效性，该方案模拟了需要代理人在规范冲突的情况下采取行动的交付和紧急任务。总体而言，我们认为我们的研究迈出了多目标RL的一步，具有学习奖励，弥合当前奖励学习和机器伦理文学之间的差距。
translated by 谷歌翻译
迄今为止，迄今为止，众所周知，对广泛的互补临床相关任务进行了全面比较了医学图像登记方法。这限制了采用研究进展，以防止竞争方法的公平基准。在过去五年内已经探讨了许多新的学习方法，但优化，建筑或度量战略的问题非常适合仍然是开放的。 Learn2reg涵盖了广泛的解剖学：脑，腹部和胸部，方式：超声波，CT，MRI，群体：患者内部和患者内部和监督水平。我们为3D注册的培训和验证建立了较低的入境障碍，这帮助我们从20多个独特的团队中汇编了65多个单独的方法提交的结果。我们的互补度量集，包括稳健性，准确性，合理性和速度，使得能够独特地位了解当前的医学图像登记现状。进一步分析监督问题的转移性，偏见和重要性，主要是基于深度学习的方法的优越性，并将新的研究方向开放到利用GPU加速的常规优化的混合方法。
translated by 谷歌翻译
目前可变形的医学图像登记的方法通常难以满足以下所有标准：多功能适用性，小的计算或培训时间，以及能够估计大变形。此外，用于监督登记培训的端到端网络通常变得过于复杂，难以训练。对于Learn2Reg2021挑战，我们的目标是通过解耦特征学习和几何对齐来解决这些问题。首先，我们介绍了一种新的非常快速准确的优化方法。通过采用离散的位移和耦合的凸优化程序，我们能够强大地应对大变形。借助基于亚当的实例优化，我们实现了非常准确的注册性能，并通过使用正则化，我们获得了光滑和合理的变形字段。其次，对于不同的注册任务来说是多功能的，我们提取手工制作的功能，这些功能是模态和对比度不变，并将它们与来自特定于任务的分段U-Net的语义特征补充。通过我们的结果，我们能够实现整体学习2REG2021挑战的第二名，赢得任务1，并在另外两项任务中赢得任务1。
translated by 谷歌翻译
跨模型检索已成为仅限文本搜索引擎（SE）最重要的升级之一。最近，通过早期交互的成对文本图像输入的强大表示，Vision-Language（VL）变压器的准确性已经表现优于文本图像检索的现有方法。然而，当使用相同的范例来推理时，VL变压器的效率仍然太低，不能应用于真正的跨模型SE。通过人类学习机制和使用跨模型知识的启发，本文提出了一种新颖的视觉语言分解变压器（VLDEFormer），这大大提高了VL变压器的效率，同时保持了它们的出色准确性。通过所提出的方法，跨模型检索分为两个阶段：VL变压器学习阶段和VL分解阶段。后期阶段发挥单一模态索引的作用，这在某种程度上是文本SE的术语索引。该模型从早期交互预训练中学习跨模型知识，然后将其分解为单个编码器。分解只需要监督和达到1000美元+ $倍的小目标数据集，并且少于0.6美元\％平均召回。 VLDEFormer还优于COCO和FLICKR30K的最先进的视觉语义嵌入方法。
translated by 谷歌翻译