Differentially Private Stochastic Gradient Descent (DP-SGD) is a key method for applying privacy in the training of deep learning models. This applies isotropic Gaussian noise to gradients during training, which can perturb these gradients in any direction, damaging utility. Metric DP, however, can provide alternative mechanisms based on arbitrary metrics that might be more suitable. In this paper we apply \textit{directional privacy}, via a mechanism based on the von Mises-Fisher (VMF) distribution, to perturb gradients in terms of \textit{angular distance} so that gradient direction is broadly preserved. We show that this provides $\epsilon d$-privacy for deep learning training, rather than the $(\epsilon, \delta)$-privacy of the Gaussian mechanism; and that experimentally, on key datasets, the VMF mechanism can outperform the Gaussian in the utility-privacy trade-off.
translated by 谷歌翻译
从时间序列数据中推断化学反应网络（CRN）是细胞水平上定量时间数据的可用性日益增长的挑战。这激发了算法的设计，以推断给定生化过程中观察到的分子物种之间的占主导反应，并有助于构建CRN模型结构和动力学。现有的基于ODE的推理方法，例如Sindy诉讼至少正方形回归，结合了稀疏性强制性惩罚，例如Lasso。但是，当仅在存在所有反应的野生型条件下提供输入时间序列时，我们观察到当前方法无法学习稀疏模型。结果：我们提出了一种Reactmine，这是一种CRN学习算法，该算法通过在有界深度的搜索树中以连续的方式推断反应来实现稀疏性，根据其动力学的差异对推断反应候选者进行排名，并重新计算CRN动力学参数在最后一遍中，整个痕迹对推断的CRN候选人进行排名。我们首先评估其在隐藏CRN基准的模拟数据上的性能，以及算法高参数敏感性分析，然后在两组真实的实验数据上进行评估：一组来自细胞周期和昼夜节律标记的蛋白质荧光视频，一个来自生物医学测量值。系统的昼夜节律生物标志物可能作用于外周器官中的时钟基因表达。我们表明，Reactmine通过检索Sindy失败的隐藏CRN以及通过与以前的研究一致的反应来取得成功。
translated by 谷歌翻译
当前对火星（新鲜）影响的库存表现出对低热惯性区域的强烈偏见。这些区域通常在视觉上明亮，影响会产生黑暗的冲浪和射线，从而使它们更易于检测。预计在较高的热惯性区域以类似的速度发生影响，但这些影响不足。这项研究调查了使用训练有素的机器学习分类器，以使用CTX数据来增加对火星新鲜影响的检测。这种方法发现了69种新的新鲜影响，这些影响已通过后续的Hirise图像得到了证实。我们发现，检查由热惯性（TI）值分区的候选物值，仅由于大量的机器学习候选物而可能有助于减少观察偏置并增加已知的高TI影响的数量。
translated by 谷歌翻译
在本文中，我们介绍了MCCE：Monte Carlo采样的现实反事实解释，一种基于模型的方法，通过使用条件推理树产生一组可行的例子来产生反事实解释。与必须求解复杂优化问题或基于其他模型的基于模型的方法不同的基于算法的反事实方法，这些方法使用重型机器学习模型模拟数据分布，MCCE仅由两个轻量级步骤（生成和后处理）组成。对于最终用户而言，MCCE也是直接的，用于理解和实现，处理任何类型的预测模型和类型的特征，考虑到产生反事实说明时，并根据需要产生尽可能多的反事实解释。在本文中，我们介绍了MCCE，并提供了可用于比较反事实解释的全面的性能指标列表。我们还将MCCE与一系列最先进的方法和基准数据集的新基线方法进行比较。 MCCE在考虑有效性（即，正确改变的预测）和可操作性约束时，MCCE优于所有基于模型的方法和基于算法的方法。最后，我们表明MCCE在仅在训练数据的小型子集时，几乎具有效果的实力。
translated by 谷歌翻译
在世界上一些地区的蝗虫侵犯，包括非洲，亚洲和中东已成为一个有关人们对数百万人的生命的问题。在这方面，已经尝试通过使用卫星和传感器的蝗虫育种区域的检测和监测来解决或降低该问题的严重程度，或使用化学物质以防止形成群体。然而，这些方法尚未能够抑制蝗虫的出现和集体行为。另一方面，在形成之前预测蝗虫群的位置的能力可以帮助人们更有效地获得侵扰问题。在这里，我们使用机器学习来使用联合国食品和农业组织公布的可用数据来预测蝗虫群的位置。这些数据包括观察到的群体以及环境信息，包括土壤水分和植被密度。所获得的结果表明，我们所提出的模型可以成功，并且具有合理的精度，预测蝗虫群的位置，以及使用密度概念的可能损坏程度。
translated by 谷歌翻译