目的：单个骨骼的本地化和细分是许多计划和导航应用程序中重要的预处理步骤。但是，如果手动完成，这是一项耗时和重复的任务。这不仅对于临床实践，而且对于获取培训数据都是正确的。因此，我们不仅提出了一种端到端学习的算法，该算法能够在上身CT中分割125个不同的骨骼，而且还提供了基于合奏的不确定性度量，有助于单张扫描以扩大训练数据集。方法我们使用受3D-UNET和完全监督培训启发的神经网络体系结构创建全自动的端到端学习细分。使用合奏和推理时间扩展改进结果。我们研究了合奏 - 不确定性与未标记的扫描的前瞻性用途，这是培训数据集的一部分。结果：我们的方法在16个上体CT扫描的内部数据集上进行评估，每个维度的分辨率为\ si {2} {\ milli \ meter}。考虑到我们标签集中的所有125个骨头，我们最成功的合奏中位数骰子得分系数为0.83。我们发现扫描的集合不确定性与其对扩大训练集中获得的准确性的前瞻性影响之间缺乏相关性。同时，我们表明集成不确定性与初始自动分割后需要手动校正的体素数量相关，从而最大程度地降低了最终确定新的地面真实分段所需的时间。结论：结合结合，集合不确定性低的扫描需要更少的注释时间，同时产生类似的未来DSC改进。因此，它们是扩大从CT扫描的上身不同骨分割的训练集的理想候选者。 }
translated by 谷歌翻译
To apply federated learning to drug discovery we developed a novel platform in the context of European Innovative Medicines Initiative (IMI) project MELLODDY (grant n{\deg}831472), which was comprised of 10 pharmaceutical companies, academic research labs, large industrial companies and startups. The MELLODDY platform was the first industry-scale platform to enable the creation of a global federated model for drug discovery without sharing the confidential data sets of the individual partners. The federated model was trained on the platform by aggregating the gradients of all contributing partners in a cryptographic, secure way following each training iteration. The platform was deployed on an Amazon Web Services (AWS) multi-account architecture running Kubernetes clusters in private subnets. Organisationally, the roles of the different partners were codified as different rights and permissions on the platform and administrated in a decentralized way. The MELLODDY platform generated new scientific discoveries which are described in a companion paper.
translated by 谷歌翻译
该论文提出了两种控制方法，用于用微型四轮驱动器进行反弹式操纵。首先，对专门为反转设计设计的现有前馈控制策略进行了修订和改进。使用替代高斯工艺模型的贝叶斯优化通过在模拟环境中反复执行翻转操作来找到最佳运动原语序列。第二种方法基于闭环控制，它由两个主要步骤组成：首先，即使在模型不确定性的情况下，自适应控制器也旨在提供可靠的参考跟踪。控制器是通过通过测量数据调整的高斯过程来增强无人机的标称模型来构建的。其次，提出了一种有效的轨迹计划算法，该算法仅使用二次编程来设计可行的轨迹为反弹操作设计。在模拟和使用BitCraze Crazyflie 2.1四肢旋转器中对两种方法进行了分析。
translated by 谷歌翻译
安全关键系统通常在调试之前进行危害分析，以识别和分析操作过程中可能出现的潜在危险系统状态。当前，危害分析主要基于人类的推理，过去的经验以及清单和电子表格等简单工具。增加系统复杂性使这种方法非常合适。此外，由于高成本或身体缺陷的危险，基于测试的危害分析通常不适合。对此进行的补救措施是基于模型的危害分析方法，这些方法依赖于正式模型或模拟模型，每个模型都具有自己的好处和缺点。本文提出了一种两层方法，该方法使用正式方法与使用模拟的详细分析结合了详尽分析的好处。首先使用监督控制理论从系统的形式模型中合成了导致不安全状态的不安全行为。结果是输入到模拟的输入，在该模拟中，使用域特异性风险指标进行了详细的分析。尽管提出的方法通常适用，但本文证明了该方法对工业人类机器人协作系统的好处。
translated by 谷歌翻译
嘈杂的中间尺度量子（NISQ）设备可以实现量子神经网络（QNN）的变异量子电路（VQC）。尽管基于VQC的QNN在许多机器学习任务中都取得了成功，但VQC的表示和泛化能力仍然需要进一步研究，尤其是在涉及经典输入的维度降低时。在这项工作中，我们首先提出了一个端到端量子神经网络，即TTN-VQC，该网络由基于张量训练网络（TTN）组成，用于降低维数和用于功能性回归的VQC。 。然后，我们旨在根据表示和泛化能力的TTN-VQC的错误性能分析。我们还通过利用polyak-lojasiewicz（PL）条件来表征TTN-VQC的优化属性。此外，我们在手写数字分类数据集上进行了功能回归的实验，以证明我们的理论分析是合理的。
translated by 谷歌翻译
在本文中，我们提出了两种技术，即联合建模和数据增强，以改善视听场景分类（AVSC）的系统性能。我们采用仅在图像数据集中培训的预训练网络来提取视频嵌入；而对于音频嵌入模型，我们决定从头开始训练它们。我们探索不同的神经网络体系结构，以有效地结合视频和音频方式。此外，研究了数据增强策略以增加视听训练设置的规模。对于视频方式，验证了兰德金几个操作的有效性。提出了Audio-Video关节混合方案，以进一步改善AVSC的性能。在Tau Urban Audio Visual Spacees 2021的开发集中，我们的最终系统可以在提交给Dcase 2021 Task 1B的所有单个AVSC系统中达到94.2％的最佳准确性。
translated by 谷歌翻译
我们介绍了一种新的基于模拟的方法，以识别人类机器人协作中意外的工人行为导致的危害。基于仿真的安全测试必须考虑到人类行为是变量的事实，并且可能发生人为错误。当仅模拟预期的工人行为时，严重的危险可以保持未被发现。另一方面，模拟所有可能的工人行为是计算不可行的。这提出了如何找到有趣数量的模拟运行的有趣（即潜在危险的）工作行为的问题。我们将其框架作为可能的工人行为的空间中的搜索问题。因为这个搜索空间可以得到非常复杂的，我们介绍以下措施：（1）基于工作流约束的搜索空间限制，（2）行为的优先级，基于它们偏离标称行为，（3）使用风险指标指导寻求高风险行为，这更有可能暴露危险。我们在协作工作流程中展示了涉及人工工人，机器人臂和移动机器人的协作工作流程方案的方法。
translated by 谷歌翻译
2021-11-29
深度加强学习（DRL）在解决许多应用中解决了序贯决策时的巨大潜力。尽管在现实世界的情景下部署DRL时，尽管具有很有希望的表现，但存在实际差距。一个主要障碍是过度拟合的问题，导致DRL学习的政策的普遍性差。特别是，对于具有观测数据的离线DRL，模型选择是一个具有挑战性的任务，因为没有用于仿真环境的绩效演示的地面真相，与模拟环境的在线设置相比。在这项工作中，我们提出了一种悲观的模型选择（PMS）方法，用于脱机DRL，具有理论上的保证，它具有可用于查找一组候选模型中的最佳政策的可怕有效框架。还提出了两种精致的方法来解决DRL模型在识别最佳政策方面的潜在偏见。数值研究表明了我们对现有方法方法的卓越性能。
translated by 谷歌翻译
In this study, we propose a novel adversarial reprogramming (AR) approach for low-resource spoken command recognition (SCR), and build an AR-SCR system. The AR procedure aims to modify the acoustic signals (from the target domain) to repurpose a pretrained SCR model (from the source domain). To solve the label mismatches between source and target domains, and further improve the stability of AR, we propose a novel similarity-based label mapping technique to align classes. In addition, the transfer learning (TL) technique is combined with the original AR process to improve the model adaptation capability. We evaluate the proposed AR-SCR system on three low-resource SCR datasets, including Arabic, Lithuanian, and dysarthric Mandarin speech. Experimental results show that with a pretrained AM trained on a large-scale English dataset, the proposed AR-SCR system outperforms the current state-of-the-art results on Arabic and Lithuanian speech commands datasets, with only a limited amount of training data.
translated by 谷歌翻译
嘈杂的中间级量子（NISQ）计算机的出现对设计量子神经网络进行了全量子学习任务来提高一个至关重要的挑战。为了弥合差距，这项工作提出了一种通过在变分量子电路（VQC）上的Quantum嵌入量子嵌入量子嵌入的可训练量子张量网络（QTN）来提出名为QTN-VQC的端到端学习框架。QTN的架构由参数张力列车网络组成，用于特征提取和普罗斯嵌入的张量产品。我们在两个观点突出显示QTN的QTN：（1）我们通过分析输入特征的表示功率理论上表征QTN;（2）QTN使端到端的参数模型管道，即QTN-VQC，从生成估计输出测量。我们在Mnist DataSet上的实验证明了QTN对Quantum嵌入其他量子嵌入方法的优点。
translated by 谷歌翻译