本文缩小了先前有关量子线性代数的文献与量子计算机上的实用数据分析之间的差异，从而使量子程序形式化，以加快机器学习中数据表示的本本本特征的解决方案。这些子例程的功率和实际用途通过新的量子算法（输入矩阵的大小中的sublinear）显示，用于主成分分析，通信分析和潜在的语义分析。我们提供了对运行时的理论分析，并在随机算法的误差上证明了紧密的界限。我们在多个数据集上运行实验，以模拟PCA的尺寸减小，以通过新型例程进行图像分类。结果表明，不依赖输入的大小的运行时参数是合理的，并且计算模型上的错误很小，从而允许竞争性分类性能。
translated by 谷歌翻译
Previous work has shown the potential of deep learning to predict renal obstruction using kidney ultrasound images. However, these image-based classifiers have been trained with the goal of single-visit inference in mind. We compare methods from video action recognition (i.e. convolutional pooling, LSTM, TSM) to adapt single-visit convolutional models to handle multiple visit inference. We demonstrate that incorporating images from a patient's past hospital visits provides only a small benefit for the prediction of obstructive hydronephrosis. Therefore, inclusion of prior ultrasounds is beneficial, but prediction based on the latest ultrasound is sufficient for patient risk stratification.
translated by 谷歌翻译
This paper introduces corpus-guided top-down synthesis as a mechanism for synthesizing library functions that capture common functionality from a corpus of programs in a domain specific language (DSL). The algorithm builds abstractions directly from initial DSL primitives, using syntactic pattern matching of intermediate abstractions to intelligently prune the search space and guide the algorithm towards abstractions that maximally capture shared structures in the corpus. We present an implementation of the approach in a tool called Stitch and evaluate it against the state-of-the-art deductive library learning algorithm from DreamCoder. Our evaluation shows that Stitch is 3-4 orders of magnitude faster and uses 2 orders of magnitude less memory while maintaining comparable or better library quality (as measured by compressivity). We also demonstrate Stitch's scalability on corpora containing hundreds of complex programs that are intractable with prior deductive approaches and show empirically that it is robust to terminating the search procedure early -- further allowing it to scale to challenging datasets by means of early stopping.
translated by 谷歌翻译
Neurosymbolic Programming (NP) techniques have the potential to accelerate scientific discovery. These models combine neural and symbolic components to learn complex patterns and representations from data, using high-level concepts or known constraints. NP techniques can interface with symbolic domain knowledge from scientists, such as prior knowledge and experimental context, to produce interpretable outputs. We identify opportunities and challenges between current NP models and scientific workflows, with real-world examples from behavior analysis in science: to enable the use of NP broadly for workflows across the natural and social sciences.
translated by 谷歌翻译
在本文中，我们研究了DRL算法在本地导航问题的应用，其中机器人仅配备有限量距离的外部感受传感器（例如LIDAR），在未知和混乱的工作区中朝着目标位置移动。基于DRL的碰撞避免政策具有一些优势，但是一旦他们学习合适的动作的能力仅限于传感器范围，它们就非常容易受到本地最小值的影响。由于大多数机器人在非结构化环境中执行任务，因此寻求能够避免本地最小值的广义本地导航政策，尤其是在未经训练的情况下，这是非常兴趣的。为此，我们提出了一种新颖的奖励功能，该功能结合了在训练阶段获得的地图信息，从而提高了代理商故意最佳行动方案的能力。另外，我们使用SAC算法来训练我们的ANN，这表明在最先进的文献中比其他人更有效。一组SIM到SIM和SIM到现实的实验表明，我们提出的奖励与SAC相结合的表现优于比较局部最小值和避免碰撞的方法。
translated by 谷歌翻译
本文探讨了多条件对抗网络用于SAR-EO图像翻译。以前的方法仅在输入SAR上条件对抗网络。我们表明，结合多种互补方式，例如Google Maps和IR可以进一步改善SAR-EO图像翻译，尤其是在保留人造物体的锋利边缘方面。我们证明了我们的方法在包括SEN12MS，DFC2020和SpaceNet6在内的各种数据集中的有效性。我们的实验结果表明，与仅在配对SAR和EO数据中训练的模型相比，互补方式提供的其他信息可改善SAR-EO图像翻译的性能。据我们所知，我们的方法是第一个利用多种方式来改善SAR-EO图像翻译性能。
translated by 谷歌翻译
通过一系列联邦举措和命令，美国政府一直在努力确保美国在AI中的领导。这些广泛的战略文件影响了美国空军美国部（DAF）等组织。DAF-MIT AI加速器是DAF和MIT之间的一项计划，以弥合AI研究人员与DAF任务要求之间的差距。DAF-MIT AI加速器支持的几个项目正在开发公共挑战问题，这些问题解决了许多联邦AI研究的重点。这些挑战是通过公开可用的大型AI-Ready数据集，激励开源解决方案，并为可以激发进一步研究的双重使用技术创建需求信号，来针对优先事项。在本文中，我们描述了正在开发的这些公共挑战以及它们的应用如何促进科学进步。
translated by 谷歌翻译
在这项工作中，我们提出了一种基于有条件的WaseStein生成对抗网络的临床音频数据集的新型数据增强方法，该网络具有梯度惩罚（CWGAN-GP），并在日志频谱图上运行。为了验证我们的方法，我们创建了一个临床音频数据集，该数据集在总髋关节置换术（THA）过程中记录在现实世界手术室中，并包含典型的声音，类似于干预的不同阶段。我们证明了所提出的方法从数据集分布中生成现实的类调节样品的能力，并表明使用生成的增强样品训练在分类精度方面优于经典音频增强方法。使用RESNET-18分类器评估了性能，该分类器在使用建议的增强方法的5倍交叉验证实验中显示了平均每类准确性提高1.70％。由于临床数据通常是昂贵的，因此实际的和高质量的数据增强方法的开发对于提高基于学习的算法的鲁棒性和概括能力至关重要，这对于安全至关重要的医学应用尤其重要。因此，提出的数据增强方法是改善基于临床音频的机器学习系统的数据瓶颈的重要一步。
translated by 谷歌翻译
在过去的十年中，在杂交无人驾驶空中水下车辆的研究中努力，机器人可以轻松飞行和潜入水中的机械适应水平。然而，大多数文献集中在物理设计，建筑物的实际问题上，最近，低水平的控制策略。在高级情报的背景下，如运动规划和与现实世界的互动的情况下已经完成。因此，我们在本文中提出了一种轨迹规划方法，允许避免避免未知的障碍和空中媒体之间的平滑过渡。我们的方法基于经典迅速探索随机树的变体，其主要优点是处理障碍，复杂的非线性动力学，模型不确定性和外部干扰的能力。该方法使用\ Hydrone的动态模型，提出具有高水下性能的混合动力车辆，但我们认为它可以很容易地推广到其他类型的空中/水生平台。在实验部分中，我们在充满障碍物的环境中显示了模拟结果，其中机器人被命令执行不同的媒体运动，展示了我们的策略的适用性。
translated by 谷歌翻译
在本文中，我们使用艺术技术的神经语言模型（NLMS）在科学文献中的应用来解决从开放词汇知识库（Openkbs）的推理任务。为此目的，使用常见的Sense KB作为源任务，使用常见的Sense KB训练基于自我关注的NLM。然后在目标KB上测试NLMS，用于开放的词汇推理任务，涉及与最普遍的慢性疾病相关的科学知识（也称为非传染性疾病，NCD）。我们的结果确定了NLM，其始终如一地执行，并且在知识推断中对源代码和目标任务的重要性。此外，在我们通过检查的分析中，我们讨论了模型学到的语义规律和推理能力，同时表现出对我们援助NCD研究的方法的潜在好处的第一洞察力。
translated by 谷歌翻译