区域化是将数据集分解为彼此异质的连续均匀区域的行为。存在许多不同的算法用于进行区域化；但是，在大型现实世界数据集上使用这些算法仅在近年来的计算功率方面变得可行。比较了不同的区域化方法，并且确实缺乏分析记忆，可扩展性，地理指标和大规模现实世界应用的研究。这项研究使用现实世界的健康决定因素（SDOH）数据比较了最新的区域化方法，即集聚聚类，滑冰者，REDCAP，AZP和MAX-P区域。在本研究中，现实世界中SDOH数据的规模最多100万个数据点，不仅比较了不同数据集的算法，而且为每种单独的区域化算法提供了应力测试，其中大多数以前从未在此类尺度上运行。我们使用几个新的地理指标来比较算法并执行比较记忆分析。然后，将普遍的区域化方法与无限制的K-均值聚类进行比较，它们在弗吉尼亚州和华盛顿特区分离实际健康数据的能力。
translated by 谷歌翻译
We present VeriX, a first step towards verified explainability of machine learning models in safety-critical applications. Specifically, our sound and optimal explanations can guarantee prediction invariance against bounded perturbations. We utilise constraint solving techniques together with feature sensitivity ranking to efficiently compute these explanations. We evaluate our approach on image recognition benchmarks and a real-world scenario of autonomous aircraft taxiing.
translated by 谷歌翻译
The human ear is generally universal, collectible, distinct, and permanent. Ear-based biometric recognition is a niche and recent approach that is being explored. For any ear-based biometric algorithm to perform well, ear detection and segmentation need to be accurately performed. While significant work has been done in existing literature for bounding boxes, a lack of approaches output a segmentation mask for ears. This paper trains and compares three newer models to the state-of-the-art MaskRCNN (ResNet 101 +FPN) model across four different datasets. The Average Precision (AP) scores reported show that the newer models outperform the state-of-the-art but no one model performs the best over multiple datasets.
translated by 谷歌翻译
在许多情况下，更简单的模型比更复杂的模型更可取，并且该模型复杂性的控制是机器学习中许多方法的目标，例如正则化，高参数调整和体系结构设计。在深度学习中，很难理解复杂性控制的潜在机制，因为许多传统措施并不适合深度神经网络。在这里，我们开发了几何复杂性的概念，该概念是使用离散的dirichlet能量计算的模型函数变异性的量度。使用理论论据和经验结果的结合，我们表明，许多常见的训练启发式方法，例如参数规范正规化，光谱规范正则化，平稳性正则化，隐式梯度正则化，噪声正则化和参数初始化的选择，都可以控制几何学复杂性，并提供一个统一的框架，以表征深度学习模型的行为。
translated by 谷歌翻译
Active推论提供了对行为的原则性说明，可以最大程度地减少随着时间的推移的平均感觉惊喜。尽管从无限 - 摩尼子，自由能原则的平均赛车势必提出，但主动推断在控制问题上的应用却倾向于专注于有限的 - 摩尼斯或折现 - 暴行问题。在这里，我们得出了一个无限 - 摩尼子，从最佳控制原理中进行主动推断的平均暴发表述。我们的表述恢复为神经解剖学和神经生理学的积极推断根源，正式将主动推断重新连接至最佳反馈控制。我们的公式为感觉运动控制提供了统一的客观功能，并允许参考状态随时间变化。
translated by 谷歌翻译
随着深度学习在关键任务系统中的越来越多的应用，越来越需要对神经网络的行为进行正式保证。确实，最近提出了许多用于验证神经网络的方法，但是这些方法通常以有限的可伸缩性或不足的精度而挣扎。许多最先进的验证方案中的关键组成部分是在网络中可以为特定输入域获得的神经元获得的值计算下限和上限 - 并且这些界限更紧密，验证的可能性越大，验证的可能性就越大。成功。计算这些边界的许多常见算法是符号结合传播方法的变化。其中，利用一种称为后替代的过程的方法特别成功。在本文中，我们提出了一种使背部替代产生更严格的界限的方法。为了实现这一目标，我们制定并最大程度地减少背部固定过程中发生的不精确错误。我们的技术是一般的，从某种意义上说，它可以将其集成到许多现有的符号结合的传播技术中，并且只有较小的修改。我们将方法作为概念验证工具实施，并且与执行背部替代的最先进的验证者相比，取得了有利的结果。
translated by 谷歌翻译
偏见标志着病史，导致影响边缘化群体的不平等护理。观察数据中缺失的模式通常反映了这些群体差异，但是算法对群体特定缺失的算法公平含义尚不清楚。尽管具有潜在的影响，但归因通常还是被遗忘的预处理步骤。充其量，从业者通过优化整体绩效来指导选级选择，而忽略了这种预处理如何加强不平等。我们的工作通过研究插补如何影响下游算法的公平性来质疑这种选择。首先，我们提供了临床存在机制与特定组的遗失模式之间关系的结构化视图。然后，通过模拟和现实世界实验，我们证明了插补选择会影响边缘化的群体绩效，并且没有归因策略始终降低差异。重要的是，我们的结果表明，当前的做法可能危害健康平等，因为在人口层面上类似地执行插补策略可能会以不同的方式影响边缘化的群体。最后，我们提出了缓解因机器学习管道的忽视步骤而导致的不平等的建议。
translated by 谷歌翻译
人工智能（AI）系统可以提供许多有益的功能，也可以提供不良事件的风险。一些AI系统可能会出现在社会规模上具有很高或灾难性后果的事件的风险。美国国家标准技术研究所（NIST）正在开发NIST人工智能风险管理框架（AI RMF），作为对AI开发人员和其他人的AI风险评估和管理的自愿指导。 NIST为了解决带有灾难性后果的事件的风险，表示有必要将高级原则转化为可操作的风险管理指导。在本文档中，我们提供了详细的可操作指示建议，旨在识别和管理具有很高或灾难性后果的事件的风险，旨在作为AI RMF版本1.0的NIST的风险管理实践资源（计划于2023年初发布），或适用于AI RMF用户或其他AI风险管理指南和标准。我们还为建议提供方法。我们为AI RMF 1.0提供了可行的指导建议：确定来自AI系统的潜在意外用途和滥用的风险；在风险评估和影响评估范围内包括灾难性风险因素；确定和减轻人权危害；并报告有关AI风险因素在内的信息，包括灾难性风险因素。此外，我们还为后来版本的AI RMF或补充出版物提供有关路线图的其他问题的建议。其中包括：提供AI RMF配置文件，并具有额外的多功能或通用AI的辅助指南。我们的目标是使这项工作成为具体的风险管理实践的贡献，并激发有关如何解决AI标准中灾难性风险和相关问题的建设性对话。
translated by 谷歌翻译
允许代理商通过沟通共享信息对于解决多代理增强学习中的复杂任务至关重要。在这项工作中，我们考虑了给定通信协议是否可以表达任意政策的问题。通过观察许多现有协议可以看作是图神经网络（GNN）的实例，我们证明了联合动作选择与节点标记的等效性。通过证明其表达能力的标准GNN方法，我们从现有的GNN文献中汲取了限制，并考虑使用以下方式增强剂观察：（1）独特的代理ID和（2）随机噪声。我们提供了有关这些方法如何产生普遍表达性交流的理论分析，并证明它们能够针对相同代理的任意行动集。从经验上讲，这些增强被发现可以改善需要表达性交流的任务的性能，而通常发现最佳通信协议是任务依赖性的。
translated by 谷歌翻译
我们考虑了认证深神经网络对现实分布变化的鲁棒性的问题。为此，我们通过提出一个新型的神经符号验证框架来弥合手工制作的规格和现实部署设置之间的差距模型。这种环境引起的一个独特的挑战是，现有的验证者不能紧密地近似sigmoid激活，这对于许多最新的生成模型至关重要。为了应对这一挑战，我们提出了一个通用的元算象来处理乙状结肠激活，该乙状结激素利用反示例引导的抽象细化的经典概念。关键思想是“懒惰地”完善Sigmoid函数的抽象，以排除先前抽象中发现的虚假反示例，从而确保验证过程中的进展，同时保持状态空间较小。 MNIST和CIFAR-10数据集的实验表明，我们的框架在一系列具有挑战性的分配变化方面大大优于现有方法。
translated by 谷歌翻译