就起搏器提供的信号（即，神心电图电测（EGM））和信号医生使用（即12-铅心电图（ECG））而言，存在差距以诊断出异常节律。因此，前者，即使远程传输，医生也不足以提供精确的诊断，更不用说更及时干预。为了缩短这种差距，并对即时响应不规则和不频繁的心室节律的即时反应进行启发式步骤，我们提出了一个新的框架被称为RT-RCG，以自动搜索（1）高效的深神经网络（DNN）结构和然后（2）相应的加速器，能够实现来自EGM信号的ECG信号的实时和高质量的重建。具体地，RT-RCG提出了一种针对EGM信号的ECG重建量身定制的新的DNN搜索空间，并结合了可分辨率的加速搜索（DAS）发动机，以有效地导航大而离散的加速器设计空间以产生优化的加速器。各种环境下的广泛实验和消融研究一致地验证了RT-RCG的有效性。据我们所知，RT-RCG是第一个利用神经结构搜索（NAS）来同时解决重建效能和效率的效率。
translated by 谷歌翻译
在深度学习中的一个大神秘程度仍然是如何在模型参数的数量大于训练示例的数量时概括的方法。在这项工作中，我们迈向更好地了解深度自动化器（AES）的潜在现象，是用于学习压缩，可解释和结构化数据表示的主流深度学习解决方案。特别是，我们通过利用它们的连续分段仿射结构来解释AES如何近似数据流形。我们对AES的重新构建提供了新的见解，进入其映射，重建担保以及常用正则化技术的解释。我们利用这些发现导出了两个新的正规化，使能AES捕获数据中的固有对称性。我们的规范化利用了最近的转换组学习的进步，使AES能够更好地近似数据歧管，而无需明确定义歧管底层的基团。在假设数据的对称性可以通过LIE组解释，我们证明了规范化确保了相应AES的泛化。一系列实验评估表明，我们的方法优于其他最先进的正则化技术。
translated by 谷歌翻译