与其他癌症相比，胰腺癌具有最差的预后之一，因为它们已被诊断出癌症已朝着后期阶段发展。当前用于诊断胰腺腺癌的手动组织学分级是耗时的，通常会导致误诊。在数字病理学中，基于AI的癌症分级必须在预测和不确定性量化方面非常准确，以提高可靠性和解释性，对于获得临床医生对技术的信任至关重要。我们提出了MGG自动化胰腺癌分级的贝叶斯卷积神经网络，他对图像进行了染色，以估计模型预测中的不确定性。我们表明，估计的不确定性与预测误差相关。具体而言，它对于使用权衡分类准确性 - 拒绝权衡和错误分类成本的度量标准来设置验收阈值很有用，可以通过超参数控制，并且可以在临床环境中使用。

Lack of factual correctness is an issue that still plagues state-of-the-art summarization systems despite their impressive progress on generating seemingly fluent summaries. In this paper, we show that factual inconsistency can be caused by irrelevant parts of the input text, which act as confounders. To that end, we leverage information-theoretic measures of causal effects to quantify the amount of confounding and precisely quantify how they affect the summarization performance. Based on insights derived from our theoretical results, we design a simple multi-task model to control such confounding by leveraging human-annotated relevant sentences when available. Crucially, we give a principled characterization of data distributions where such confounding can be large thereby necessitating the use of human annotated relevant sentences to generate factual summaries. Our approach improves faithfulness scores by 20\% over strong baselines on AnswerSumm \citep{fabbri2021answersumm}, a conversation summarization dataset where lack of faithfulness is a significant issue due to the subjective nature of the task. Our best method achieves the highest faithfulness score while also achieving state-of-the-art results on standard metrics like ROUGE and METEOR. We corroborate these improvements through human evaluation.

当今现实生活系统中图的普遍性很明显，该系统要么明确地以图形为单位，要么可以很容易地将其建模为一个。因此，这种图形结构是商店丰富的信息。这具有各种含义，具体取决于我们对节点还是整个图表感兴趣。在本文中，我们主要关注的是稍后的，即图表的结构会影响其代表的现实生活系统的属性。这种结构影响的模型将有助于通过其结构特性来推断复杂和大型系统（例如VLSI电路）的有用特性。但是，在我们可以将基于机器学习（ML）技术应用于建模这种关系之前，必须有效地表示图。在本文中，我们提出了一个图表表示，该图表是无损的，在顶点数量方面是线性大小的，并给出图形的1-D表示。我们的表示是基于对树木编码的Prufer编码。此外，我们的方法基于一种新颖的技术，称为$ \ Mathcal {gt} $ - 增强功能，我们首先转换图形，使其可以由单数树表示。编码还提供了包括附加图形属性并改善代码的解释性的范围。

科学出版物的产出成倍增长。因此，跟踪趋势和变化越来越具有挑战性。了解科学文档是下游任务的重要一步，例如知识图构建，文本挖掘和纪律分类。在这个研讨会中，我们从科学出版物的摘要中可以更好地理解关键字和键形酶提取。

贝叶斯神经网络中近似后期的估计不确定性易于进行错误校准，这导致关键任务中的预测过高，这些任务的预测明显不对称或损失明显。在这里，我们通过在深度学习中校准不确定性后的模型上最大化预期效用，扩展了对损失的贝叶斯框架的近似推断，以最大程度地提高预期效用。此外，我们表明，通过损失不确定性告知的决策可以比直接替代方案更大程度地提高诊断性能。我们提出最大的不确定性校准误差（MUCE）作为测量校准置信度的指标，除了其预测外，特别是对于高风险应用程序，其目标是最大程度地减少误差和估计不确定性之间的最坏情况偏差。在实验中，我们通过将Wasserstein距离作为预测的准确性来显示预测误差与估计不确定性之间的相关性。我们评估了我们从X射线图像中检测COVID-19的方法的有效性。实验结果表明，我们的方法大大减少了错误校准，而不会影响模型的准确性并提高基于计算机的诊断的可靠性。