今天的电信网络已成为大量广泛异构数据的来源。该信息可以从网络交通轨迹,网络警报,信号质量指示符,用户行为数据等中检索。需要高级数学工具从这些数据中提取有意义的信息,并从网络生成的数据中做出与网络的正常运行有关的决策。在这些数学工具中,机器学习(ML)被认为是执行网络数据分析和实现自动网络自配置和故障管理的最具前景的方法之一。 ML技术在光通信网络领域的应用受到光网络在最近几年所面临的网络复杂性的前所未有的增长的推动。这种复杂性的增加是由于引入了一系列可调和相互依赖的系统参数(例如,路由配置,调制格式,符号率,编码方案等),这些参数通过使用相干传输/接收技术,高级数字信号处理和光纤传播中非线性效应的补偿。在本文中,我们概述了ML在光通信和网络中的应用。我们对涉及该主题的相关文献进行分类和调查,并且我们还为对该领域感兴趣的研究人员和从业者提供了ML的入门教程。虽然最近出现了大量的研究论文,但ML光学网络的应用仍处于起步阶段:为了激发这一领域的进一步工作,我们总结了该论文提出了新的可能的研究方向。
translated by 谷歌翻译
深度神经网络(DNN)在推进自动驾驶汽车的愿景方面具有巨大潜力。但是,DNN模型在这种情况下的安全性会带来重大的安全隐患,需要更好地理解。我们使用2014年Udacity挑战中的数据集,考虑了相机图像中转向角预测的案例研究。我们首次演示了此应用程序对分类和回归设置的对抗性测试时间攻击。我们展示了对相机图像的微小修改(对于所考虑的模型之一的L2距离为0.82)导致图像的任意分类为任何类型的攻击者的选择。此外,在最坏的情况下,我们的回归攻击导致均方误差(MSE)显着增加69倍。
translated by 谷歌翻译
ISUP 2014中规定的Gleason分级是分期前列腺癌的临床标准,也是治疗决策中最重要的部分。然而,分级是主观的并且受到高内部和用户间变化的影响。为了提高分级的一致性和客观性,我们引入了具有基底细胞(WOB)的腺体组织作为基础事实。基底细胞的存在是良性腺体组织最常被接受的生物标志物,并且基底细胞的缺失是前列腺癌的最常见形式的腺泡前列腺癌的强烈指示。通过对腺体组织(细胞角蛋白8/18)和基底细胞(细胞角蛋白5/6 + p63)使用特异性免疫染色,可以目标评估腺体组织为WOB或不评估WOB。更重要的是,WOB允许我们开发半自动数据生成管道,以加速病理学家对整个幻灯片图像进行注释的极其耗时且昂贵的过程。我们用WOB完全注释了295个前列腺切除术图像。然后我们使用了我们的Deep LearningFramework,它在Camelyon17Challenge中获得了$ 2 ^ {nd} $最佳报告分数,用于训练网络以在针吸活检中分割WOB。 63针活检组织模型的评估显示了有希望的结果,通过在118个用WOB注释的活组织检查中对该模型进行微调,在像素级实现F1分数为0.80,精确回忆AUC为0.89,进一步提高了结果。然后,我们将模型的性能与仅由3名病理学家仅使用H \和E染色独立注释的17个活组织检查进行比较。该比较表明该模型与病理学家相提并论。最后,该模型检测并准确地概述了两个活组织检查中的现有WOB区域被三位病理学家完全注释为完全无WOB的活组织检查,并由两位病理学家进行了活检。
translated by 谷歌翻译
在用于检测图像中的曲线的霍夫变换技术的框架中,我们提供了用于在识别算法中成功优化累加器函数的霍夫变换的数量的界限。这种界限是几何论证的结果。当应用于受噪声强烈扰动的合成数据集时,我们还展示了结果的稳健性。附录中讨论的代数方法导致在确切情况下理论兴趣的更好界限。
translated by 谷歌翻译
我们应用深度学习来创建肺部录音中的呼吸相位检测算法,并且我们比较了算法检测到的呼吸阶段,并由两位经验丰富的肺部声音研究人员手动注释。 Ouralgorithm使用卷积神经网络,其中光谱图作为特征,无需明确指定特征。我们使用比文献中先前所见更大的三个子集来训练和评估算法。我们使用twomethods评估了该方法的性能。首先,商定呼吸阶段的离散计数(在一对盒子之间使用50%重叠)显示出与肺部声音专家的平均一致性,即灵感为97%,呼气时为87%。第二,协议时间的分数(以秒为单位)给出吸气的伪卡伯值(0.73-0.88)高于呼气(0.63-0.84),显示平均灵敏度为97%,平均特异性为84%。利用这两种评估方法,注释器和算法之间的一致性显示了算法的人类水平表现。所开发的算法对于检测声音记录中的呼吸阶段是有效的。
translated by 谷歌翻译
目的:验证商业上可获得CE认证的深度学习(DL)系统RetCAD v.1.3.0(Thirona,Nijmegen,The Netherlands)的性能,用于联合自动检测糖尿病视网膜病变(DR)和年龄 - 相关性黄斑变性(AMD)在adataset上的彩色眼底(CF)图像中混合存在眼病。方法:在DR-AMD数据集上进行关于DR和AMD的联合检测的评估,其中600个图像在常规临床实践中获得,包含两种疾病的可参考和不可参考的病例。由经验丰富的眼科医生为DR和AMD评估每个图像以建立参考标准(RS),并由四个独立的观察者进行比较以与人类表现进行比较。在Messidor(1200张图像)上进一步评估验证,用于个体鉴定可参考的DR,以及针对相应的RS的年龄相关眼病研究(AREDS)数据集(133821图像)用于可参考的AMD。结果:关于DR-AMD数据集的联合验证,系统在ROC曲线下的面积(AUC)为95.1%,用于检测referableDR(SE = 90.1%,SP = 90.6%)。对于可参考的AMD,AUC为94.9%(SE = 91.8%,SP = 87.5%)。 DR的平均人类表现为SE = 61.5%和SP = 97.8%;对于AMD,SE = 76.5%,SP = 96.1%。关于Messidor中可参考DR的检测,AUC为97.5%(SE = 92.0%,SP = 92.1%);对于AREDS中的可接受的AMD,AUC为92.7%(SE = 85.8%,SP = 86.0%)。结论:经过验证的系统在同时检测DR和AMD方面与人类专家相当。这表明DL系统可以促进眼科疾病的联合筛查,并成为眼科专家的快速和可靠的支持。
translated by 谷歌翻译
无人驾驶飞行器(UAV)是一种相对较新的技术。应用程序通常涉及复杂和看不见的问题。例如,他们可以在地面站的监督下在基于合作社的环境中工作,以加速关键的决策过程。然而,飞机和地面站之间交换的信息量受到高距离,低带宽尺寸,受限制的处理能力和能量限制的限制。这些缺点限制了诸如大的非常大的大规模操作。新的分布式最先进的处理架构,如雾计算,可以通过不同层次的数据采集,处理和存储来改善延迟,可扩展性和效率,以满足时间约束。在这些修订中,这项研究工作提出了一个数学模型分析基于分布的无人机拓扑和用于大规模任务和搜索操作的雾云计算框架。这些测试成功地预测了延迟和其他操作限制,使得分析计算优势优于传统的云计算架构。
translated by 谷歌翻译
深度学习的最新进展导致自然语言生成(NLG)的普遍性重新抬头。许多基于深度学习的模型,包括递归神经网络和生成对抗网络,已被提出并应用于生成各种类型的文本。尽管方法的快速发展,如何更好地评估这些自然语言生成器的质量仍然是一个重大挑战。我们进行了深入的实证研究,以评估现有的自然语言生成评估方法。我们将基于人类的评估程序与各种自动评估程序进行比较,包括判别评估程序,用于衡量生成的文本与人工书写文本的区别,以及文本重叠度量标准,用于衡量生成的文本与人类书写参考文献的相似程度。我们衡量这些差异评估者在多大程度上同意对十几种最先进的产品评估进行排序。我们发现人类评估者与判别评估者没有很好的相关性,留下了一个更大的问题,即对抗性准确性是自然语言生成的正确目标。总的来说,区分机器生成的文本即使对于人类评估者也是一项具有挑战性的任务,他们的决策倾向于相关使用textoverlap指标更好。我们还发现,多样性是一个有趣的指标,表明不同评估者的评估。
translated by 谷歌翻译
序数数据是标签之间存在自然顺序的数据。由于存在许多常见问题,这类数据的分类和预处理在机器学习领域引起了越来越多的关注。传统上,序数分类问题已被视为名义问题。但是,这意味着不考虑他们的自然顺序约束。本文介绍了一个创新的R软件包namedocapis(Scala中的序分类和预处理)。主要在Scala中实现并可通过Github获得,该库包括四个学习者和两个用于序数和单调数据的预处理算法。该软件包的主要特点本手稿中解释了安装和使用的示例。
translated by 谷歌翻译
基于语法的模糊测试是一种用于通过注入遵循编码应用语义的规则生成的格式良好的输入来查找软件漏洞的技术。大多数基于语法的网络协议模糊器都依赖于humanexperts来手动指定这些规则。在这项工作中,我们研究了从文本规范(即RFC)自动学习协议规则。我们通过将它们应用于传输协议的最先进的模糊器来评估自动提取的协议规则,并表明它会导致更少的测试用例,同时发现与使用手动指定规则的系统相同的攻击。
translated by 谷歌翻译