信息融合是众多工程系统和生物功能的重要组成部分,例如人类认知。融合发生在许多层面,从信号的低级组合到异构决策过程的高级聚合。虽然过去十年见证了深度学习研究的爆发,但神经网络融合并没有观察到同样的革命。具体而言,大多数神经融合方法是特定的,不被理解,分布与局部,和/解释性低(如果存在的话)。在此,我们证明了模糊Choquet积分(ChI),一种强大的非线性聚合函数,可以表示为多层网络,以下称为ChIMP。我们还提出了一种改进的ChIMP(iChIMP),它根据ChI不等式约束的指数数量导致基于随机梯度下降的优化。 ChIMP / iChIMP的另一个好处是它可以实现可解释的AI(XAI)。提供了综合验证实验,并将iChIMP应用于远程感知中的一组异构架构深度模型的融合。我们展示了模型精度的提高,我们之前建立的XAI指数揭示了我们的数据,模型及其决策的质量。
translated by 谷歌翻译
深度学习通常需要关于数量和变量的大数据。然而,大多数遥感应用仅具有有限的训练数据,其中标记了一小部分。在这里,我们回顾了深度学习中应对这一挑战的三种最先进的方法。第一个主题是转移学习,其中一个域的某些方面(例如,特征)被转移到另一个域。接下来是无监督学习,例如,自动编码器,其对未标记的数据进行操作。最后一个是生成对抗网络,它可以生成逼真的数据,可以愚弄深度学习网络和人类。本文的目的是提高人们对这种困境的认识,引导读者了解现有的工作,并突出当前需要解决的差距。
translated by 谷歌翻译
临床决策支持系统(CDSS)将在提高危重病人医疗质量方面发挥越来越重要的作用。然而,当前信息学基础设施中的dueto限制,CDSS并不总是拥有关于支持生理监测设备状态的完整信息,这可能限制CDSS可用的输入数据。在机械通气(MV)的使用情况下尤其如此,其中当前的CDSS已经知道关键的通气设置,例如通风模式。为了使MV CDSS能够提供与呼吸机模式相关的准确建议,我们开发了一种高性能的机器学习模型,该模型能够在美国最常用的5种通气模式中进行呼吸分类,平均F1分数为97.52 %。我们还展示了我们的方法如何在以前的工作中进行方法改进,并且它是由软件/传感器错误引起的非常强大的tomissing数据。
translated by 谷歌翻译
在一些国家,管理慢性病患者是一项重大且不断增长的医疗保健挑战。慢性疾病,例如糖尿病,是持续很长时间且不会消失的疾病,并且经常导致患者的健康逐渐恶化。虽然最近的工作涉及来自医院的rawelectronic健康记录(EHR),但这项工作仅使用健康计划提供者的财务记录来预测糖尿病疾病的演变,并使用自我注意的复发神经网络。财务数据的使用是由于成为国际标准的接口的可能性,因为标准编码医疗程序。主要目标是评估高危糖尿病患者,因此我们预测与糖尿病急性并发症相关的记录,如截肢和清创,血运重建和血液透析。我们的工作成功地预测了60到240天之间的并发症,ROC曲线范围从0.81到0.94。在本文中,我们描述了在健康计划提供者中开发的正在进行的工作的第一部分,ROC曲线的范围从0.81到0.83。这项评估将为医疗保健提供更早进行干预并避免住院治疗的机会。我们的目标是为个体患者提供个性化预测和个性化建议,目标是改善结果并降低成本
translated by 谷歌翻译
扩散加权磁共振成像(DW-MRI)允许以大小比例对人脑的局部纤维结构进行非侵入性成像。已经提出了多种经典方法来检测每个体素的单个(例如,张量)和多个(例如,约束球面反卷积,CSD)纤维群体取向。然而,现有技术通常在MRI扫描仪上表现出低再现性。在这里,我们提出了一种使用神经网络设计的数据驱动技术,该设计可以开发两类数据。首先,使用离体DW-MRI和脑组织学在三种猴脑上获得训练数据。其次,在两个不同的扫描仪上获得对人类受试者的重复扫描,以开始对所提出的网络的学习。为了使用这些数据,我们提出了一种新的网络体系结构,即零空间深度网络(NSDN),可以同时在传统的观察/真实对(例如,MRI组织学体素)上进行重复观察,而无需已知真相(例如,扫描重新扫描MRI) )。 NSDN在20%的组织学体素上进行了测试,这些体素完全对网络视而不见。与最近提出的深度神经网络方法相比,NSDN相对于组织学的绝对性能显着提高了3.87%,相比于CSD提高了1.42%。此外,它使配对数据的可重复性比CSD提高了21.19%,比最近提出的深化计划提高了10.09%。最后,NSDN将模型的可生成性提高到第三个人体扫描仪(未用于训练)比CSD提高16.08%,比最近提出的深度学习方法提高了10.41%。这项工作表明,用于局部纤维重建的数据驱动方法更具有可再生性,信息量和精确性,并为确定这些模型提供了一种新颖,实用的方法。
translated by 谷歌翻译
磁共振成像能够产生具有辐射的体积图像。尽管如此,长期收购导致令人望而却步的长寿。压缩感知(CS)可以通过减少伪像的子采样实现更快的扫描。然而,CS需要显着更高的重建计算,将当前的临床应用限制为2D / 3D或有限分辨率的动态成像。在这里,我们分析T2 Shuffling的实际限制,这是一种基于CS的四维采集,可在单次扫描中提供清晰的3D各向同性分辨率和多对比度图像。我们在单台机器上对管道的改进提供了3倍的整体重建速度,这使我们能够添加算法更改,从而提高图像质量。使用四台机器,我们通过分布式并行化实现了额外的2.1倍改进。我们的解决方案在4节点集群上将医院的重建时间缩短至90秒,从而实现临床使用。要了解扩展此应用程序的含义,请使用多个扫描仪设置来模拟运行我们的重建,这是典型的医院。
translated by 谷歌翻译
航空旅行是增长最快的交通方式之一,然而,飞机噪音对机场周围人口的影响阻碍了增长。为了研究并最终减轻这种噪音带来的影响,许多机场不断监测周围社区的飞机噪音。由于飞机不是唯一的噪声源,噪声监测和分析变得复杂。在这项工作中,我们表明卷积神经网络非常适合识别非飞机引起的噪声事件。当对900个手动标记的噪声事件进行训练时,我们的系统可以达到0.970的精度。我们的培训数据和我们模型的TensorFlow实现可以通过以下网址获得://github.com/neheller/aircraftnoise。
translated by 谷歌翻译
序列到序列模型是NLP的强大主力。大多数变体在其注意机制和输出层中都采用softmax变换,导致密集对齐和严格正输出概率。这种密度是浪费的,使得模型可解释性较差,并为许多难以置信的输出分配概率质量。在本文中,我们提出了sparsese序列到序列模型,植根于$ \ alpha $ -entmaxtransformations的新系列,其中包括softmax和sparsemax作为特定情况,并且对于任何$ \ alpha> 1 $都是稀疏的。我们提供快速算法来评估这些变换及其渐变,这些算法可以很好地扩展到大型词汇表。我们的模型能够生成稀疏对齐并将非非可置性分配给可能输出的简短列表,有时会使波束搜索精确。形态学变形和机器平移的实验揭示了密集模型的一致增益。
translated by 谷歌翻译
卷积神经网络(CNN)在人脸识别方面取得了巨大成功,不幸的是,这种方法以大量计算和存储消耗为代价。因此提出了许多紧凑的面部识别网络来解决这个问题。三重损失对于进一步改善这些紧凑型号的性能是有效的。然而,它通常对所有样本使用固定的保证金,这忽略了不同身份之间的信息相似性结构。在本文中,我们提出了一种增强版的三脚架损失,称为三重蒸馏,它利用了ateacher模型的能力,通过自适应地改变正负对之间的边界,将相似性信息传递给一个小模型。 LFW,AgeDB和CPLFW数据集的实验显示了我们的方法与原始三重态损失相比的优点。
translated by 谷歌翻译
带有冲突的装箱(BPC)是这样的问题,其中具有兼容性约束的物品必须包装在最少数量的箱中,注意箱的容量并确保在每个箱中包装非冲突物品。在这项工作中,我们介绍了Bin Packing Problem withCompatible Categories(BPCC),这是BPC的一个变体,其中的项目属于toconflicting或兼容的类别,与之前文献中的逐项兼容性相反。在位于人口密集区域的纳米存储体的最后一英里分布的背景中,这是一个常见问题。为了有效地解决实际大小的问题实例,我们提出了一种变邻域搜索(VNS)元启发式算法。计算实验表明,与在高性能计算环境中运行的线性整数规划相比,该算法在很短的时间内产生了良好的解决方案。
translated by 谷歌翻译