最近关于空间和时空模型检查的研究提供了新的图像分析方法,其根植于拓扑空间的逻辑方法。医学成像(MI)是这样的方法,其中这些方法显示出潜在的突破性创新。我们的出发点是SLCS,封闭空间的空间逻辑 - 封闭空间是拓扑空间的概括,也包括离散空间结构 - 以及topochecker,一种用于SCS(及其扩展)的模型检查器。我们介绍了逻辑语言ImgQL(“ImageQuery Language”)。 ImgQL使用描述距离和区域相似性的逻辑运算符扩展SLCS。时空模型检查器topochecker相应地增强了最先进的算法,借鉴了计算图像处理,有效地实现了基于距离的操作,即距离变换。基于统计纹理分析的概念,区域之间的相似性由统计相似性算子的定义来定义。我们通过两个磁共振图像分析实例来说明我们的方法:胶质母细胞瘤和水肿的分割,以及直肠癌的分割。
translated by 谷歌翻译
The topic of physical human-robot interaction received a lot of attention from the robotics community because of many promising application domains. However, studying physical interaction between a robot and an external agent, like a human or another robot, without considering the dynamics of both the systems may lead to many shortcomings in fully exploiting the interaction. In this paper, we present a coupled-dynamics formalism followed by a sound approach in exploiting helpful interaction with a humanoid robot. In particular, we propose the first attempt to define and exploit the human help for the robot to accomplish a specific task. As a result, we present a task-based partner-aware robot control techniques. The theoretical results are validated by conducting experiments with two iCub humanoid robots involved in physical interaction.
translated by 谷歌翻译
基于游戏的基准测试在人工智能(AI)技术的开发中发挥了重要作用。提供各种挑战是推动现代技术创新和理解研究的关键。 Rinascimento提供参数化的部分可观察的基于多人牌的棋盘游戏,这些参数可以轻松修改游戏中的规则,目标和物品。我们描述了所有功能的框架和游戏挑战,提供基线游戏AI和分析他们的技能。我们保留了代理商在实验中的超参数调整中心角色,突出了它如何能够严重影响性能。基线代理包含对统计前向规划算法的若干额外贡献。
translated by 谷歌翻译
本文研究了学习正演模型对统计前瞻计划代理人绩效的影响。我们将康威的Gameof Life模拟转变为单人游戏,其中目标可以保持尽可能多的生命,或尽可能快地熄灭所有生命。为了学习游戏的正向模型,我们通过创建一组监督训练数据并根据其当前状态和近邻预测网格中每个单元的下一个状态,以一种新颖的方式来研究问题,即学习本地单元转换功能。 。使用这种方法,我们可以通过使用查找表,决策树或神经网络观察几个完整的状态转换来收集足够的数据来学习完美的正演模型。相比之下,学习完整的状态转换函数是一项非常艰难的任务,我们使用深度卷积自动编码器完成此任务的初步努力不太成功。我们还研究了不完全学习模型对预测误差和游戏性能的影响,并表明即使是具有显着性的模型也可以提供良好的性能。
translated by 谷歌翻译
定时论证框架(TAF)是一种形式主义,其中参数仅在给定时间段内被考虑,称为availabilityintervals,其为每个单独的参数定义。原始提案基于一个单一的,抽象的攻击概念,这些概念在时间上是静态的和永久的。因此,一般而言,在确定可接受的论点时,与TAF相关的结果将随着时间的推移而变化。在这项工作中,我们引入了TAF的扩展,增加了建立参数之间支持关系的能力。从这个意义上讲,结果框架为不同的时间相关问题提供了合适的模型。因此,这里的主要贡献是提供一个增强的框架,用于建模随时间变化的正(支持)和负(攻击)交互,这在许多现实世界的情况中是相关的。这导致了Timed BipolarArgumentation Framework(T-BAF),其中可以定义经典的参数扩展。该提案旨在推进不同应用领域的临时化的整合。
translated by 谷歌翻译
睡眠阶段分类是睡眠研究中的一项重要任务。它涉及同时分析在睡眠期间记录的多个信号。然而,它既复杂又乏味,即使是训练有素的专家也可以花几个小时的时间进行单夜录音。多种自动方法过去曾尝试解决这些问题,其中大部分都是通过对为特定数据集设计的特征向量进行分类。在这项工作中,我们使用深度学习模型来避免这种偏见,该模型在没有人为干预的情况下学习相关特征。特别地,我们提出了一种5个卷积网络的集合,当对500个睡眠记录的adataset进行分类时,其达到0.83的kappa指数。
translated by 谷歌翻译
在线检测数据序列的生成过程中的瞬时变化通常集中在这些变化点的回顾性推断上,而不考虑它们将来的发生。我们扩展贝叶斯在线变换点检测算法以推断直到下一个变化点(即剩余时间)的时间步数。这使我们能够处理依赖于总段持续时间的观察模型,这是使用具有时间缩放的模型数据序列。另外,我们通过删除i.i.d来扩展模型。对观测模型参数的假设。用于分段检测的结果推理算法可以以在线方式部署,并且我们将合成和两个医学真实世界数据集的应用说明。
translated by 谷歌翻译
给定输入字符串s和特定的Lindenmayer系统(所谓的Fibonacci语法),我们定义了一个自动机,它能够(i)确定s是否属于Fibonacci语法可以生成的字符串集(换句话说,如果是对应于语法的一代),如果是,则(ii)重建前一代。
translated by 谷歌翻译
在多智能体场景中学习是一个富有成效的研究方向,但是当前的方法仍然在具有一般奖励设置和不同对手类型的多个游戏中显示可伸缩性问题。 Malm \“O(MARL \”O)竞赛中的Multi-AgentReinforcement Learning是一项新的挑战,它提出了使用多个3D游戏在该领域进行研究的新挑战。此次测试的目标是促进可以在不同游戏和对手类型中学习的一般代理人的研究,提出挑战作为人工智能通用方向的里程碑。
translated by 谷歌翻译
本文介绍了一种简单快速的Planet Wars变体,作为基于统计规划的游戏AI代理的测试平台,以及嘈杂的超参数优化。 Planet Wars是一款实时策略游戏,具有简单的规则但复杂的游戏玩法。本文介绍的变体旨在实现高效实验,并且还可以通过固定动作空间实现与通用视频游戏AI代理的实际互操作性。如果将游戏作为一个输赢游戏(这是标准的)来进行游戏,那么这将导致在调整代理中玩游戏以及调整游戏参数时的嘈杂优化问题。在这里,我们关注调整代理的问题,并使用最近开发的N-Tuple Bandit EvolutionaryAlgorithm和许多其他优化器(包括基于顺序模型的算法配置(SMAC))来报告结果。结果表明,N-Tuple BanditEvolutionary提供了竞争性能以及对参数选择组合的影响的洞察力。
translated by 谷歌翻译