选项代表了在增强学习（RL）中跨多个时间尺度推理的框架。由于最近对RL研究社区无监督学习范式的积极兴趣，该期权框架的适应性适应了授权的概念，这与代理商对环境的影响量相对应，并感知这种影响力和这种影响力的能力，可以在环境奖励结构提供的任何监督的情况下进行优化。许多最近的论文以各种方式修改了这一概念，从而取得了值得称赞的结果。但是，通过这些各种修改，授权的初始背景通常会丢失。在这项工作中，我们通过原始授权原则的角度提供了对此类论文的比较研究。
translated by 谷歌翻译
三维临床步态分析对于选择脑瘫患者（CP）的最佳治疗干预措施至关重要，但会产生大量的时间序列数据。对于对这些数据的自动分析，机器学习方法产生了有希望的结果。但是，由于其黑盒的性质，这种方法常常受到临床医生的不信任。我们提出了GaitxPlorer，这是一种视觉分析方法，用于对CP相关的步态模式进行分类，该方法集成了Grad-CAM（一种完善的可解释的人工智能算法），用于解释机器学习分类。交互式视觉界面中突出显示了与分类高相关的区域。在两名临床步态专家的案例研究中评估了该方法。他们检查了使用视觉界面的八名患者的样本的解释，并表达了他们认为值得信赖的相关性得分，并且他们发现哪些相关性得分。总体而言，临床医生对该方法给出了积极的反馈，因为它使他们可以更好地了解数据中的哪些区域与分类有关。
translated by 谷歌翻译
主张神经符号人工智能（NESY）断言，将深度学习与象征性推理相结合将导致AI更强大，而不是本身。像深度学习一样成功，人们普遍认为，即使我们最好的深度学习系统也不是很擅长抽象推理。而且，由于推理与语言密不可分，因此具有直觉的意义，即自然语言处理（NLP）将成为NESY特别适合的候选人。我们对实施NLP实施NESY的研究进行了结构化审查，目的是回答Nesy是否确实符合其承诺的问题：推理，分布概括，解释性，学习和从小数据的可转让性以及新的推理到新的域。我们研究了知识表示的影响，例如规则和语义网络，语言结构和关系结构，以及隐式或明确的推理是否有助于更高的承诺分数。我们发现，将逻辑编译到神经网络中的系统会导致满足最NESY的目标，而其他因素（例如知识表示或神经体系结构的类型）与实现目标没有明显的相关性。我们发现在推理的定义方式上，特别是与人类级别的推理有关的许多差异，这会影响有关模型架构的决策并推动结论，这些结论在整个研究中并不总是一致的。因此，我们倡导采取更加有条不紊的方法来应用人类推理的理论以及适当的基准的发展，我们希望这可以更好地理解该领域的进步。我们在GitHub上提供数据和代码以进行进一步分析。
translated by 谷歌翻译
保护私人信息是数据驱动的研究和业务环境中的关键问题。通常，引入匿名或（选择性）删除之类的技术，以允许数据共享，e。 G。在协作研究的情况下。为了与匿名技术一起使用，$ k $ - 匿名标准是最受欢迎的标准之一，具有许多有关不同算法和指标的科学出版物。匿名技术通常需要更改数据，因此必然会影响在基础数据上训练的机器学习模型的结果。在这项工作中，我们对不同的$ k $ - 匿名算法对机器学习模型结果的影响进行了系统的比较和详细研究。我们研究了与不同分类器的一组流行的$ K $匿名算法，并在不同的现实数据集上对其进行评估。我们的系统评估表明，凭借越来越强的$ K $匿名性约束，分类性能通常会降低，但在不同程度上，并且强烈取决于数据集和匿名方法。此外，蒙德里安可以被视为具有最具吸引力的后续分类属性的方法。
translated by 谷歌翻译