青光眼是世界范围内可预防,不可逆转的失明的主要原因。这种疾病可以保持无症状直至严重,估计有50%-90%的青光眼患者仍未确诊。因此,建议对青光眼筛查进行早期检测和治疗。检测青光眼的一种经济有效的工具可以扩大医疗保健对更大患者群体的访问,但目前还没有这种工具。我们使用5833幅图像的回顾性数据集训练深度学习(DL)算法,评估可升级性,青光眼视神经乳头(ONH)特征和可逆性青光眼风险。使用2个单独的数据集验证所得算法。对于可参考的青光眼风险,该算法在验证数据集“A”中具有0.940(95%CI,0.922-0.955)的AUC(1,205个图像,1个图像/患者; 19%可参考其中图像由研究员培训的青光眼专家小组裁定,并在验证数据集“B”中分析0.858(95%CI,0.836-0.878)(来自9,643名患者的17,593张图像; 9.2%的图像来自亚特兰大退伍军人事务部眼科诊所糖尿病视网膜电视检查程序使用临床转诊决定作为参考标准)。此外,我们发现垂直杯与椎间盘比> = 0.7,神经视网膜边缘,视网膜神经纤维层缺损和裸露的环形血管的存在对青光眼专家和算法的青光眼风险评估贡献最大。对于青光眼ONH特征,算法AUC介于0.608-0.977之间。 DL算法对10名年级学生中的6名(包括3名青光眼专家中的2名)具有明显更高的敏感性,相对于所有评分者具有相当或更高的特异性。仅在眼底图像上训练的DL算法可以以更高的灵敏度和对眼睛护理提供者的可比特异性来检测可参考的青光眼风险。
translated by 谷歌翻译
巴西法院系统目前是世界上最堵塞的司法系统。每天都有成千上万的诉讼案件到达最高法院。这些案件需要进行分析,以便与相关标签相关联并分配给合适的团队。大多数案件作为具有广泛可变质量水平的光栅扫描文件到达法院。分析的第一步是对这些文件进行分类。在本文中,我们提出了一个双向长短期记忆网络(Bi-LSTM)来对这些法律文件进行分类。
translated by 谷歌翻译
基于分解的多目标进化算法(MOEA / D)代表了一种广泛使用的基于种群的元启发式算法,用于解决多准则优化问题。我们介绍了MOEADrpackage,它提供了许多这些变体作为面向组件的框架的实例。这种方法有助于从文献中更容易再现现有MOEA / D变体,以及更快地开发和测试新的复合算法。该软件包提供了基于该框架的MOEA / D的标准化模块化实现,旨在为研究人员和从业人员提供一种讨论和表达MOEA / D变体的标准方法。在本文中,我们介绍了MOEADr软件包背后的设计原理,以及它的当前组件。提供了三个案例研究来说明该方案的主要方面。
translated by 谷歌翻译
在本文中,我们提出了TauRieL和目标旅行商问题(TSP),因为它在理论和应用科学中具有广泛的适用性。 TauRieLutilizes一个由演员评论家启发的架构,它采用普通的feedforwardnets来获取策略更新向量$ v $。然后,我们使用$ v $来改进生成策略的状态转换矩阵。此外,状态转换矩阵允许求解器从预先计算的解决方案(例如最近邻居)初始化。在在线学习环境中,TauRieL统一了训练和搜索,它可以在几秒钟内产生近乎最佳的结果。在演员评论体系结构中对神经网络的输入是原始的2-Dinputs,这个决定背后的设计理念是保持神经网络比具有宽嵌入的体系结构小,其中省略了嵌入的任何分布式表示。因此,与最先进的离线技术相比,TauRieL生成的TSP解决方案比TSP实例快两个数量级。 6.1 \%在最坏的情况下。
translated by 谷歌翻译
在这项工作中,我们通过将生成潜在变量模型拟合到多语言字典来实现以离线方式学习多语言单词表示的任务。我们将不同语言中的等价单词建模为由表示其潜在词汇意义的共同潜在变量生成的同一单词的不同视图。我们通过查询拟合的多语言嵌入模型来探索对齐任务,从而在各种任务中实现竞争结果。所提出的模型在嵌入空间中具有鲁棒性,使其成为从嘈杂语料库中学习的分布式表示的合适方法。
translated by 谷歌翻译
我们考虑使用仅通过去噪函数指定的先前噪声测量来估计矢量的问题。最近关于插头和游戏先验(PnP)和正则化去噪(RED)的研究表明,在一系列成像任务中,这些先验的评估者具有最先进的性能。在这项工作中,我们开发了一种新的块坐标RED算法,它将大规模估计问题分解为一系列未知变量的一小部分更新。我们从理论上分析了算法的收敛性,并讨论了它与传统近似优化的关系。我们的分析补充并扩展了基于RED的估算方法的最新理论结果。我们使用几个基于卷积神经网络(CNN)降噪器的降噪器先验来数值验证我们的方法。
translated by 谷歌翻译
差异隐私关注预测质量,同时测量对信息包含在数据中的个人的隐私影响。我们考虑与引起结构化稀疏性的规则制定者的差异私人风险最小化问题。已知这些正则化器是凸的,但它们通常是不可微分的。我们分析了标准的不同私有算法,例如输出扰动,Frank-Wolfe和目标扰动。输出扰动是一种差异私有算法,众所周知,它可以很好地降低强凸的风险。以前的工作已经导出了与维度无关的超额风险界限。在本文中,我们假设一类特定的凸但非光滑正则化器,它们导致广义线性模型的结构化稀疏性和损失函数。我们还考虑差异私有Frank-Wolfeal算法来优化风险最小化问题的双重性。我们得出这两种算法的过度风险界限。两个边界都取决于双范数的单位球的高斯宽度。我们还表明,风险最小化问题的客观扰动等同于双优化问题的输出扰动。这是在差异隐私的背景下分析风险最小化问题的双重优化问题的第一部作品。
translated by 谷歌翻译
今天的高风险对抗性互动让攻击者不断突破不断改进的安全措施。欺骗通过误导攻击者做出次优决策来减轻防御者的损失。为了正当理由欺骗,我们引入了特征欺骗游戏(FDG),这是一个独立于领域的游戏理论模型,并提出了学习和规划框架。我们做出以下贡献。 (1)我们表明,我们可以使用来自适度数量的欺骗策略的数据统一学习对手的偏好。 (2)我们提出了一种近似算法,用于找出最优欺骗策略,并证明该问题是NP难的。 (3)我们进行了全面的实验,以实证验证我们的方法和结果。
translated by 谷歌翻译
我们从贝叶斯视角考虑概率PCA和相关因子模型。这些模型通常不可识别,因为可能性具有旋转对称性。这导致具有相同密度的连续子空间的复杂的后验分布,因此妨碍了参考的效率以及对所获得的参数的解释。特别是,因子载荷的后验平均值变得毫无意义,只有模型预测才是明确的。在这里,我们提出了一个基于Householder转换的参数化,它消除了后者的旋转对称性。此外,通过依赖随机矩阵理论的结果,我们建立了与原始旋转对称公式相比保持模型不变的参数分布。特别是,我们避免了计算参数变换的雅可比行列式的需要。这使我们能够在任何最先进的工具箱中以旋转不变的方式有效地实现概率PCA。在这里,我们在概率编程语言Stan中实现了我们的模型,并在几个例子中进行了说明。
translated by 谷歌翻译
我们考虑一个$ m $机器和服务器的分布式系统。每个机器人从未知发行版中提取$ n $ i.i.d样本,并向服务器发送有效长度为$ b $的消息。然后,服务器从所有机器收集消息并估计最小化预期损失的参数。我们研究通信约束($ b $)对预期误差的影响;并导出任何算法可实现的最佳误差的下限。作为我们的主要结果,对于$ b $的一般值,我们建立$ \ tilde {\ Omega} \ big((mb)^ { - {1} / {\ max(d,2)}} n ^ { - 1 / 2} \ big)$ lower取决于预期的错误,其中$ d $是参数空间的维度。此外,对于$ b $的常数值和额外假设$ n = 1 $,我们表明,即使$ m $趋于无穷大,预期误差仍然受到常数的限制。
translated by 谷歌翻译