对于前列腺癌患者,Gleason评分是最重要的预后因素之一,可能决定独立于分期的治疗。然而,Gleason评分基于肿瘤形态的主观显微镜检查并且具有较差的再现性。在这里,我们提出了一个深度学习系统(DLS),用于Gleason评分前列腺切除术的全幻灯片图像。我们的系统是使用来自1,226张幻灯片的1.12亿个病理学家注释的图像片段开发的,并在331个幻灯片的独立验证数据集上进行评估,其中参考标准由泌尿生殖专家病理学家建立。在验证数据集中,29名一般病理学家的平均准确度为0.61。 DLS的诊断准确率显着提高0.70(p = 0.002),并且与临床随访数据的相关性趋向于更好的患者风险分层。我们的方法可以提高格里森评分的准确性和随后的治疗决策,特别是在专业知识不可用的情况下。 DLS还超越了当前的格里森系统,以更精细地表征和定量肿瘤形态,为格里森系统本身的细化提供了机会。
translated by 谷歌翻译
在现实世界的场景中,用于连续控制的强化学习的观测数据通常是有噪声的,并且其中一部分可能在时间上动态地丢失,这违反了当前开发的许多当前方法的假设。我们使用基于模型的方法在部分可观察马尔可夫决策过程(POMDP)的框架内解决了该问题,其中使用新提出的具有局部近似的替代损失函数从不完整和噪声观察来估计过渡模型,而政策和价值函数是在信仰归责的帮助下学到了。在后一个目的中,构建了一个生成模型,并将其无缝地融入到POMDP的信念更新过程中,即使在显着的不完整性和噪声下也能实现抢占。所提出方法的有效性在一组基准任务上得到验证,表明我们的方法在各种具有挑战性的情景下优于多种比较方法。
translated by 谷歌翻译
图卷积网络(GCN)已成功应用于网络挖掘的节点分类任务。然而,大多数基于邻域聚合的模型通常较浅,缺乏“图池化”机制,这阻碍了模型获得足够的全局信息。为了增加感知域,我们提出了一种新的深层次图形卷积网络(H-GCN)对于半监督节点分类.H-GCN首先重复地将结构相似的节点聚合到超节点,然后将粗化的图形细化为原始图形以恢复每个节点的表示。所提出的粗化过程不是仅仅聚合单跳或双跳邻域信息,而是扩大了原始节点周围的接收场,因此可以学习更多的全局信息。在公共数据集上进行的综合实验证明了所提出的方法相对于最先进方法的有效性。值得注意的是,当仅提供极少数标记样品时,我们的模型获得了显着改善。
translated by 谷歌翻译
为了最大限度地提高检测精度和召回率,本文提出了一种用于车辆应用的KeywordSpotting(KWS)系统的车载多源融合方案。作为原始系统的新闻源的车辆信息在用户驾驶时由车载数据采集平台收集。训练深度神经网络(DNN)以提取声学特征并进行语音分类。基于从DNN获得的后验概率,应用包括车辆速度和方向的车辆信息,从KWS系统的一对灵敏度值中选择合适的参数。实验结果表明,与没有它的系统相比,具有所提出的多源融合方案的KWS系统在精确率,召回率和均方误差方面可以获得更好的性能。
translated by 谷歌翻译
在互联网时代,识别色情图像对于保护儿童的身心健康具有重要意义。然而,由于图像中的关键色情内容(例如,乳房和私人部分)经常位于小尺寸的局部区域,因此该任务非常具有挑战性。在本文中,我们将每个图像建模为一个区域,并遵循多实例学习(MIL)方法来训练基于区域的通用识别模型。具体而言,我们考虑了该地区的色情程度,以及主要贡献。首先,我们表明,基于训练图像中关键色情内容的极少注释,我们可以生成一个大小合适的区域,其中潜在的正区域通常包含有助于识别的有用环境。其次,我们提供了一个区域色情度的简单定量度量,可以用来衡量不同地区在正面形象中的重要性。第三,我们将识别任务表示为卷积神经网络框架下的加权MIL问题,引入袋概率函数以结合不同区域的重要性。对我们新收集的大规模数据集的实验证明了该方法的有效性,在1%假阳性率下实现了97.52%真阳性率的准确率,在100K色情图像和100K正常图像上进行了测试。
translated by 谷歌翻译
提出了一种人工神经网络结构,参数化网络,用于模拟动态系统中观测数据之外的外推动力学。参数化网络用于确保外推动态的长期完整性,同时仔细调整模型超参数以防止验证错误控制过度拟合。在逻辑映射上演示了参数化网络,其中可以从具有良好保真度的非混沌时间序列推断出与基础模型一致的混沌和其他非线性现象。由于神经网络仅在二次回归映射之间进行插值,因此所述结果比它们看起来要少得多。尽管如此,结果还是认为成功推断出质的不同行为需要学习在抽象层次上发生,其中相应的行为本质上更相似。
translated by 谷歌翻译
元启发式算法包含一些内在参数并不罕见,其最佳配置对于实现其峰值性能至关重要。然而,评估配置的有效性是昂贵的,因为它涉及目标算法的许多昂贵的运行。令人惊讶的是,有可能构建一个廉价的评估替代品,该算法将算法的经验性能建模为其参数的函数。这些问题构成了理解算法性能,算法组合/选择和自动算法配置的重要组成部分。原则上,可以使用许多现成的机器学习技术来构建代理。在本文中,我们将差分进化(DE)作为概念验证研究的基线算法。在给定参数配置的情况下,回归模型被训练以模拟DE的经验性能。特别是,我们评估和比较了四种流行的回归算法,包括它们如何根据特定参数配置预测经验性能,以及它们对参数与经验性能格局的接近程度。
translated by 谷歌翻译
无模型强化学习在很大程度上依赖于安全但探索性的政策搜索。近端策略优化(PPO)是一种突出的算法,通过利用理论上合理的“信任区域”指导所激发的启发式剪切机制来解决安全搜索问题。然而,我们发现PPO的剪切机制可能导致缺乏探索问题。基于这一发现,我们利用由“信任区域”标准指导的自适应翻转机制来改进原始PPO。我们的方法,称为信赖区域引导PPO(TRPPO),以更多的探索和更好的效率提高PPO,同时保持PPO的安全搜索属性和设计简单性。在几个基准任务中,TRPPO明显优于原始PPO,并且与几种最先进的方法相比具有竞争力。
translated by 谷歌翻译
最近提出的半监督学习方法利用随机扰动下的不同预测之间的一致性损失。通常,训练健壮的模型以与嘈杂的教师产生的目标一致地预测。但是,他们忽略了这样一个事实,即并非所有培训数据都在一致性方面提供了有意义且可靠的信息。 Formisclassified数据,盲目地减少他们周围的一致性损失可以阻碍学习。在本文中,我们提出了一种新的确定性驱动的一致性损失(CCL)来动态选择具有相对低不确定性的数据样本。具体而言,我们测量随机增加和辍学下多个预测的方差或熵作为不确定性的估计。然后,我们介绍两种方法,即过滤CCL和温度CCL,以指导学生学习更有意义和确定/可靠的目标,从而提高反向传播到学生的梯度质量。实验证明了所提出的方法相对于三种基准数据集的最先进的半监督深度学习方法的优点:SVHN,CIFAR10和CIFAR100。我们的方法还显示了健壮的tonoisy标签。
translated by 谷歌翻译
计算机断层扫描(CT)图像中的肺部分割是各种肺病诊断中的重要手术。大多数当前的肺分割方法是通过一系列程序进行的,每个步骤中都有经验参数调整。在本文中,我们提出了一种基于较少步骤的自动分割方法,我们提出了一种新的基于加权学习的基于生成对抗网络(GAN)的肺部分割模式,我们将其称为LGAN。我们提出的模式可以推广到不同类型的神经网络,用于CT图像中的肺部分割,并且在包含220个单独CT扫描的数据集上进行评估,其具有两个度量:分割质量和形状相似性。此外,我们将我们的工作与当前最先进的方法进行了比较。通过该研究获得的结果表明,由于其简化的程序以及其良好的性能,所提出的LGAN模式可以用作自动肺分裂的有前景的工具。
translated by 谷歌翻译