在这项工作中，我们为生成自动编码器的变异培训提供了确切的可能性替代方法。我们表明，可以使用可逆层来构建VAE风格的自动编码器，该层提供了可拖动的精确可能性，而无需任何正则化项。这是在选择编码器，解码器和先前体系结构的全部自由的同时实现的，这使我们的方法成为培训现有VAE和VAE风格模型的替换。我们将结果模型称为流中的自动编码器（AEF），因为编码器，解码器和先验被定义为整体可逆体系结构的单个层。我们表明，在对数可能，样本质量和降低性能的方面，该方法的性能比结构上等效的VAE高得多。从广义上讲，这项工作的主要野心是在共同的可逆性和确切的最大可能性的共同框架下缩小正常化流量和自动编码器文献之间的差距。
translated by 谷歌翻译
病变分割是放射线工作流程的关键步骤。手动分割需要长时间的执行时间，并且容易发生可变性，从而损害了放射线研究及其鲁棒性的实现。在这项研究中，对非小细胞肺癌患者的计算机断层扫描图像进行了深入学习的自动分割方法。还评估了手动与自动分割在生存放射模型的性能中的使用。方法总共包括899名NSCLC患者（2个专有：A和B，1个公共数据集：C）。肺部病变的自动分割是通过训练先前开发的建筑NNU-NET进行的，包括2D，3D和级联方法。用骰子系数评估自动分割的质量，以手动轮廓为参考。通过从数据集A的手动和自动轮廓中提取放射性的手工制作和深度学习特征来探索自动分割对患者生存的放射素模型对患者生存的性能的影响。评估并比较模型的精度。结果通过平均2D和3D模型的预测以及应用后处理技术来提取最大连接的组件，可以实现具有骰子= 0.78 +（0.12）的自动和手动轮廓之间的最佳一致性。当使用手动或自动轮廓，手工制作或深度特征时，在生存模型的表现中未观察到统计差异。最好的分类器显示出0.65至0.78之间的精度。结论NNU-NET在自动分割肺部病变中的有希望的作用已得到证实，从而大大降低了时必的医生的工作量，而不会损害基于放射线学的生存预测模型的准确性。
translated by 谷歌翻译
事实证明，图形神经网络（GNN）在图形结构数据的几个预测建模任务中已被证明。在这些任务中，链接预测是许多现实世界应用（例如推荐系统）的基本问题之一。但是，GNN不能免疫对抗攻击，即精心制作的恶意例子，旨在欺骗预测模型。在这项工作中，我们专注于对基于GNN的链接预测模型进行特定的白盒攻击，其中恶意节点的目的是出现在给定目标受害者的推荐节点列表中。为了实现这一目标，攻击者节点还可以指望它直接控制的其他现有同伴的合作，即在网络中注入许多``vicious''节点的能力。具体而言，所有这些恶意节点都可以添加新的边缘或删除现有的节点，从而扰乱原始图。因此，我们提出了野蛮人，一种新颖的框架和一种安装这种链接预测攻击的方法。野蛮人将对手的目标制定为一项优化任务，从而达到了攻击的有效性与所需的恶意资源的稀疏之间的平衡。在现实世界和合成数据集上进行的广泛实验表明，通过野蛮人实施的对抗性攻击确实达到了很高的攻击成功率，但使用少量恶性节点。最后，尽管这些攻击需要完全了解目标模型，但我们表明它们可以成功地转移到其他黑框方法以进行链接预测。
translated by 谷歌翻译
分布式能源的广泛采用以及智能电网技术的出现使传统上被动的电力系统用户得以积极参与能源交易。认识到传统的集中式网格驱动能源市场为这些用户提供最低盈利能力的事实，最近的研究已将重点转移到分散的点对点（P2P）能源市场上。在这些市场中，用户彼此交易能源，比买卖网格的收益更高。但是，假设持续的可用性，参与和完全合规性，大多数P2P能源交易中的研究很大程度上忽略了交易过程中用户的看法。结果，这些方法可能会导致负面态度和随着时间的推移参与度的减少。在本文中，我们设计了一个自动化的P2P能源市场，该市场将用户感知考虑在内。我们采用前景理论来对用户的看法进行建模并制定优化框架，以最大程度地提高买方的感知，同时匹配需求和生产。鉴于优化问题的非线性和非凸性性质，我们提出了基于差分进化的算法，用于交易能源，称为辩论。此外，我们推出了一种具有风险敏感的Q学习算法，该算法名为“ Q-学习和风险敏感性”（PQR），该算法（PQR）得知考虑其感知到的实用程序的卖家的最佳价格。基于真正的能耗和生产的真实痕迹以及现实的前景理论的功能，表明我们的方法可为买家带来26％的感知价值，并为卖方产生7％的奖励，与最新的最新状态相比。
translated by 谷歌翻译
最近，图形神经网络（GNN）已被广泛用于开发成功的推荐系统。尽管功能强大，但基于GNN的建议系统很难附上明显的解释，说明为什么特定项目最终在给定用户的建议列表中。确实，解释基于GNN的建议是独特的，而现有的GNN解释方法是不合适的，原因有两个。首先，传统的GNN解释方法是为节点，边缘或图形分类任务而不是排名而设计的，如推荐系统中。其次，标准的机器学习解释通常旨在支持熟练的决策者。相反，建议是为任何最终用户设计的，因此应以用户理解的方式提供其解释。在这项工作中，我们提出了润滑脂，这是一种新的方法，用于解释任何基于黑盒GNN的建议系统提供的建议。具体而言，Grease首先在目标用户项目对及其$ L $ -HOP社区上训练替代模型。然后，它通过找到最佳的邻接矩阵扰动来捕获足够和必要的条件，分别推荐一个项目，从而生成事实和反事实解释。在现实世界数据集上进行的实验结果表明，油脂可以为流行的基于GNN的推荐模型产生简洁有效的解释。
translated by 谷歌翻译
长期或慢性病的人管理是国家卫生系统面临的最大挑战之一。实际上，这些疾病是住院的主要原因之一，尤其是对于老年人，监测它们所需的大量资源导致医疗保健系统可持续性问题。便携式设备和新连接技术的扩散越来越大，可以实施能够为医疗保健提供者提供支持并减轻医院和诊所的负担。在本文中，我们介绍了用于医疗保健的远程监控平台的实现，该平台旨在从不同的消费者移动设备和自定义设备中捕获几种类型的生理健康参数。可以通过Google Fit生态系统将消费者医疗设备集成到平台中，该生态系统支持数百个设备，而自定义设备可以通过标准通信协议直接与平台进行交互。该平台旨在使用机器学习算法处理获得的数据，并为患者和医生提供生理健康参数，并提供用户友好，全面且易于理解的仪表板，该仪表板通过时间来监视参数。初步可用性测试在功能和实用性方面表现出良好的用户满意度。
translated by 谷歌翻译
图形神经网络的不透明推理导致缺乏人类的信任。现有的图形网络解释器试图通过提供事后解释来解决此问题，但是，它们无法使模型本身更容易解释。为了填补这一空白，我们介绍了概念编码器模块，这是图形网络的第一个可区分概念 - 发现方法。所提出的方法使图形网络可以通过首先发现图形概念，然后使用这些来解决任务来解释。我们的结果表明，这种方法允许图形网络：（i）达到模型准确性与它们的等效香草版本相当，（ii）发现有意义的概念，以实现高概念完整性和纯度得分，（iii）提供基于高质量的概念逻辑。对其预测的解释，以及（iv）在测试时支持有效的干预措施：这些可以提高人类的信任并显着提高模型绩效。
translated by 谷歌翻译
作为人工智能和深度学习的重大突破，卷积神经网络在解决包括计算机视觉和图像处理在内的多个领域的许多问题方面取得了令人印象深刻的成功。在这些情况下，实时性能，算法的鲁棒性和快速培训过程仍然是空旷的问题。另外，对象识别和检测是工业部门常用的资源约束嵌入式系统的具有挑战性的任务。为了克服这些问题，我们提出了一个基于正交分解（一种经典模型订购技术）的降低降低框架，以减少网络的超参数数量。我们已经使用Pascal VOC数据集将这种框架应用于SSD300体系结构，证明了网络维度的降低，并且在转移学习环境中对网络的微调进行了显着的加速。
translated by 谷歌翻译
复杂的机器学习算法在涉及文本数据的关键任务中越来越多地使用，从而导致开发可解释性方法。在本地方法中，已经出现了两个家庭：那些计算每个功能的重要性得分以及那些提取简单逻辑规则的人。在本文中，我们表明，即使应用于我们期望定性巧合的简单模型，使用不同的方法也会导致出乎意料的不同解释。为了量化这种效果，我们提出了一种新方法来比较不同方法产生的解释。
translated by 谷歌翻译
我们考虑识别大规模线性和稳定的动态系统，其输出可能是许多相关输入的结果。因此，严重的疾病可能会影响估计问题。当通过许多子单元的互连给出的复杂物理系统进行建模时，这种情况通常是一种情况，在这些子单元的互连中可以遇到反馈和代数循环。我们制定了一种基于贝叶斯正则化的策略，其中任何脉冲响应都被建模为实现零均值高斯过程的策略。稳定的样条协方差用于包括有关脉冲反应的平滑指数衰减的信息。然后，我们设计了一种新的马尔可夫链蒙特卡洛方案，该方案涉及共线性，并能够有效地重建冲动反应的后部。它基于Gibbs采样的变化，该变体基于影响不同输入的截然性水平更新参数空间的重叠块。包括数值实验以测试数百个脉冲响应形成系统的方法的好处，并且输入相关性可能非常高。
translated by 谷歌翻译