Facebook帖子与相应的反应特征之间的关系是探索和理解的有趣主题。为了归档此目的，我们测试最先进的Sinhala情绪分析模型，用于数据集，其中包含数百万反应的十年僧伽罗柱。为建立基准和识别Sinhala情感分析的最佳模型的目标，我们还测试了同一数据集配置，其他深度学习模型迎合了情绪分析。在这项研究中，我们报告说，3层双向LSTM模型对于Sinhala情感分析的F1得分为84.58％，超越了当前的最先进的模型;胶囊B，只有设法获得82.04％的F1得分。此外，由于所有深度学习模型显示F1分数高于75％，我们得出结论，声称Facebook反应适合预测文本的情绪是安全的。
translated by 谷歌翻译
Facebook网络允许其用户通过情绪的类型学，通过类型学记录他们的文本的反应。因此，该网络占用，因此是注释情绪数据的素数数据集。本文采用数百万这样的反应，从十年的Facebook Post数据中源于斯里兰卡语境，以模拟旁观者对在线Sinhala文本内容的情绪检测的眼睛。建立了三种不同的情绪分析模型，考虑到有限的反应子集，所有反应和另一个产生正/负星评级值。然后计算并讨论这些模型在捕获观察者的反应时的功效。该分析表明，对于僧伽罗含量，反应的二元分类比其他方法更准确。此外，包含像反应的妨碍精确预测其他反应的能力。
translated by 谷歌翻译
Neural Networks (GNNs) have revolutionized the molecular discovery to understand patterns and identify unknown features that can aid in predicting biophysical properties and protein-ligand interactions. However, current models typically rely on 2-dimensional molecular representations as input, and while utilization of 2\3- dimensional structural data has gained deserved traction in recent years as many of these models are still limited to static graph representations. We propose a novel approach based on the transformer model utilizing GNNs for characterizing dynamic features of protein-ligand interactions. Our message passing transformer pre-trains on a set of molecular dynamic data based off of physics-based simulations to learn coordinate construction and make binding probability and affinity predictions as a downstream task. Through extensive testing we compare our results with the existing models, our MDA-PLI model was able to outperform the molecular interaction prediction models with an RMSE of 1.2958. The geometric encodings enabled by our transformer architecture and the addition of time series data add a new dimensionality to this form of research.
translated by 谷歌翻译
Covid-19大流行导致了前所未有的全球公共卫生危机。鉴于其固有的性质，建议社会疏散措施作为遏制这种大流行传播的主要策略。因此，识别违反这些协议的情况，对削减疾病的传播并促进可持续生活方式具有影响。本文提出了一种基于电脑视觉的基于计算机视觉的系统，分析了CCTV镜头，为Covid-19传播提供了威胁水平评估。该系统努力捕获跨越多个帧的CCTV镜头的信息内容，以识别各个帧的各种违反社会偏移协议的实例，以及跨空间的识别，以及组行为的识别。该功能主要是通过利用基于时间图的基础结构来实现CCTV镜头的信息和对全能解释图的策略并量化给定场景的威胁级别的策略。在一系列场景中测试并验证各个组件，并针对人类专家意见进行了完整的系统。结果反映了威胁水平对人，其物理接近，相互作用，防护服和群体动力学的依赖。系统性能的准确性为76％，从而在城市进行了可部署的威胁监控系统，以允许社会中的正常和可持续性。
translated by 谷歌翻译
内在图像分解是生成图像的成分的打开问题。从单个图像产生反射率和阴影是一个具体的任务，特别是当没有地面真相时。缺乏无监督的学习方法，用于使用单个图像将图像分解成反射率和阴影。我们提出了一种神经网络架构，其能够使用从图像导出的基于物理的参数进行这种分解。通过实验结果，我们展示了（a）所提出的方法优于现有的基于深度学习的IID技术和（b）衍生参数显着提高疗效。我们得出结论，对结果（数值和示例图像）的仔细分析，显示了几个途径以改进。
translated by 谷歌翻译