乳腺癌是最常见的癌症，并寄存癌症的妇女的最多死亡人数。结合大规模筛查政策的诊断活动的最新进展显着降低了乳腺癌患者的死亡率。然而，病理学家手动检查病理学家的载玻片是麻烦的，耗时的，并且受到显着的和观察者内的变异性。最近，全幻灯片扫描系统的出现授权了病理幻灯片的快速数字化，并启用了开发数字工作流程。这些进步进一步使利用人工智能（AI）来协助，自动化和增强病理诊断。但是AI技术，尤其是深度学习（DL），需要大量的高质量注释数据来学习。构建此类任务特定的数据集造成了几个挑战，例如数据获取级别约束，耗时和昂贵的注释，以及私人信息的匿名化。在本文中，我们介绍了乳腺癌亚型（BRACS）DataSet，一个大队列的注释血清杂环蛋白和eosin（H＆E） - 染色的图像，以促进乳房病变的表征。 BRACS包含547个全幻灯片图像（WSIS），并从WSI中提取4539个兴趣区域（ROI）。每个WSI和各自的ROI都是通过三个董事会认证的病理学家的共识注释为不同的病变类别。具体而言，Bracs包括三种病变类型，即良性，恶性和非典型，其进一步亚级分为七个类别。据我们所知，这是WSI和ROI水平的最大的乳腺癌亚型的附带数据集。此外，通过包括被升值的非典型病变，Bracs提供了利用AI更好地理解其特征的独特机会。
translated by 谷歌翻译
Every automaton can be decomposed into a cascade of basic automata. This is the Prime Decomposition Theorem by Krohn and Rhodes. We show that cascades allow for describing the sample complexity of automata in terms of their components. In particular, we show that the sample complexity is linear in the number of components and the maximum complexity of a single component, modulo logarithmic factors. This opens to the possibility of learning automata representing large dynamical systems consisting of many parts interacting with each other. It is in sharp contrast with the established understanding of the sample complexity of automata, described in terms of the overall number of states and input letters, which implies that it is only possible to learn automata where the number of states is linear in the amount of data available. Instead our results show that one can learn automata with a number of states that is exponential in the amount of data available.
translated by 谷歌翻译
尽管最近的自动文本识别取得了进步，但在历史手稿方面，该性能仍然保持温和。这主要是因为缺乏可用的标记数据来训练渴望数据的手写文本识别（HTR）模型。由于错误率的降低，关键字发现系统（KWS）提供了HTR的有效替代方案，但通常仅限于封闭的参考词汇。在本文中，我们提出了一些学习范式，用于发现几个字符（n-gram）的序列，这些序列需要少量标记的训练数据。我们表明，对重要的n-gram的认识可以减少系统对词汇的依赖。在这种情况下，输入手写线图像中的vocabulary（OOV）单词可能是属于词典的n-gram序列。对我们提出的多代表方法进行了广泛的实验评估。
translated by 谷歌翻译
部署AI驱动的系统需要支持有效人类互动的值得信赖的模型，超出了原始预测准确性。概念瓶颈模型通过在类似人类的概念的中间级别调节分类任务来促进可信度。这使得人类干预措施可以纠正错误预测的概念以改善模型的性能。但是，现有的概念瓶颈模型无法在高任务准确性，基于概念的强大解释和对概念的有效干预措施之间找到最佳的妥协，尤其是在稀缺完整和准确的概念主管的现实情况下。为了解决这个问题，我们提出了概念嵌入模型，这是一种新型的概念瓶颈模型，它通过学习可解释的高维概念表示形式而超出了当前的准确性-VS解关性权衡。我们的实验表明，嵌入模型（1）达到更好或竞争性的任务准确性W.R.T. W.R.T.没有概念的标准神经模型，（2）提供概念表示，以捕获有意义的语义，包括其地面真相标签，（3）支持测试时间概念干预措施，其在测试准确性中的影响超过了标准概念瓶颈模型，以及（4）规模对于稀缺的完整概念监督的现实条件。
translated by 谷歌翻译
2022-09-16
主动推断是一种特别是理解大脑的第一原理方法，通常是一种有情的药物，而自由能的单一命令。因此，它通过定义代理的生成模型并推断模型参数，动作和隐藏的状态信念，为对人工智能代理建模提供了一个计算帐户。但是，生成模型和隐藏状态空间结构的确切规范留给了实验者，其设计选择会影响代理的产生行为。最近，已经提出了深度学习方法，以从数据中学习隐藏的状态空间结构，从而从这项乏味的设计任务中减轻了实验者，但导致了一个纠缠的，不可解剖的状态空间。在本文中，我们假设这样一种学识渊博的，纠缠的状态空间并不一定会在自由能中产生最佳模型，并且在状态空间中执行不同的因素可以产生较低的模型复杂性。特别是，我们考虑了3D对象表示的问题，并专注于Shapenet数据集的不同实例。我们提出了一个分配对象形状，姿势和类别的模型，同时仍使用深层神经网络学习每个因素的表示形式。我们表明，当活跃代理在达到首选观察方面采用时，具有最佳分离属性的模型在采用时表现最好。
translated by 谷歌翻译
当研究不受限制的行为并允许小鼠离开笼子去驾驶复杂的迷宫时，小鼠在迷宫中表现出觅食行为，以寻求奖励，不时返回他们的家园，例如。喝。令人惊讶的是，当执行这样的``本垒打''时，老鼠不会遵循确切的反向路径，实际上，入口路径和家居路径几乎没有重叠。最近的工作提出了导航的层次主动推理模型，低级别模型对隐藏状态进行了推断，并提出了解释感官输入的姿势，而高级模型则可以推断出在位置之间移动，从而有效地构建环境地图。但是，使用此``MAP''进行计划，只允许代理找到它以前探索的轨迹，这与观察到的小鼠行为相去甚远。在本文中，我们探讨了通过使用低级生成模型来想象潜在的，但未发现的路径，探讨了将前路径纳入计划算法的方法。我们在网格世界环境中演示了概念证明，展示了代理如何使用从基于像素的观测值中学到的生成模型准确地预测地图中的新的，更短的路径。
translated by 谷歌翻译
人类机器人协作组装系统提高了工作场所的效率和生产力，但可能会增加工人的认知需求。本文提出了一个在线和定量框架，以评估与同事的互动，即人类运营商或具有不同控制策略的工业协作机器人所引起的认知工作量。该方法可以监视操作员的注意力分布和上身运动学，从而受益于低成本立体声摄像机和尖端的人工智能算法的输入图像（即头姿势估计和骨架跟踪）。三种实验场景具有工作站特征和互动方式的变化，旨在测试我们在线方法的性能，以防止最新的离线测量。结果证明，我们基于视觉的认知负荷评估有可能将其集成到新一代的协作机器人技术中。后者将使人类的认知状态监测和机器人控制策略适应改善人类舒适，人体工程学和对自动化的信任。
translated by 谷歌翻译
分层神经网络（SNN）是一种在捆上运行的图形神经网络（GNN），该对象是在这些空间之间在其节点和边缘和线性图上与矢量空间配合矢量空间的对象。 SNN已被证明具有有用的理论特性，可帮助解决异性和光滑过度引起的问题。这些模型固有的一种并发症是找到解决任务的良好支架。先前的作品提出了两种截然相反的方法：基于域知识手动构建捆扎，并使用基于梯度的方法端对端学习捆绑。但是，域知识通常不足，而学习捆绑可能会导致过度拟合和重要的计算开销。在这项工作中，我们提出了一种计算带动束带的新型方法，它从黎曼几何形状中汲取灵感：我们利用歧管假设来计算流形和图形感知的正交图，从而最佳地对齐相邻数据点的切线空间。我们表明，与以前的SNN模型相比，这种方法的计算开销较少。总体而言，这项工作提供了代数拓扑结构与差异几何形状之间的有趣联系，我们希望它能朝这个方向引发未来的研究。
translated by 谷歌翻译
完全可观察到的非确定性（FONT）计划通过具有非确定性效果的行动模型不确定性。现有的FONS计划算法是有效的，并采用了广泛的技术。但是，大多数现有算法对于处理非确定性和任务规模并不强大。在本文中，我们开发了一种新颖的迭代深度优先搜索算法，该算法解决了精心的计划任务并产生了强大的循环策略。我们的算法是针对精心计划的明确设计的，更直接地解决了Fond Planning的非确定性方面，并且还利用了启发式功能的好处，以使算法在迭代搜索过程中更有效。我们将提出的算法与著名的Food Planners进行了比较，并表明它在考虑不同的指标的几种不同类型的FOND领域中具有良好的性能。
translated by 谷歌翻译
增强业务流程管理系统（ABPMS）是一类新兴的过程感知信息系统，可利用值得信赖的AI技术。ABPMS增强了业务流程的执行，目的是使这些过程更加适应性，主动，可解释和上下文敏感。该宣言为ABPMS提供了愿景，并讨论了需要克服实现这一愿景的研究挑战。为此，我们定义了ABPM的概念，概述了ABPMS中流程的生命周期，我们讨论了ABPMS的核心特征，并提出了一系列挑战以实现具有这些特征的系统。
translated by 谷歌翻译