现在，最先进的强化学习能够在模拟中学习双皮亚机器人的多功能运动，平衡和推送能力。然而，现实差距大多被忽略了，模拟结果几乎不会转移到真实硬件上。在实践中，它是不成功的，因为物理学过度简化，硬件限制被忽略，或者不能保证规律性，并且可能会发生意外的危险运动。本文提出了一个强化学习框架，该框架能够学习以平稳的开箱即用向现实的转移，仅需要瞬时的本体感受观察，可以学习强大的站立式恢复。通过结合原始的终止条件和政策平滑度调节，我们使用没有记忆力或观察历史的政策实现了稳定的学习，SIM转移和安全性。然后使用奖励成型来提供有关如何保持平衡的见解。我们展示了其在下LIMB医学外骨骼Atalante中的现实表现。
translated by 谷歌翻译
在本文中，我们解决了测试两个观察到的树$（t，t'）$是独立采样还是从它们相关的联合分布中进行采样的问题。这个问题我们称为树中的相关检测，在两个相关随机图的图形对齐中起着关键作用。通过图形对准，我们研究了单方面测试的存在条件，即具有I型误差和非呈现能力的消失的测试。对于带有平均$ \ lambda的Poisson后代的相关Galton-Watson模型，我们在（0,1）$中$ s $ s \ s $ s \ in（0,1）$，我们在$ s = \ sqrt { \ alpha} $，其中$ \ alpha \ sim 0.3383 $是Otter的常数。也就是说，我们证明，对于$ s \ leq \ sqrt {\ alpha} $，不存在此类测试，并且每当$ \ sqrt {\ alpha} $，$ \ lambda $ for Empoot Foom Foom时，就存在此类测试。该结果为稀疏制度（$ o（1）$平均节点度）以及Ganassali等人研究的MPALIGN方法的性能提供了有关图形对准问题的新启示。 （2021），Piccioli等。 （2021），特别是Piccioli等人的猜想。 （2021）MPALIGN在相关参数的部分恢复任务中取得成功，提供了平均节点度$ \ lambda $的平均节点$ \ lambda $足够大。
translated by 谷歌翻译
对头部磁共振成像（MRI）检查的需求不断增长，以及全球放射科医生的短缺，导致在全球报告头部MRI扫描所花费的时间增加。对于许多神经系统疾病，这种延迟会导致发病率和死亡率增加。一种自动分解工具可以通过在成像时识别异常并确定这些扫描的报告优先级来减少异常检查的报告时间。在这项工作中，我们提出了一个卷积神经网络，用于检测$ \ text {t} _2 $加权的头部MRI扫描中临床上相关的异常。使用经过验证的神经放射学报告分类器，我们从两家英国两家大型医院进行了43,754张标记的数据集，以进行模型培训，并在800张测试集上证明了准确的分类（AUC下的区域（AUC）= 0.943），由800张扫描集进行了标签。神经放射学家团队。重要的是，当仅在一家医院接受扫描培训时，模型从另一家医院进行了扫描（$ \ delta $ auc $ \ leq $ 0.02）。一项模拟研究表明，我们的模型将使异常检查的平均报告时间从28天到14天，并从两家医院的9天到5天，这表明在临床分类环境中使用了可行性。
translated by 谷歌翻译