医疗编码是一项复杂的任务，需要将超过72,000个ICD代码的子集分配给患者的笔记。对这些任务的现代自然语言处理方法已受到输出空间的输入和大小的长度挑战。我们将模型输入限制在文档中发现的医疗实体周围的一个小窗口中。从这些本地上下文中，我们构建了ICD代码和实体的上下文化表示，并汇总这些表示形式以形成文档级预测。与现有的方法相反，该方法使用使用大小或训练中的代码固定的表示形式，我们通过用本地上下文编码代码描述来表示ICD代码。我们讨论适合在实践中部署编码系统的指标。我们表明，我们的方法优于标准和可部署措施的现有方法，包括在稀有和看不见的代码上的性能。
translated by 谷歌翻译
了解人类流动性对于智慧城市和社会行为研究的发展至关重要。人类流动模型可用于许多应用，包括大流行控制，城市规划和交通管理。现有模型的预测用户移动性模式的准确性小于25％。人类运动的灵活本质可以证明低精度可能是合理的。确实，人类的日常运动并不僵化。此外，严格的移动性模型可能会导致用户记录中的隐藏规律性。因此，我们提出了一种新的观点，以研究和分析人类的迁移率模式并捕获其灵活性。通常，迁移率模式由一系列位置表示。我们建议通过将这些位置抽象成一组位置来定义移动性模式。标记这些位置将使我们能够检测到接近现实的隐藏模式。我们提出IMAP，这是一种单独的人类流动性模式可视化平台。我们的平台使用户可以根据历史记录可视化他们所访问的位置的图。此外，我们的平台显示使用修改后的前缀方法计算出的最频繁的移动性模式。
translated by 谷歌翻译
通过一系列联邦举措和命令，美国政府一直在努力确保美国在AI中的领导。这些广泛的战略文件影响了美国空军美国部（DAF）等组织。DAF-MIT AI加速器是DAF和MIT之间的一项计划，以弥合AI研究人员与DAF任务要求之间的差距。DAF-MIT AI加速器支持的几个项目正在开发公共挑战问题，这些问题解决了许多联邦AI研究的重点。这些挑战是通过公开可用的大型AI-Ready数据集，激励开源解决方案，并为可以激发进一步研究的双重使用技术创建需求信号，来针对优先事项。在本文中，我们描述了正在开发的这些公共挑战以及它们的应用如何促进科学进步。
translated by 谷歌翻译
CNN精确深度预测的能力是在实际视觉上的应用中广泛使用的主要挑战，例如增强的相机跟踪和密集映射。本文旨在回答以下问题：我们可以在视觉SLAM算法的帮助下调整深度预测CNN，即使CNN没有针对当前的操作环境训练，以便受益于SLAM性能？为此，我们提出了一种新的在线适应框架，由两个互补过程组成：一个SLAM算法用于生成微调深度预测的关键帧和使用在线适应深度来提高地图质量的另一算法。一旦拆除了潜在的噪声地图点，我们就会执行全局光度束调节（BA）以提高整体的SLAM性能。在我们自己的实验环境中的基准数据集和真正机器人的实验结果表明，我们的提出方法提高了大满重建精度。我们展示了在培训损失中使用正则化作为防止灾难性遗忘的有效手段。此外，我们将我们的在线适应框架与最先进的预先训练的深度预测CNN进行比较，以表明我们的在线适应深度预测CNN优于已经在大量数据集上培训的深度预测CNN。
translated by 谷歌翻译
现有的多策略自适应差分演进（de）通常涉及多种策略的试验，然后奖励更好的效率，具有更多资源。但是，剥削或探索战略的试验可能导致过度剥削或过度探索。为了提高性能，本文提出了一种新的策略适应方法，命名为显式适配方案（EA方案），其分离多种策略并将其按需采用它们。通过将演化过程划分为几个具有相似性选择（SCSS）代和自适应代的选择性候选者来完成的。在SCSS世代，通过利用平衡策略来学习利用和探索需求。为了满足这些需求，在自适应世代，另外两种策略，剥削或探索是自适应的。与其变体和其他适应方法相比，基准函数的实验研究证明了EA方案的有效性。此外，具有最先进的进化算法和基于群体智能的算法的性能比较表明EADE非常有竞争力。
translated by 谷歌翻译