为了实现可以模仿人类智能的强大人工智能的目标，AI系统将有能力适应不断变化的场景并连续地学习新知识，而不会忘记先前获得的知识。当机器学习模型经过连续的多个任务进行连续培训时，其在以前学习的任务上的性能可能会在新见到的任务的学习过程中急剧下降。为了避免这种现象被称为灾难性的遗忘，已经提出了持续学习，也称为终身学习，并成为机器学习中最新的研究领域之一。近年来，随着量子机学习的开花，开发量子持续学习很有趣。本文着重于用于量子数据的量子模型的情况，其中计算模型和要处理的数据都是量子。梯度情节记忆方法被合并为设计一种量子连续学习方案，该方案克服了灾难性的遗忘，并实现了知识向后传递。具体而言，一系列量子状态分类任务是由差异量子分类器不断学习的，该分类器的参数通过经典的基于梯度的优化器进行了优化。当前任务的梯度被投影到最接近的梯度，避免了以前任务的损失增加，但允许减少。数值仿真结果表明，我们的方案不仅克服了灾难性的遗忘，而且还要实现知识向后转移，这意味着分类器在先前任务上的绩效得到了增强，而不是在学习新任务时受到损害。
translated by 谷歌翻译
原位可视化技术因缺乏远见而受到阻碍：由于采样率差或临界时间段上的细节不足，可能会错过关键的仿真现象。将人保持在循环中是不切实际的，定义统计触发器可能很困难。本文展示了使用基于机器学习的仿真替代物作为甲骨文来识别大规模仿真的预期关键区域的潜力。这些关键区域用于推动原位分析，提供更大的数据保真度和分析解决方案，其等效I/O预算与传统的现场框架。我们通过将TACC星系与CB-GEO MPM集成以进行颗粒流的材料点模拟，从而开发出分布的异步原位可视化。我们采用基于Pytorch的3D图网络模拟器（GNS），该模拟器（GNS）接受了颗粒流问题的训练，作为预测颗粒流动的动力学的甲骨文。关键的利益区域在GN中手动标记，以在MPM中进行原位渲染。
translated by 谷歌翻译
深度学习已被广泛应用于频划分双工（FDD）中的通道状态信息（CSI）反馈，大量多输入多输出（MIMO）系统。对于反馈模型的典型监督培训，几乎无法满足大量特定于任务标记的数据的要求，并且在多种情况下，模型的巨大培训成本和存储使用是用于模型应用的障碍。在这封信中，提出了一种基于多任务学习的方法，以提高反馈网络的可行性。进一步提出了编码者共享的反馈体系结构和相应的培训计划，以促进实施多任务学习方法。实验结果表明，提出的多任务学习方法可以实现全面的反馈绩效，而反馈模型的培训成本和存储使用情况大大降低。
translated by 谷歌翻译
在过去的十年内，GPU硬件和深神经网络技术的突破已经彻底改变了计算机视野，使图像分析潜力可用于一系列现实应用。电子发现的技术辅助审查（Tar）虽然传统上占据了文本内容，目睹了在范围内纳入多媒体内容的不需要。我们在过去几年中为Tar开发了创新的图像分析应用，例如图像分类，图像聚类和对象检测等。在本文中，我们讨论了使用图像聚类应用程序的使用，以方便基于我们服务客户的经验。我们描述了我们在利用任务中利用图像聚类的一般工作流程，并使用实际项目中的统计信息来展示在焦油中使用图像聚类的有效性。我们还总结了在焦油中使用图像聚类的经验教训和最佳实践。
translated by 谷歌翻译
质量控制和质量保证是直接金属激光熔化（DMLM）的挑战。在发生过度成本的情况下，在发生缺陷的部件后，间歇机器诊断和下游部分检查捕获问题。在本文中，我们展示了两种用于过程故障检测的方法和部分质量预测，可以在具有最小硬件修改的现有商业DMLM系统上易于部署。新颖的特征是从公共光电二极管传感器的时间序列和标准机器控制信号导出的。贝叶斯方法将测量值属于多个过程状态之一，最小二乘回归模型预测某些材料缺陷的严重程度。
translated by 谷歌翻译
乳腺癌是女性最常见的恶性肿瘤，每年负责超过50万人死亡。因此，早期和准确的诊断至关重要。人类专业知识是诊断和正确分类乳腺癌并定义适当的治疗，这取决于评价不同生物标志物如跨膜蛋白受体HER2的表达。该评估需要几个步骤，包括免疫组织化学或原位杂交等特殊技术，以评估HER2状态。通过降低诊断中的步骤和人类偏差的次数的目标，赫洛挑战是组织的，作为第16届欧洲数字病理大会的并行事件，旨在自动化仅基于苏木精和曙红染色的HER2地位的评估侵袭性乳腺癌的组织样本。评估HER2状态的方法是在全球21个团队中提出的，并通过一些提议的方法实现了潜在的观点，以推进最先进的。
translated by 谷歌翻译