我们探索人工神经网络作为从虚构时间格林函数重建光谱函数的工具,这是一个经典条件反问题。我们的ansatz基于有监督的学习框架,其中先验知识在训练数据中被编码,并且逆变换流形通过神经网络被明确地参数化。我们系统地研究了这种新的重建方法,提供了对其在物理动机模拟数据上的表现的详细分析,并将其与已建立的贝叶斯推理方法进行了比较。发现构造精度至少是可比较的,并且特别是在较大的噪声水平下可能是优越的。我们认为,在监督环境中使用标记的训练数据和确定优化目标的自由度是本方法的固有优势,并且可能导致对未来最先进方法的重大改进。进一步研究的潜在方向是详细讨论。
translated by 谷歌翻译
用于离散系统的Langevin动力学公式被推导为一类新的通用随机过程。动态简化了双状态系统,并提出了一种由朗格文机器实现的新型网络架构。 Langevin机器代表了一种有前途的方法,可以成功地通过LIF神经元计算Boltzmann分布系统的定量精确结果。除了详细介绍新动力学之外,还研究了神经形态硬件系统的不同简化模型,以控制新出现的误差源。
translated by 谷歌翻译
我们提出神经模型,以基于最小递归语义(MRS)从结构化表示中生成高质量的文本。 MRS是一种丰富的语义表示,其编码比其他表示(如抽象意义表示(AMR))更精确的语义细节。我们展示了将依赖性MRS(基于agraph的MRS表示)的线性化映射到英语文本的序列到序列模型在对黄金数据进行训练时可以达到66.11的BLEU分数。使用高精度,广泛覆盖的基于语法的解析器可以进一步提高性能,生成大银训练语料库,在完整测试集上获得77.17的最终BLEU分数,在与银数据域最匹配的测试数据子集上获得83.37分。我们的结果表明,对于需要结构化语义和生成自然语言文本作为输出的能力的应用程序,基于MRS的表示是一个很好的选择。
translated by 谷歌翻译
在这项工作中,我们报告了结合IEEE国际生物医学成像研讨会(ISBI)2016和国际医学影像计算机辅助干预会议(MICCAI)2017年组织的肝肿瘤分割基准(LITS)的设置和结果。将24种有效的最先进的肝脏和肝脏肿瘤分段算法应用于一组131个计算机断层扫描(CT)体积,具有不同类型的肿瘤对比度水平(高强度/低强度),组织异常(转移瘤)大小和不同程度的病变。已提交的算法已在70个未公开的卷上进行了测试。该数据集是与七家医院和研究机构合作创建的,由三位独立的放射科医师手动审查。我们发现没有一种算法对肝脏和肿瘤表现最佳。最佳肝脏分割算法的Dice评分为0.96(MICCAI),而对于肿瘤分割,最佳算法评估为0.67(ISBI)和0.70(MICCAI)。 LITS图像数据和手动注释继续通过在线评估系统公开提供,作为持续的基准测试资源。
translated by 谷歌翻译
准确识别手势对于智能假肢和其他现代人机界面的功能至关重要。许多基于机器学习的分类器使用肌电图(EMG)信号作为输入特征,但是它们经常错误分类在不同情境中执行的手势(改变手臂位置,重新应用电极等)或由于信号特性的改变而具有不同的努力水平。在这里,我们描述了一种基于超维(HD)计算的学习和分类算法,与传统的机器学习算法不同,它可以实现计算上有效的更新,从而逐步整合新数据并适应不断变化的环境。用于训练和分类的EMG信号编码是使用对10,000个元素随机超矢量的相同的简单操作集来执行的,从而实现动态更新。通过使用自定义肌电图采集系统的人工实验,我们在13个单独的手指屈伸手势上展示了88.87%的分类准确度。使用简单的模型更新,我们保持这种准确度,当扩展到21种常用手势或主题随机转换时降低不到5.48%情境语境。我们还示出了用于更新模型的相同方法可以用于解释由执行手势的努力水平导致的变化。
translated by 谷歌翻译
诊断推理是许多职业的关键组成部分。对于即兴创作者的诊断推理技巧,教育心理学家分析并提供这些学生在诊断时使用的认知活动的反馈,特别是假设生成,证据生成,证据评估和得出结论。但是,这种手动分析非常耗时。我们的目标是通过自动化认知活动识别来大规模采用诊断推理分析和反馈。我们为这项任务创建了第一个语料库,包括对来自两个带有认知活动注释的领域的学生进行诊断性的自我解释。基于语料库创建和任务特征的见解,我们讨论了使用AI方法自动识别认知活动的三个挑战:正确识别认知活动跨度,类似认知活动的可靠区分,以及重叠认知活动的检测。我们针对每项挑战提出了单独的绩效指标,从而为未来的研究提供了评估框架。实际上,我们对各种先进的递归神经网络架构的评估表明,当前的技术无法解决其中的一些挑战。
translated by 谷歌翻译
一种可行的解决方案是连续降低每次操作的能量,即通过采用对不确定性具有内在稳健性的计算方法来重新考虑功能以应对不确定性。它需要新颖的外观数据表示,相关操作和电路,以及能够实现它们的材料和基板。 3D集成纳米技术结合了支持快速学习和故障容忍的新型脑启发计算范例,可以引领这种方式。认识到大脑电路的大小,超维(HD)计算可以用HD空间中的点来模拟神经活动模式,即,将高度向量作为大的随机生成模式。高清计算的核心是在内存中操纵和比较这些模式。新兴的纳米技术,如碳纳米管场效应晶体管(CNFET)和电阻RAM(RRAM),以及它们的单片3D集成,通过逻辑和存储器的紧密集成,高能效计算和独特的器件特性,为高清计算的硬件实现提供了机会。我们实验性地演示和表征了使用CNFET和RRAM的单片3D集成构建的端到端HD计算系统。通过我们的nanosystem,我们通过实验证明21种语言的分类,在> 20,000个句子(640万个字符)上测量精度高达98%,每种语言使用一个文本样本(~100,000个字符)进行训练,并且尽管78%使用了良好的操作(98%准确度) HD表示中的硬件错误(输出停留在0或1)。通过利用底层纳米技术的独特属性,我们表明,采用单片3D集成实现的高清计算可以提高420倍的能源效率,同时与传统的硅CMOS实现相比,面积减少25倍。
translated by 谷歌翻译
计算机断层扫描(CT)是急性创伤性脑损伤(TBI)后脑损伤评估的金标准技术。它允许识别大多数病变类型并确定手术或替代治疗程序的需要。然而,传统的病变分类方法仅限于视觉图像检查。在这项工作中,我们通过使用CT衍生的放射学描述符来表征和预测TBI病变。分离表征不同病变的相关形状,强度和纹理生物标记,并使用PartialLeast Squares建立病变预测模型。在包含155次扫描(105列车,50次测试)的数据集上,对于看不见的数据,该方法的准确率达到了89.7%。当仅使用纹理特征建立模型时,获得了88.2%的准确度。我们的结果表明,选择的放射学描述符可能在脑损伤预测中发挥关键作用。此外,拟议的方法接近再生放射科医生的决策。这些结果为放射学引发的脑病变检测,分割和预测开辟了新的可能性。
translated by 谷歌翻译
层次相关传播(LRP)和显着性映射最近用于解释深度学习模型的预测,特别是在文本分类的域中。给定不同的基于归因的解释以突出预测类标签的相关单词,基于删除扰动的实验是一种常见的评估方法。然而,这个词removalapproach忽略了句子中单词或短语之间可能存在的任何语言依赖关系,这可能在语义上指导分类器到特定的预测。在本文中,我们提出了一个基于特征的评估框架,用于比较客户评论(公共数据集)和客户尽职调查(CDD)提取报告(公司数据集)的两种归因方法。我们不是基于相关核去除单词,而是基于从卷积神经网络的中间层去除嵌入特征来研究扰动。我们的实验研究是在嵌入式,嵌入式文档和嵌入式ngramsexplanations上进行的。使用提出的框架,我们提供了一个可视化工具来帮助分析师推理模型的最终预测。
translated by 谷歌翻译
目前,动作识别最常见的运动表示是光学流动。光流是基于粒子跟踪的,它遵循拉格朗日的动力学观点。与拉格朗日视角相反,欧拉动力学模型不跟踪,而是描述局部变化。 Forvideo是一种使用复杂可操纵滤波器的欧拉基于相位的运动表示,最近已成功用于运动放大和视频帧插值。受到这些先前作品的启发,我们建议在深层体系结构中学习欧拉运动表示以进行动作识别。我们以端到端的方式学习复杂域中的过滤器。我们将这些复杂的滤波器设计成类似复杂的Gabor滤波器,通常用于相位信息提取。我们提出了一个基于这些复杂滤波器的相位信息提取模块,可以在任何网络架构中用于提取欧拉表示。我们通过实验分析欧拉运动表示的附加值,由我们提出的相位提取模块提取,并与UCF101数据集上基于光流的现有运动表示进行比较。
translated by 谷歌翻译