研究过程自动化 - 对科学仪器，计算机，数据存储和其他资源的可靠，高效和可重复执行的可靠，高效和可重复执行，这是现代科学的基本要素。我们在此处报告Globus研究数据管理平台内的新服务，该服务可以将各种研究过程的规范作为可重复使用的动作集，流量以及在异质研究环境中执行此类流动的集合。为了以广泛的空间范围（例如，从科学仪器到远程数据中心）和时间范围（从几秒钟到几周），这些Globus自动化服务功能：1）云托管以可靠地执行长期持久的流量，尽管零星的失败，但这些Globus自动化服务功能：1） ; 2）声明性符号和可扩展的异步行动提供商API，用于定义和执行涉及任意资源的各种行动和流动规范； 3）授权授权机制，用于安全调用动作。这些服务允许研究人员将广泛的研究任务的管理外包和自动化为可靠，可扩展和安全的云平台。我们向Globus自动化服务提供用例
translated by 谷歌翻译
Artificial Intelligence (AI) and its applications have sparked extraordinary interest in recent years. This achievement can be ascribed in part to advances in AI subfields including Machine Learning (ML), Computer Vision (CV), and Natural Language Processing (NLP). Deep learning, a sub-field of machine learning that employs artificial neural network concepts, has enabled the most rapid growth in these domains. The integration of vision and language has sparked a lot of attention as a result of this. The tasks have been created in such a way that they properly exemplify the concepts of deep learning. In this review paper, we provide a thorough and an extensive review of the state of the arts approaches, key models design principles and discuss existing datasets, methods, their problem formulation and evaluation measures for VQA and Visual reasoning tasks to understand vision and language representation learning. We also present some potential future paths in this field of research, with the hope that our study may generate new ideas and novel approaches to handle existing difficulties and develop new applications.
translated by 谷歌翻译
We present AI-SDC, an integrated suite of open source Python tools to facilitate Statistical Disclosure Control (SDC) of Machine Learning (ML) models trained on confidential data prior to public release. AI-SDC combines (i) a SafeModel package that extends commonly used ML models to provide ante-hoc SDC by assessing the vulnerability of disclosure posed by the training regime; and (ii) an Attacks package that provides post-hoc SDC by rigorously assessing the empirical disclosure risk of a model through a variety of simulated attacks after training. The AI-SDC code and documentation are available under an MIT license at https://github.com/AI-SDC/AI-SDC.
translated by 谷歌翻译
我们提出了一种新的拒绝期权分类技术，以识别和删除给定神经分类器和数据集的决策空间中不确定性区域。这种现有的配方采用了学习的拒绝（删除）/选择功能，并且需要拒绝示例的已知成本或对所选示例的准确性或覆盖范围的强大限制。我们通过分析互补拒绝区域并采用验证集来学习每个级别的软马克斯阈值来考虑替代公式。目的是最大程度地提高所选示例的准确性，但在被拒绝的示例上受到自然随机性津贴（拒绝比正确的预测更不正确）。我们提供的结果显示了所提出的方法比Na \“ ively阈值校准/未校准/未校准的SoftMax分数，使用2-D点，图像和文本分类数据集使用最先进的预读型模型。源代码可在https上获得。 ：//github.com/osu-cvl/learning-idk。
translated by 谷歌翻译
已经开发了各种方法来结合多组结果的推理，以在集合和共识聚类文献中进行无监督的聚类。从几个候选聚类模型中的一个“最佳”模型报告结果的方法通常忽略了由模型选择产生的不确定性，并且导致对所选择的特定模型和参数敏感的推论，以及制作的假设，尤其是在小样本中所做的假设。尺寸或小簇尺寸。贝叶斯模型平均（BMA）是一种在多种模型中结合结果的流行方法，这些模型在这种情况下提供了一些有吸引力的好处，包括对组合集群结构的概率解释和基于模型的不确定性的量化。在这项工作中，我们介绍了ClusterBMA，该方法可以通过多种无监督聚类算法进行加权模型平均。我们将聚类内部验证标准的组合用作后验模型概率的新近似值，以加权每个模型的结果。从代表跨模型的聚类溶液的加权平均值的组合后相似性矩阵，我们应用对称的单纯形矩阵分解来计算最终的概率群集分配。此方法在随附的R软件包中实现。我们通过案例研究探索这种方法的性能，该案例研究旨在根据脑电图（EEG）数据识别个体的概率簇。我们还使用仿真数据集探索所提出的技术识别稳健的集成簇具有不同级别的集成簇，并在子组之间的分离水平变化，并且模型之间的簇数量变化。
translated by 谷歌翻译
对黑暗时代和系外行星（Farside）进行无线电科学调查的遥远阵列是对Lunar Far Side的拟议任务概念，试图在100正方形的区域内部署和操作128双极化的阵列，偶极天线公里。所得的干涉射电望远镜将提供遥远恒星系统的前所未有的无线电图像，从而可以研究冠状质量弹出和能量颗粒事件的微弱无线电特征，还可以导致在其母星的居住区内检测到磁层周围的磁层。同时，Farside还将在一系列红移（z大约50-100）中以全球21厘米信号的全局信号来测量早期宇宙的“黑暗年龄”。阵列中的每个离散天线节点都通过通信和电源系绳连接到中央集线器（位于降落器）。节点是由Cold =可操作的电子设备驱动的，该电子设备连续监测极宽的频率（200 kHz至40 MHz），该频率超过了基于地球的望远镜的能力，该望远镜的功能由两个数量级。实现这种开创性的能力需要在月球表面上制定强大的部署策略，这对于现有高的TRL技术（演示或正在积极发展）是可行的，并且能够在下一代商业地面上传递到地表，例如蓝色Origin的蓝月亮着陆器。本文介绍了一种天线包装，放置和表面部署贸易研究，该研究利用了NASA的Jet Propuls实验室开发的束缚移动机器人的最新进展，该机器人用于部署平坦的，天线隔离的，带有光学通信和电源传输的磁带。功能。
translated by 谷歌翻译
为了协助游戏开发人员制作游戏NPC，我们展示了EvolvingBehavior，这是一种新颖的工具，用于基因编程，以在不真实的引擎4中发展行为树4.在初步评估中，我们将演变的行为与我们的研究人员设计的手工制作的树木和随机的树木进行了比较 - 在3D生存游戏中种植的树木。我们发现，在这种情况下，EvolvingBehavior能够产生行为，以实现设计师的目标。最后，我们讨论了共同创造游戏AI设计工具的探索的含义和未来途径，以及行为树进化的挑战和困难。
translated by 谷歌翻译
本文提出了一种新的方法，可以通过蒙特卡洛树搜索来控制象征性音乐的情感。我们使用蒙特卡洛树搜索作为一种解码机制来指导语言模型学到的概率分布朝着给定的情感。在解码过程的每个步骤中，我们都会使用树木（Puct）的预测指标上的置信度来搜索分别由情绪分类器和歧视器给出的情感和质量平均值的序列。我们将语言模型用作管道的政策，并将情感分类器和歧视器的组合作为其价值功能。为了解码一段音乐中的下一个令牌，我们从搜索过程中创建的节点访问的分布中进行采样。我们使用直接从生成的样品计算的一组客观指标来评估生成样品相对于人类组成的碎片的质量。我们还进行了一项用户研究，以评估人类受试者如何看待生成的样品的质量和情感。我们将派斗与随机双目标梁搜索（SBB）和条件采样（CS）进行了比较。结果表明，在音乐质量和情感的几乎所有指标中，Puct的表现都优于SBB和CS。
translated by 谷歌翻译
近年来，在数字病理应用中，在研究和临床环境中越来越普遍的部署这些模型的部署证明了在数字病理应用中的深度学习模型的开发方面取得了巨大进步。尽管此类模型在解决DP应用程序中的基本计算任务方面表现出了前所未有的表现，但在适应转移学习的看不见数据时，它们会遭受灾难性的遗忘。随着对深度学习模型的需求越来越多地处理不断变化的数据分布，包括不断发展的患者人群和新的诊断测定法，持续的学习模型减轻了模型忘记的遗忘，需要在基于DP的分析中引入。但是，据我们所知，没有针对DP特定应用的此类模型的系统研究。在这里，我们提出了DP设置中的CL方案，其中的组织病理学图像数据来自不同来源/分布，其知识已集成到单个模型中，而无需从头开始训练所有数据。然后，我们建立了一个用于结直肠癌H＆E分类的增强数据集，以模拟图像外观的变化，并在拟议的CL方案中评估了CL模型性能。我们利用乳腺肿瘤H＆E数据集以及结直肠癌来评估不同肿瘤类型的CL。此外，我们在注释和计算资源的限制下在在线几弹性设置中评估了CL方法。我们揭示了DP应用中CL的有希望的结果，这可能为这些方法在临床实践中的应用铺平了道路。
translated by 谷歌翻译
单眼深度估计（MDE）由于其低成本和机器人任务的关键功能，例如定位，映射和障碍物检测而吸引了激烈的研究。经过深入学习的发展，监督的方法已取得了巨大的成功，但它们依靠大量的地面深度注释，这些深度昂贵。无监督的域适应性（UDA）将知识从标记的源数据转移到未标记的目标数据，以放大监督学习的约束。但是，由于域移位问题，现有的UDA方法可能无法完全跨不同数据集的域差距对齐。我们认为，可以通过精心设计的特征分解来实现更好的域对齐。在本文中，我们提出了一种针对MDE的新型UDA方法，称为适应的学习功能分解（LFDA），该方法学会将功能空间分解为内容和样式组件。 LFDA仅尝试对齐内容组件，因为它具有较小的域间隙。同时，它不包括针对源域的样式组件，而不是训练主要任务。此外，LFDA使用单独的特征分布估计来进一步弥合域间隙。在三个域适应性MDE方案上进行了广泛的实验表明，与最先进的方法相比，所提出的方法可实现卓越的准确性和较低的计算成本。
translated by 谷歌翻译