源代码的AI建模理解任务一直在取得重大进展,并正在生产开发管道中采用。然而,可靠性问题,特别是模型是否实际上是学习源代码的任务相关方面,正在提出。虽然最近的模型探测方法已经观察到许多用于代码模型中的信号意识缺乏信号意识,即,未捕获任务相关信号的模型,它们不提供解决问题的解决方案。在本文中,我们探索了数据驱动的方法来提高模型的模型“信号意识:1)我们将SE概念与课程学习的AI技术相结合; 2)通过自定义Delta调试以生成简化的信号保留程序,将它们纳入AI模型,将SE辅助纳入AI模型。通过我们的技术,我们在模型信号意识方面取得了高达4.8倍的提高。使用代码复杂性的概念,我们进一步从数据集的角度介绍了一种新颖的学习内省方法。
translated by 谷歌翻译
互联网交付的心理治疗(IDPT)被视为一种有效且可扩展的途径,以改善心理医疗保健的可达性。在这种情况下,由于更加传统的干预措施,因此由于医疗保健专业人员与患者之间的互动减少而应对地址的挑战是特别相关的挑战。同时,使用人民个人数据时,尤其是在数字球体中的越来越多的规定。在此类规定中,数据最小化通常是核心租户,例如在一般数据保护条例(GDPR)内。因此,这项工作提出了一种深入学习方法来执行自动遵守预测,同时仅依赖于最敏感的登录/注销数据。该方法在包含接受互联网交付的认知行为治疗(G-ICBT)治疗的342名患者的数据集上进行测试。当仅经过1/3的治疗持续时间,所提出的自我注意网络实现了超过70%的平均平衡准确性。因此,本研究表明,G-ICBT的自动遵守预测,只能使用最小敏感的数据来实现,从而促进了在现实世界IDPT平台中实现了这些工具。
translated by 谷歌翻译
成功的药物开发的主要障碍是临床试验的复杂性,成本和规模。临床试验数据的详细内部结构可以使常规优化难以实现。最近的机器学习进步,具体说明性结构的数据分析,有可能在改善临床试验设计方面取得重大进展。 TrimeGraph旨在应用这些方法,为开发模型的概念证明框架,可以帮助药物开发和益处患者。在这项工作中,我们首先介绍从CT.Gov,AACT和FISTTROVE数据库编译的策划临床试验数据集(n = 1191试验;代表一百万名患者)并将该数据转换为图形结构格式。然后,我们详细介绍了一系列图形机学习算法的数学依据和实现,其通常在嵌入在低维特征空间中的图形数据上使用标准机器分类器。我们培训了这些模型,以预测临床试验的副作用信息给出关于疾病,现有的医疗病症和治疗的信息。 Metapath2Vec算法表现良好,具有标准的逻辑回归,决策树,随机森林,支持向量和神经网络分类器,以及分别显示0.85,0.68,0.86,0.80和0.77的典型Roc-Auc谱分别。值得注意的是,当在等效的阵列结构数据上训练时,最好的执行分类器只能产生0.70的典型的Roc-Auc得分。我们的工作表明,图形建模可以显着提高适当的数据集上的预测准确性。改进建模假设和更多数据类型的项目的连续版本可以产生具有现实世界的药物开发应用的优秀预测因子。
translated by 谷歌翻译
该工作介绍了基于加强学习的开关控制机构,以在存在干扰的情况下自动地将铁磁物体(代表毫师机器人代表毫师机器人)围绕受约束的环境中的障碍物移动。当主动控制是必要的情况时,这种机制可用于导航通过复杂环境的物体(例如,胶囊内窥镜检查,药物颗粒的群体),但是直接操纵可能危险。所提出的控制方案包括由两个子控制器实现的交换控制架构。第一子控制器设计用于采用机器人的逆运动液解决方案来进行待携带的铁磁颗粒的环境搜索,同时稳健。第二子控制器使用定制的彩虹算法来控制机器人臂,即UR5机器人,通过受约束的环境将铁磁颗粒携带到所需位置。对于定制的彩虹算法,采用来自隐式定位网络(IQN)算法和RESET的定量Huber丢失。所提出的控制器首先在实时物理仿真引擎(Pybullet)中进行培训和测试。之后,训练有素的控制器被转移到UR5机器人,以在真实的情况下远程运输铁磁粒子,以证明所提出的方法的适用性。实验结果显示了98.86 \%的平均成功率计算出30个随机产生的轨迹的发作。
translated by 谷歌翻译
自动问题质量评级(AQQR)旨在通过计算手段来评估问题质量,从而解决在线学习者的问题存储库中的出现挑战。 AQQR的现有方法仅依赖于明确定义的标准,如可读性和字数,同时不充分利用最先进的深度学习技术。我们提出DeepQR,这是一个用于AQQR的新型神经网络模型,该模型是使用从PEERWOSE,一个广泛使用的学习者平台收集的多项选择问题(MCQ)数据集进行培训的AQQR。除了设计DeepQR之外,我们还研究了基于明确定义的功能或语义功能或两者的模型。我们还引入了一种自我关注机制来捕获MCQ组件之间的语义相关性,以及使用质量评级获取问题表示的对比学习方法。从八个大学级课程中收集的数据集进行了广泛的实验,说明DeepQR在六种比较模型方面具有卓越的性能。
translated by 谷歌翻译
可信的研究环境(TRE)S是安全和安全的环境,其中研究人员可以访问敏感数据。随着电子健康记录(EHR),医学成像和基因组数据等医疗数据的增长和多样性,通常在使用人工智能(AI)和机器学习子场(ML)的使用增加医疗领域。这产生了披露从TRES的新类型输出的希望,例如培训的机器学习模型。虽然特定的指导方针和政策存在于TRES中的统计披露控制,但它们并不令人满意地涵盖这些新类型的输出请求。在本文中,我们定义了在TRES内医疗保健机器学习的应用程序和披露的一些挑战。我们描述了各种漏洞,引入AI带来了TRES。我们还提供了与培训ML模型的披露相关的不同类型和风险水平的介绍。我们终于描述了开发和调整政策和工具的新研究机会,以安全地披露从TRES的机器学习输出。
translated by 谷歌翻译
经过大量地震后,我们可以看到个人和媒体机构在社交媒体平台上发布的图像由于这些天智能手机的大规模使用而发布。这些图像可用于提供关于公共和研究群落的地震区域震荡损坏的信息,并且可能导致救援工作。本文提出了一种自动化的方法,可以在来自诸如Twitter等社交媒体平台的地震之后提取损坏的建筑图像,从而识别包含此类图像的特定用户帖子。使用传输学习和〜6500手动标记图像,我们培训了深入学习模型,以识别现场损坏的建筑物的图像。当在土耳其2020 M7.0地震发生后,在不同地区的新收购的地震图像上进行地震图像的地震图像时,训练有素的模型取得了良好的表现。此外,为了更好地了解模型如何做出决策,我们还实现了Grad-CAM方法来可视化促进决策的图像上的重要位置。
translated by 谷歌翻译
恐怖群体的活动对公众的安全和福祉带来了严重的威胁。反恐当局旨在在投入行动之前识别和挫败恐怖群体的计划。虽然恐怖群体的活动可能被隐藏和伪装,但这些群体的成员需要沟通和协调组织他们的活动。当局可以利用这种可观察行为和通信数据来估计恐怖组织构成的威胁。然而,为了可信,任何此类统计模型需要折叠在本集团的每个成员构成的威胁水平。与其他良性形式的社交网络不同,考虑到恐怖主义群体作为可更换的成员,给出了该集团造成伤害的综合能力的不完整图片。在这里,我们开发了一个贝叶斯集成决策支持系统,可以将与恐怖主义组的每个成员相关的信息以及集团的组合活动。
translated by 谷歌翻译
如果原始类前沿开始改变,则基于直接估计和分析的分类方法将降低。我们证明了一个独特的(最高规模)解决方案可以从其原始类后海前和数据集前沿恢复测试示例的数据似然。鉴于恢复的似然和一套新的前锋,可以使用贝叶斯规则重新计算后海后,以反映新女子的影响。该方法易于计算并允许原始后索的动态更新。
translated by 谷歌翻译
链事件图(CEGS)是最近的概率图形模型 - 贝叶斯网络的概括 - 在图形拓扑中提供了结构零,结构缺失值和上下文的条件独立性的显式表示。通过从事件树的顶点的着色开始以识别一步转变对称的变换,从事件树构成CEG。这个彩色的事件树,也称为阶段树是用于这个家庭的学习算法的输出。令人惊讶的是,尚未设计一般算法,它会自动将任何分阶段的树转换为CEG表示。在本文中,我们为该转换提供了一种简单的迭代反向算法。此外,我们表明,没有任何信息从将阶段的树转换成CEG。最后,我们证明,通过最佳停止标准,我们的算法比Silander和Leong(2013)中出现的特殊情况的概率更有效。我们还提供使用此算法的Python代码从任何暂存树中获取CEG以及使用采样零添加边缘的功能。
translated by 谷歌翻译