人工智能在人类背景下的兴起使对系统的新需求是透明和可解释的。我们研究了一些与此类责任感相关的拟人化思想和原则，以开发一个理论框架，以思考复杂人类背景下的数字系统以及解释其行为的问题。在结构上，复杂的系统由模块化和层次组件制成，我们使用新的模式和模式过渡的新概念抽象地对其进行建模。模式是系统的独立组件，具有其自己的目标，监视数据和算法。模式的行为，包括其向其他模式的过渡，是由信念函数根据其目标和算法来解释模式监视数据的信念函数。我们展示了这些信念功能如何通过在较高维度的几何空间中可视化其评估来帮助解释系统行为。这些想法是由抽象和具体的简单复合物形式化的。
translated by 谷歌翻译
实现安全和强大的自主权是通往更广泛采用自动驾驶汽车技术的道路的关键瓶颈。这激发了超越外在指标，例如脱离接触之间的里程，并呼吁通过设计体现安全的方法。在本文中，我们解决了这一挑战的某些方面，重点是运动计划和预测问题。我们通过描述在自动驾驶堆栈中解决选定的子问题所采取的新方法的描述，在介绍五个之内采用的设计理念的过程中。这包括安全的设计计划，可解释以及可验证的预测以及对感知错误的建模，以在现实自主系统的测试管道中实现有效的SIM到现实和真实的SIM转移。
translated by 谷歌翻译
当代人工神经网络（ANN）是经过训练的端到端，共同学习功能和分类器以完成感兴趣的任务。尽管非常有效，但这种范式在组装带注释的特定任务数据集和培训大规模网络方面施加了巨大的成本。我们建议通过引入视觉生物标志物分类的辅助预任务来将特征从下游肺超声任务中学习。我们证明，通过培训模型来预测生物标记标签，可以从超声视频中学习一个内容丰富，简洁和可解释的功能空间。值得注意的是，可以从弱视频尺度监督注释的数据中培训生物标志物功能提取器。这些功能可以由针对各种临床任务的各种下游专家模型（诊断，肺严重程度，S/F比）使用。至关重要的是，特定于任务的专家模型的准确性与直接训练此类目标任务的端到端模型相当，同时训练成本大大降低。
translated by 谷歌翻译
本文介绍了代数单词问题评分释义的新任务（AWP），并提出了一种自我监督的方法。在当前的在线教学环境中，释义这些问题对于院士来说有助于产生多种句法的问题以进行评估。它还有助于引起变化，以确保学生已经理解问题，而不仅仅是记住问题或使用不公平的手段来解决问题。当前的最新释义生成模型通常无法有效地解释单词问题，失去关键信息（例如数字或单位），这使问题无法解决。在AWP的背景下，需要释义方法来训练良好的释义者。因此，我们提出了使用新型数据增强的一种自我监督的解释质量检测方法ParaqD，可以学习潜在表示，以通过广泛的利润将代数问题与贫穷的问题分开。通过广泛的实验，我们证明我们的方法的表现优于现有的最先进的自我监管方法，高达32％，同时也证明了令人印象深刻的零拍性能。
translated by 谷歌翻译
由于存在浓烟或阴霾，从室外视觉环境收集的图像通常会降解。在这些退化的视觉环境（DVE）中，在场景理解中进行研究的关键挑战是缺乏代表性的基准数据集。这些数据集需要评估降级设置中的最新对象识别和其他计算机视觉算法。在本文中，我们通过引入带有朦胧和无雾图像的第一个配对的真实图像基准数据集以及原位的雾化密度测量来解决其中的一些限制。该数据集是在受控的环境中生产的，其专业烟雾产生机器覆盖了整个场景，并由从无人机（UAV）（UAV）和无人接地车（UGV）的角度捕获的图像组成。我们还评估了一组代表性的最先进的飞行方法以及数据集中的对象探测器。本文介绍的完整数据集，包括地面真相对象分类框和雾密度测量值，为社区提供了以下网址评估其算法的信息：https：//a2i2-archangel.vision。该数据集的一个子集已用于在CVPR UG2 2022挑战的雾痕中进行对象检测。
translated by 谷歌翻译
在交通场景中的道路使用者的运动预测对于必须在复杂的动态环境中采取安全和强大决策的自动驾驶系统至关重要。我们提出了一种新型的运动预测系统，用于自动驾驶。我们的系统基于贝叶斯逆计划框架，该框架有效地精心策划了基于地图的目标提取，基于经典的基于控制的轨迹发生器以及专家集合轻巧神经网络的混合物，专门针对运动概况预测。与许多替代方法相反，这种模块化有助于隔离性能因素并更好地解释结果，而不会损害性能。该系统解决了感兴趣的多个方面，即多模式，运动概况不确定性和轨迹物理可行性。我们报告了流行的高速公路数据集NGSIM的几个实验，这在轨迹误差方面证明了最先进的性能。我们还对系统组件进行了详细的分析，以及基于行为（例如变更车道与跟随车道）对数据进行分层的实验，以提供对该域中挑战的见解。最后，我们提出了定性分析，以显示我们方法的其他好处，例如解释产出的能力。
translated by 谷歌翻译
超越地球轨道的人类空间勘探将涉及大量距离和持续时间的任务。为了有效减轻无数空间健康危害，数据和空间健康系统的范式转移是实现地球独立性的，而不是Earth-Reliance所必需的。有希望在生物学和健康的人工智能和机器学习领域的发展可以解决这些需求。我们提出了一个适当的自主和智能精密空间健康系统，可以监控，汇总和评估生物医学状态;分析和预测个性化不良健康结果;适应并响应新累积的数据;并提供对其船员医务人员的个人深度空间机组人员和迭代决策支持的预防性，可操作和及时的见解。在这里，我们介绍了美国国家航空航天局组织的研讨会的建议摘要，以便在太空生物学和健康中未来的人工智能应用。在未来十年，生物监测技术，生物标志科学，航天器硬件，智能软件和简化的数据管理必须成熟，并编织成精确的空间健康系统，以使人类在深空中茁壮成长。
translated by 谷歌翻译
空间生物学研究旨在了解太空飞行对生物的根本影响，制定支持深度空间探索的基础知识，最终生物工程航天器和栖息地稳定植物，农作物，微生物，动物和人类的生态系统，为持续的多行星寿命稳定。要提高这些目标，该领域利用了来自星空和地下模拟研究的实验，平台，数据和模型生物。由于研究扩展到低地球轨道之外，实验和平台必须是最大自主，光，敏捷和智能化，以加快知识发现。在这里，我们介绍了由美国国家航空航天局的人工智能，机器学习和建模应用程序组织的研讨会的建议摘要，这些应用程序为这些空间生物学挑战提供了关键解决方案。在未来十年中，将人工智能融入太空生物学领域将深化天空效应的生物学理解，促进预测性建模和分析，支持最大自主和可重复的实验，并有效地管理星载数据和元数据，所有目标使生活能够在深空中茁壮成长。
translated by 谷歌翻译
他们早期阶段的脑转移（BM）的检测可能对癌症患者的结果产生积极影响。我们以前开发了一种在T1加权对比度增强3D磁共振图像（T1C）中检测小BM（直径小于15mm）的框架，以帮助医学专家在这次时间敏感和高赌注任务中。该框架利用使用标记的T1C数据训练的专用卷积神经网络（CNN），其中基本真理BM分段由放射科医师提供。本研究旨在通过嘈杂的基于学生的自我培训策略推进框架，以利用未标记的T1C数据的大语料库（即，没有BM分段或检测的数据）。因此，工作（1）描述了学生和教师CNN架构，（2）提出数据和模型通知机制，（3）在框架的学习BM检测灵敏度中介绍了一种新的伪标记策略分解。最后，它描述了利用这些组件的半监督学习策略。我们通过2倍交叉验证使用标记为217和1247个未标记的T1C考试进行验证。仅使用标记的考试的框架产生了9.23个假阳性90％BM检测灵敏度;然而，使用所引入的学习策略的框架导致了相同的灵敏度水平的假检测（即8.44）减少了〜9％。此外，虽然利用75％和50％标记数据集的实验导致算法性能降级（分别为12.19和13.89误），但随着基于嘈杂的学生的培训策略（分别为10.79和12.37误报），影响不太明显。
translated by 谷歌翻译
经典的机器学习（ML）提供了一种潜在的强大方法来解决物理和化学中挑战性量子多体问题。但是，ML比更传统方法的优势尚未牢固确定。在这项工作中，我们证明，经典的ML算法可以在有限的空间维度中有效预测hipapped汉密尔顿人的基态特性，这是通过在物质相同量子阶段测量其他汉密尔顿人通过测量其他汉密尔顿人获得的数据后。相反，在广泛接受的复杂性理论假设下，不从数据中学习的经典算法无法获得相同的保证。我们还证明，经典的ML算法可以有效地对物质的各种量子阶段进行分类。我们的论点基于经典阴影的概念，这是对多体量子状态的简洁经典描述，可以在可行的量子实验中构造，并用于预测状态的许多特性。广泛的数值实验证实了我们在各种情况下的理论结果，包括Rydberg Atom Systems，2D随机Heisenberg模型，受对称性保护的拓扑阶段和拓扑结构有序的相。
translated by 谷歌翻译