我们为多层神经网络架构定义了一种不断微弱的完美学习算法的概念，并表明了这种算法不存在，条件是数据集的长度超过所涉及的参数的数量，并且激活功能是逻辑，坦希或罪。
translated by 谷歌翻译
COVID-19的大流行造成了毁灭性的经济和社会破坏，使全球医疗机构的资源紧张。这导致全国范围内呼吁模型预测Covid-19患者的住院和严重疾病，以告知有限医疗资源的分配。我们回应针对儿科人群的其中一种。为了应对这一挑战，我们使用电子健康记录研究了针对儿科人群的两项预测任务：1）预测哪些儿童更有可能住院，而2）在住院儿童中，哪些孩子更有可能出现严重的症状。我们通过新颖的机器学习模型MEDML应对国家儿科Covid-19数据挑战。 MEDML根据超过600万个医学概念的医学知识和倾向得分提取了最预测的特征，并通过图神经网络（GNN）结合了异质医学特征之间的功能间关系。我们使用来自国家队列协作（N3C）数据集的数据评估了143,605名患者的MEDML，并在143,605名患者的住院预测任务中评估了严重性预测任务的11,465名患者。我们还报告了详细的小组级和个人级特征的重要性分析，以评估模型的解释性。与最佳的基线机器学习模型相比，MEDML的AUROC得分高达7％，AUPRC得分高达14％，并且自大流行以来的所有九个国家地理区域以及所有三个月的跨度都表现良好。我们的跨学科研究团队开发了一种将临床领域知识纳入新型机器学习模型的框架的方法，该框架比当前最新的数据驱动的功能选择方法更具预测性和可解释。
translated by 谷歌翻译
2020-05-15
基于格子的运动规划是一种混合规划方法，在那里同时由离散行动组成的计划是一种物理可行的轨迹。规划考虑了离散和持续的方面，例如在配置空间中的碰撞动作持续时间。安全运动刨削依赖于校准的安全边缘进行碰撞检查。轨迹跟踪控制器必须进一步能够可靠地在此安全裕度内执行动作，以便执行安全。在这项工作中，我们关注的是关于控制器性能随时间的内省学习和推理。使用可靠和不确定性感知的计算机学习技术来学习正常控制器执行不同动作。通过纠正执行偏差，我们可以大大降低运动动作的安全余量。推理到两者都验证学习模型是否安全，并通过使用具有较小安全余量的更准确的执行预测来改善运动计划中的碰撞检查效果。所提出的方法允许在正常情况下明确对控制器性能的认识，并及时检测异常情况下的不正确性能。使用模拟在3D中的Quadcopter的非线性动态进行评估。视频：https://youtu.be/stmzduvsumm.
translated by 谷歌翻译