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
由于数据隐私问题，人类的医疗数据可能具有挑战性，难以进行某些类型的实验，或禁止的相关成本。在许多设置中，可以获得来自动物模型或体外细胞系的数据，以帮助增加我们对人类数据的理解。然而，与人类数据相比，该数据已知具有低病因有效性。在这项工作中，我们使用体外数据和动物模型增强了小型人类医疗数据集。我们使用不变的风险最小化（IRM）来阐明通过考虑属于不同数据生成环境的交叉器件数据来阐明不变的功能。我们的模型识别与人类癌症发展相关的基因。我们观察到不同于使用的人和小鼠数据的数量之间的一致性，但是需要进一步的工作来获得结论性见解。作为次要贡献，我们增强了现有的开源数据集，并提供了两个均匀加工，交叉生物的同源基因匹配的数据集。
translated by 谷歌翻译
本文提出了一种新型的自适应样品基于空间的Viterbi算法，以在线方式定位。该方法依靠将目标的运动空间离散为代表有限数量的隐藏状态的单元。然后，通过隐藏的Markov模型（HMM）框架中的动态编程计算了跟踪目标的最可能的轨迹。提出的方法使用贝叶斯估计框架，该框架既不限于高斯噪声模型，也不需要线性化的目标运动模型或传感器测量模型。但是，基于HMM的定位方法可能会遭受较差的计算复杂性，因为在大空间中，由于高分辨率建模或目标定位，隐藏状态的数量增加。为了提高这种差的计算复杂性，本文提出了在最可能的信念空间中依次低至高分辨率的信念传播，从而大大降低了所需的资源。所提出的方法的灵感来自计算机视野字段中常用的K-D树算法（例如Quadtree）。使用超宽带（UWB）传感器网络进行的实验测试证明了我们的结果。
translated by 谷歌翻译
人类脑中脑中的背景利用异质感官信息，以有效地执行包括视觉和听力的认知任务。例如，在鸡尾酒会党的情况下，人类听觉Cortex上下文中的视听（AV）提示才能更好地感知言论。最近的研究表明，与音频SE模型相比，AV语音增强（SE）模型可以显着提高信噪比（SNR）环境的极低信号的语音质量和可懂度。然而，尽管在AV SE的领域进行了显着的研究，但具有低延迟的实时处理模型的开发仍然是一个强大的技术挑战。在本文中，我们为低延迟扬声器的独立AV SE提供了一种新颖的框架，可以概括一系列视觉和声学噪声。特别地，提出了一种生成的对抗性网络（GaN）来解决AV SE的视觉缺陷的实际问题。此外，我们提出了一种基于神经网络的深度神经网络的实时AV SE模型，考虑到从GaN的清洁的视觉语音输出来提供更强大的SE。拟议的框架使用客观语音质量和可懂度指标和主观上市测试对合成和真实嘈杂的AV语料库进行评估。比较仿真结果表明，我们的实时AV SE框架优于最先进的SE方法，包括最近的基于DNN的SE模型。
translated by 谷歌翻译
本文提出了一种数据驱动方法，用于使用收缩理论从离线数据学习收敛控制策略。收缩理论使得构建一种使闭环系统轨迹固有地朝向独特的轨迹的策略构成策略。在技术水平，识别收缩度量，该收缩度量是关于机器人的轨迹表现出收缩的距离度量通常是非琐碎的。我们建议共同了解控制政策及其相应的收缩度量，同时执行收缩。为此，我们从由机器人的状态和输入轨迹组成的离线数据集中学习机器人系统的隐式动态模型。使用此学习的动态模型，我们提出了一种用于学习收缩策略的数据增强算法。我们随机生成状态空间中的样本，并通过学习的动态模型在时间上向前传播，以生成辅助样本轨迹。然后，我们学习控制策略和收缩度量，使得来自离线数据集的轨迹之间的距离和我们生成的辅助样品轨迹随时间的减小。我们评估我们提出的模拟机器人目标达成任务的拟议框架的表现，并证明了执行收缩的速度较快，较快的收敛性和更大的学习政策的鲁棒性。
translated by 谷歌翻译
在合作本地化中，通信移动代理使用代理商相对测量来改善其死亡的全局本地化。测量调度使代理能够决定当其计算资源有限时应该处理它应该处理的可用互及的相对测量的子集。最佳测量调度是一种NP-COLLECLICALATIAL优化问题。所谓的顺序贪婪（SG）算法是这个问题的流行次优的多项式解决方案。然而，SG算法的优点函数评估需要访问所有地标代理的状态估计载体和错误协方差矩阵（代理可以从测量的队伍中获取的队友）。本文提出了对SG方法的CL测量调度，但是通过使用基于神经网络的代理模型作为SG算法的优点函数的代理来降低通信和计算成本。该模型的重要性是它由本地信息和来自地标代理的标量元数据驱动。此解决方案以三种方式解决运行SG算法的时间和内存复杂性问题：（a）减少代理间通信消息大小，（b）通过使用更简单的代理（代理）函数来降低功能评估的复杂性（ c）减少所需的内存大小.Simulations展示了我们的结果。
translated by 谷歌翻译
基于深度学习（DL）的语音增强方法通常优化，以最小化干净和增强语音功能之间的距离。这些经常导致语音质量改善，但它们缺乏普遍化，并且可能无法在实际嘈杂情况下提供所需的语音可懂度。为了解决这些挑战，研究人员已经探索了智能性（I-O）丢失函数和用于更强大的语音增强（SE）的视听（AV）信息的集成。在本文中，我们介绍了基于DL的I-O SE算法利用AV信息，这是一种新颖且以前未开发的研究方向。具体而言，我们介绍了一个完全卷积的AV SE模型，它使用改进的短时客观可懂度（STOI）度量作为培训成本函数。据我们所知，这是第一个利用基于I-O的I-O的损耗函数的AV模式集成的第一项工作。比较实验结果表明，我们提出的I-O AV SE框架优于与传统距离的损耗功能训练的仅音频（AO）和AV模型，就标准客观的扬声器和噪声处理。
translated by 谷歌翻译