患者定期继续在其他设施中进行评估或治疗，而不是他们开始他们，以前的成像研究作为CD-ROM，并要求新医院的临床工作人员将这些研究导入其本地数据库。然而，在不同的设施之间，命名法，内容甚至医疗程序之间的标准可能会有所不同，通常需要人为干预，以准确地将所接受的研究在受援所在医院的标准中进行分类。在这项研究中，作者呈现MOMO（模态映射和编排），一种基于深入的学习方法，用于利用元数据子字符串匹配和神经网络集合来自动化该映射过程，培训以识别七种不同的76个最常见的成像研究方式。进行回顾性研究以测量该算法可以提供的准确性。为此，从当地医院的PACS数据库检索了一组11,934个与现有标签的成像系列，以培训神经网络。一套843个完全匿名的外部研究被手动标记为评估我们算法的性能。另外，进行烧蚀研究以测量算法中网络集合的性能影响，并进行商业产品的比较性能测试。与商业产品相比（预测功率为82.86％，精度为82.86％，1.36％的小错误），单独的神经网络集合单独使用较低的准确度进行分类任务（预测功率为99.05％，精度为72.69％，较小误差10.3％）。然而，MOMO以准确性大的裕度优于大幅度，并且具有增加的预测功率（预测功率为99.29％，精度为92.71％，2.63％的小错误）。
translated by 谷歌翻译
汤普森采样（TS）是在不确定性下进行决策的有效方法，其中从精心规定的分布中采样了动作，该分布根据观察到的数据进行更新。在这项工作中，我们研究了使用TS的可稳定线性季度调节剂（LQR）自适应控制的问题，其中系统动力学是未知的。先前的作品已经确定，$ \ tilde o（\ sqrt {t}）$频繁的遗憾对于LQR的自适应控制是最佳的。但是，现有方法要么仅在限制性设置中起作用，需要先验已知的稳定控制器，要么使用计算上棘手的方法。我们提出了一种有效的TS算法，用于对LQR的自适应控制，TS基于TS的自适应控制，TSAC，该算法达到了$ \ tilde o（\ sqrt {t}）$遗憾，即使对于多维系统和Lazaric（2018）。 TSAC不需要先验已知的稳定控制器，并通过在早期阶段有效探索环境来实现基础系统的快速稳定。我们的结果取决于开发新颖的下限TS提供乐观样本的概率。通过仔细规定早期的探索策略和政策更新规则，我们表明TS在适应性控制多维可稳定性LQR方面实现了最佳的遗憾。我们从经验上证明了TSAC在几个自适应控制任务中的性能和效率。
translated by 谷歌翻译
作为响应的自动化图纸或图像的自动评分尚未用于学生成就的大规模评估。在这项研究中，我们提出了人工神经网络，从基于计算机的国际数学和科学评估来分类这些类型的图形反应。我们正在比较卷积和前馈方法的分类准确性。我们的结果表明，卷积神经网络（CNNS）占损耗和准确性的前馈神经网络。 CNN模型的分类为适当的评分类别的图像响应，与典型人类评估者不比更准确，可与典型的人类评估者更准确。通过观察结果进一步加强了这些调查结果，即最准确的CNN模型正确分类了人类评估者被错误评分的一些图像响应。作为额外的创新，我们概述了一种基于项目响应理论的预期响应函数的应用选择训练样本的人类额定响应的方法。本文认为，基于CNN的图像响应的自动评分是一种高度准确的程序，可以妨碍第二人类评估者的工作量和成本，同时提高评分复杂构造 - 反应项目的有效性和可比性。
translated by 谷歌翻译
目前最先进的基于模型的强化学习算法使用轨迹采样方法，例如跨熵方法（CEM），用于在连续控制设置中规划。这些零顺序优化器需要采样大量的轨迹卷展栏以选择最佳动作，这对于大的预测视野或高维行动空间缩放。使用奖励的渐变与更新的操作使用奖励的一阶方法可以减轻此问题，但由于非凸优化景观导致的本地Optima遭受。为了克服这些问题并实现两全其美的问题，我们提出了一种新颖的计划者，具有梯度下降（CEM-GD）的跨熵方法，其将一阶方法与CEM结合起来。在执行开始时，CEM-GD使用CEM来采样大量的轨迹卷展览，以探索优化景观并避免较差的局部最小值。然后，它使用顶部轨迹作为梯度下降的初始化，并将梯度更新应用于这些轨迹中的每一个以找到最佳动作序列。然而，在每个后续时间步骤中，CEM-GD在应用梯度更新之前从CEM采样得多的轨迹得多。我们表明，随着规划问题的维度增加，CEM-GD通过使用梯度信息，通过恒定的少量样本保持所需的性能，同时使用最初采样纯净的轨迹来避免本地最佳局部。此外，CEM-GD比Mujoco中的各种连续控制基准测试更好的性能，每次步骤较少的样本，计算时间较少约25％，内存使用量减少10％。 CEM-GD的实现可在$ \ href {https:/github.com/kevinhuang8/cem-gd} {\ text {https://github.com/kevinhuang8/cem-gd}} $。
translated by 谷歌翻译
展示了在欧洲生物安全卓越网络框架内设计和获取的新的多模态生物识别数据库。它由600多个个人在三种情况下在三种情况下获得：1）在互联网上，2）在带台式PC的办公环境中，以及3）在室内/室外环境中，具有移动便携式硬件。这三种方案包括音频/视频数据的共同部分。此外，已使用桌面PC和移动便携式硬件获取签名和指纹数据。此外，使用桌面PC在第二个方案中获取手和虹膜数据。收购事项已于11名欧洲机构进行。 BioSecure多模式数据库（BMDB）的其他功能有：两个采集会话，在某些方式的几种传感器，均衡性别和年龄分布，多式化现实情景，每种方式，跨欧洲多样性，人口统计数据的可用性，以及人口统计数据的可用性与其他多模式数据库的兼容性。 BMDB的新型收购条件允许我们对单币或多模式生物识别系统进行新的具有挑战性的研究和评估，如最近的生物安全的多模式评估活动。还给出了该活动的描述，包括来自新数据库的单个模式的基线结果。预计数据库将通过2008年通过生物安全协会进行研究目的
translated by 谷歌翻译