有人提出,真核性的基本单倍体 - 二倍体循环利用了鲍德温效应的基本形式。本文采用着名的NKCS模型来探讨共同进化对真核生物行为的影响。研究表明,不同的健身景观大小,粗糙度和连通性可以改变真核生殖性别在共同进化上下文中对单倍体无性繁殖有益的条件。此外,真核性别显示出其伴生物种表现出的进化相对比无性单倍体更敏感。
translated by 谷歌翻译
高保真度计算模拟的使用有望实现高通量假设检验和癌症疗法的优化。然而,增加现实主义是以增加计算需求为代价的。本文探讨了使用替代辅助进化算法来优化多细胞模拟器PhysiCell对治疗性化合物肿瘤细胞的靶向递送。研究了高斯过程模型和多层感知器神经网络特征模型的使用。我们发现进化算法能够在基于试剂的模拟中有效地探索生物物理性质的参数空间,从而在经过一段时间的模拟处理后最小化所得的癌细胞数量。发现两种模型辅助算法都优于标准的进化算法,证明了它们能够在最小的评估预算内执行更有效的搜索。
translated by 谷歌翻译
提出了一种新型的浮空气风力发电系统,该系统包含一系列相互作用的涡轮机。球囊涡轮机部件的设计通过人工智能和快速原型技术的组合来进行,从而消除/减少了对高度准确性/升力和尾流动力学模拟的需求。将介绍用于确定设计和算法基础的初始小规模风洞测试。
translated by 谷歌翻译
最近有人提出,真核性的基本单倍体 - 二倍体循环利用了鲍德温效应的基本形式。此外,其他相关现象可以解释为进化调整生物体验所经历的学习量和频率。使用着名的健身景观的NK模型,这里显示了支配的出现也可以在真核生物进化的这种观点下解释。
translated by 谷歌翻译
最近有人提出,真核性的基本单倍体 - 二倍体循环利用了鲍德温效应的基本形式。此外,其他相关现象可以解释为进化调整生物体验所经历的学习量和频率。使用众所周知的健身景观的NK模型,这里表明,性别决定系统的出现也可以在真核动力学的这种观点下解释。
translated by 谷歌翻译
在所有生理信号中,随着单引线版本的增加,心电图(ECG)在医疗和娱乐应用中已经出现了一些最大的扩展。这些版本嵌入在医疗设备和可穿戴产品中,例如可注射的Medtronic Linq监视器,iRhythmZiopatch可穿戴监视器和Apple Watch系列4.最近,深度神经网络已被用于对ECG进行分类,甚至优于心脏电生理学专业的医生。然而,深层学习分类器已被证明对对抗性的例子很脆弱,包括与医学相关的任务。然而,传统的攻击方法,如投影梯度下降(PGD),会产生引入非生理方波伪影的例子。在这里,我们开发了一种方法来构造平滑的对称实例。我们选择专注于从2017年PhysioNet /心脏计算机心理学挑战中获得的数据,用于单导联心电图分类。对于这个模型,我们利用一种新技术生成平滑的例子来产生信号,这些信号是1)与原始实例无法区分的心脏病学家2)被神经网络错误分类。此外,我们表明对抗性的例子并不罕见。已经达到最先进性能的Deepneural网络无法对临床专家看似真实的平滑对抗心电图进行分类。
translated by 谷歌翻译
对抗训练,其中网络训练对抗的例子,是抵御强烈攻击的对抗性攻击的少数防御之一。遗憾的是,产生强大对抗性示例的高成本使标准对抗性训练对像ImageNet这样的大规模问题不切实际。我们提出了一种算法,通过循环更新模型参数时计算的梯度信息,消除了生成对抗性示例的开销成本。与自然训练相比,我们的“免费”对抗训练算法在CIFAR-10和CIFAR-100数据集上具有最先进的稳健性,并且比其他强大的对抗训练方法快7到30倍。使用具有4个P100 GPU的单工作站和2天的运行时间,我们可以为大规模ImageNet分类任务训练一个强大的模型,该任务对PGD攻击保持40%的准确性。
translated by 谷歌翻译
在本文中,我们提出了Spatio-TEmporal Progressive(STEP)动作检测器---一种用于视频中时空动作检测的渐进式学习框架。从一些粗略的提议长方体开始,我们的方法逐步完善了针对几步行动的提案。以这种方式,通过利用先前步骤的回归输出,可以在后面的步骤中逐步获得高质量的提议(即,遵守动作运动)。在每一步,我们都会及时自适应地扩展提案,以纳入更多相关的时间背景。与先前在一次运行中执行动作检测的工作相比,我们的渐进式学习框架可以自然地处理动作管内的空间位移,因此为时空建模提供了更有效的方法。我们对UCF101和AVA的方法进行了广泛的评估,并展示了更好的检测结果。值得注意的是,我们通过3个渐进步骤实现了mAP分别为75.0%和18.6%,并且分别仅使用了11和34个初始提案。
translated by 谷歌翻译
深度神经网络模型和强化学习算法的结合可以使得学习机器人行为的策略成为可能,这些机器人行为直接读取原始感觉输入,例如相机图像,有效地将估计和控制都假设为一个模型。然而,强化学习的现实应用必须通过手动编程的奖励函数来指定任务的目标,这实际上要求设计与端到端执行学习有望避免的完全相同的感知管道,或者用额外的方式检测环境。用于确定任务是否已成功执行的传感器。在本文中,我们提出了一种方法,通过使机器人从成功结果的实例数量中学习,然后是主动询问,机器人向用户显示状态并要求标签,从而消除对奖励规范的手动工程的需要。确定该状态是否代表任务的成功完成。虽然为每个单一状态请求标签将等于要求用户手动提供奖励信号,但我们的方法仅需要在训练期间看到的状态的一小部分标签,使其成为有效且实用的学习技能的方法,无需人工设计的奖励。我们在真实世界的机器人操作任务上评估我们的方法,其中观察包括由机器人的相机观察的图像。在实验中,我们的方法有效地学习直接从图像中排列对象,放置书籍和布料,并且没有任何手动指定的奖励功能,并且与现实世界仅有1-4小时的交互。
translated by 谷歌翻译
本文提出了一个新的任务,即视频中时空识别描述的基础。以前的工作表明现有数据集中存在潜在偏差,并强调需要新的数据创建模式以获得更好的模型结构。我们引入了一种基于表面实现的语法约束的新数据采集方案,使我们能够研究视频中基础时空识别描述的问题。 Wethen提出了一个双流模块化注意网络,该网络基于外观和运动来学习和发现时空识别描述。通过模块化神经网络解决模块之间的任务干扰,可以看出运动模块有助于解决与运动相关的单词,并且还有助于在外观模块中使用。最后,我们提出了一个未来的挑战,并且需要一个强大的系统,这个系统来自用自动视频对象检测器和时间事件定位替换地面真实视觉注释。
translated by 谷歌翻译