Given a few seed entities of a certain type (e.g., Software or Programming Language), entity set expansion aims to discover an extensive set of entities that share the same type as the seeds. Entity set expansion in software-related domains such as StackOverflow can benefit many downstream tasks (e.g., software knowledge graph construction) and facilitate better IT operations and service management. Meanwhile, existing approaches are less concerned with two problems: (1) How to deal with multiple types of seed entities simultaneously? (2) How to leverage the power of pre-trained language models (PLMs)? Being aware of these two problems, in this paper, we study the entity set co-expansion task in StackOverflow, which extracts Library, OS, Application, and Language entities from StackOverflow question-answer threads. During the co-expansion process, we use PLMs to derive embeddings of candidate entities for calculating similarities between entities. Experimental results show that our proposed SECoExpan framework outperforms previous approaches significantly.
translated by 谷歌翻译
在这项工作中，我们引入了削减（对对比和无监督的分割培训），这是第一个完全无监督的深度学习框架，以进行医学图像细分，从而促进了未经标记或注释的绝大多数成像数据的使用。将医学图像分割成感兴趣的区域是促进患者诊断和定量研究的关键任务。该细分的一个主要限制因素是缺乏标记的数据，因为在注释者之间获得每组新的成像数据或任务的专家注释可能是昂贵，劳动力且不一致的：因此，我们利用基于Pixel-的自学意义图像本身的居中补丁。我们无监督的方法是基于对比度学习和自动编码方面的培训目标。以前的医学图像细分学习方法集中在图像级对比度训练上，而不是我们的图像内贴片级别的方法，或者将其用作一项预训练的任务，此后网络之后需要进一步监督培训。相比之下，我们构建了第一个完全无监督的框架，该框架在以像素为中心的斑点级别上运行。具体来说，我们添加了新颖的增强，补丁重建损失，并引入了一个新的像素聚类和识别框架。我们的模型在几个关键的医学成像任务上取得了改进的结果，这是通过对视网膜图像的地理萎缩（GA）区域进行分割的任务进行了固定的专家注释的验证。
translated by 谷歌翻译
在本文中，我们研究了针对泊松方程的解决方案的概率和神经网络近似，但在$ \ mathbb {r}^d $的一般边界域中，较旧或$ c^2 $数据。我们的目标是两个基本目标。首先，也是最重要的是，我们证明了泊松方程的解决方案可以通过蒙特卡洛方法在sup-norm中进行数值近似，但基于球形算法的步行略有变化。这提供了相对于相对于相对于相对于有效的估计值规定的近似误差且没有维度的诅咒。此外，样品的总数不取决于执行近似的点。作为第二个目标，我们表明获得的蒙特卡洛求解器renders relu relu深层神经网络（DNN）解决泊松问题的解决方案，其大小在尺寸$ d $以及所需的错误中大多数取决于多项式。和低多项式复杂性。
translated by 谷歌翻译
我们提出了仅使用目标文本提示的3D模型的零击生成技术。在没有任何3D监督的情况下，我们的方法变形了极限细分表面的控制形状及其纹理地图和正常地图，以获得与输入文本提示相对应的3D资产，并且可以轻松地部署到游戏或建模应用程序中。我们仅依靠预先训练的剪辑模型，该模型将输入文本提示与我们3D模型的渲染图像进行了分化。虽然先前的作品集中在风格化或对生成模型的必要培训上，但我们直接对网格参数进行优化，以生成形状，纹理或两者兼而有之。为了限制优化以产生合理的网格和纹理，我们使用图像增强量引入了许多技术，并使用预验证的先验，该技术在给定文本嵌入的情况下生成了剪贴图像嵌入。
translated by 谷歌翻译
人工智能（AI）为简化Covid-19诊断提供了有前景的替代。然而，涉及周围的安全和可信度的担忧阻碍了大规模代表性的医学数据，对临床实践中训练广泛的模型造成了相当大的挑战。为了解决这个问题，我们启动了统一的CT-Covid AI诊断计划（UCADI），其中AI模型可以在没有数据共享的联合学习框架（FL）下在每个主机机构下分发和独立地在没有数据共享的情况下在每个主机机构上执行。在这里，我们认为我们的FL模型通过大的产量（中国测试敏感性/特异性：0.973 / 0.951，英国：0.730 / 0.942），与专业放射科医师的面板实现可比性表现。我们进一步评估了持有的模型（从另外两家医院收集，留出FL）和异构（用造影材料获取）数据，提供了模型所做的决策的视觉解释，并分析了模型之间的权衡联邦培训过程中的性能和沟通成本。我们的研究基于来自位于中国和英国的23家医院的3,336名患者的9,573次胸部计算断层扫描扫描（CTS）。统称，我们的工作提出了利用联邦学习的潜在保留了数字健康的前景。
translated by 谷歌翻译
庞大的石油和天然气传输管道需要定期监测维护和危险检查，以避免设备故障和潜在事故。严重的Covid-19大流行情况迫使公司缩小了他们的团队的规模。面对现场的一种风险由不受控制的油气和天然气的不受控制的释放来表示。在许多检测方法中，无人驾驶飞行器系统含有柔韧性和稳定性。无人驾驶飞行器可以实时转移数据，而他们正在进行监控任务。本文专注于配备光学传感和人工智能的无人机车辆，尤其是具有深入学习技术的图像识别，用于管道监测。无人驾驶飞行器可用于定期巡逻职责，以识别和捕获感兴趣领域的图像和视频。难以达到的地方将进入更快，更便宜，风险较少。目前的论文基于捕获基于无人机的检验视频和图像的想法，这可能在危险之前发现几个潜在的危险问题。由于外管绝缘材料的包层弱化，损坏可以出现。当通过外部腐蚀的管道厚度可能发生时，也可能存在这种情况。本文介绍了石油和天然气行业专家完成的调查，用于寻找所提出的系统的功能和非功能性要求。
translated by 谷歌翻译