纵向生物医学数据通常是稀疏时间网格和个体特定发展模式的特征。具体而言，在流行病学队列研究和临床登记处，我们面临的问题是在研究早期阶段中可以从数据中学到的问题，只有基线表征和一个后续测量。灵感来自最近的进步，允许将深度学习与动态建模相结合，我们调查这些方法是否可用于揭示复杂结构，特别是对于每个单独的两个观察时间点的极端小数据设置。然后，通过利用个体的相似性，可以使用不规则间距来获得有关个体动态的更多信息。我们简要概述了变形的自动化器（VAES）如何作为深度学习方法，可以与普通微分方程（ODES）相关联用于动态建模，然后具体研究这种方法的可行性，即提供个人特定的潜在轨迹的方法通过包括规律性假设和个人的相似性。我们还提供了对这种深度学习方法的描述作为过滤任务，以提供统计的视角。使用模拟数据，我们展示了方法可以在多大程度上从多大程度上恢复具有两个和四个未知参数的颂歌系统的单个轨迹，以及使用具有类似轨迹的个体群体，以及其崩溃的地方。结果表明，即使在极端的小数据设置中，这种动态深度学习方法也可能是有用的，但需要仔细调整。
translated by 谷歌翻译
We introduce a linguistically enhanced combination of pre-training methods for transformers. The pre-training objectives include POS-tagging, synset prediction based on semantic knowledge graphs, and parent prediction based on dependency parse trees. Our approach achieves competitive results on the Natural Language Inference task, compared to the state of the art. Specifically for smaller models, the method results in a significant performance boost, emphasizing the fact that intelligent pre-training can make up for fewer parameters and help building more efficient models. Combining POS-tagging and synset prediction yields the overall best results.
translated by 谷歌翻译
表征二维地形的最大挑战之一是简洁地传达当地配置的主导性质。在由Bistate单元组成的二维网格中，这可以表示为找到特征性构型变量，例如最近的邻居对和三重态组合。 2-D群集变体方法（CVM）为将一组配置变量与仅两个参数相关联的理论框架，用于自由能平衡的系统。这项工作介绍了一种确定哪些可能的两参数集中的哪些方法为给定的二维地形提供了``最合适''匹配，该匹配来自用于变异推理的方法。这项特定的工作仅关注激活焓参数（EPSILON_0）为零的地形，因此两个状态之间的分布是均衡的。使用此条件是因为，当两个状态均衡时，就会有一个分析解决方案将配置变量值作为H值的函数，在其中我们根据相互作用焓参数（EPSILON_1）定义H为H = EXP（EXP）（ 2*epsilon_1）。这允许将计算结果的配置变量值与给定H值的分析预测值进行比较。使用从三个不同自然出现的黑白构图得出的四种模式来说明该方法，每个图案都符合均衡性标准。我们取得了预期的结果，也就是说，随着模式从相对较少的类似类似的节点数量到增加类似Near样质量的发展，每个相应的自由能最小化模型的H值也会增加。此外，（自由能最小化）模型模式的相应配置变量值与分析预测的值近似对齐。
translated by 谷歌翻译
通过杂乱无章的场景推动对象是一项具有挑战性的任务，尤其是当要推动的对象最初具有未知的动态和触摸其他实体时，必须避免降低损害的风险。在本文中，我们通过应用深入的强化学习来解决此问题，以制造出作用在平面表面上的机器人操纵器的推动动作，在该机器人表面上必须将物体推到目标位置，同时避免同一工作空间中的其他项目。通过从场景的深度图像和环境的其他观察结果中学到的潜在空间，例如末端效应器和对象之间的接触信息以及与目标的距离，我们的框架能够学习接触率丰富的推动行动避免与其他物体发生冲突。随着实验结果具有六个自由度机器人臂的显示，我们的系统能够从开始到端位置成功地将物体推向，同时避免附近的物体。此外，我们与移动机器人的最先进的推动控制器相比，我们评估了我们的学术策略，并表明我们的代理在成功率，与其他对象的碰撞以及在各种情况下连续对象联系方面的性能更好。
translated by 谷歌翻译
动机：我们考虑通过过渡率矩阵$ Q $ indeClation-ratix $ q $描述动态系统的连续时间马尔可夫链，这取决于参数$ \ theta $。以时间为$ t $计算常态概率分布需要矩阵指数$ \ exp（tq）$，并推断$ \ theta $从数据需要它的衍生$ \ partial \ exp \！（tq）/ \ partial \ theta $ 。两者都在挑战，在状态空间和Q $的大小巨大时计算。当状态空间由几个交互离散变量的值的所有组合组成时，可能会发生这种情况。通常它甚至不可能储存$ q $。但是，当$ Q $可以作为张量产品的总和写入时，计算$ \ exp（TQ）$可通过均匀化方法变得可行，这不需要显式存储$ q $。结果：在这里，我们提供了一种用于计算$ \ Partial \ exp \！（TQ）/ \ Partial \ Theta $，差异化均匀化方法的类似算法。我们展示了我们对流行病蔓延的随机SIR模型的算法，我们认为$ Q $可以作为张量产品的总和。我们在奥地利的Covid-19流行病的第一波浪潮中估计了每月感染和恢复利率，并在全面的贝叶斯分析中量化了他们的不确定性。可用性：实现和数据在https://github.com/spang-lab/tensir中获得。
translated by 谷歌翻译
开放程序代表全球手术的主要形式。人工智能（AI）有可能优化手术实践并改善患者结果，但努力主要集中在微创技术上。我们的工作通过策划，从YouTube，从YouTube，Open Surgical视频的最大数据集克服了培训AI模型的现有数据限制：1997年从50个国家上传的23个外科手术的视频。使用此数据集，我们开发了一种能够实时了解外科行为，手和工具的多任务AI模型 - 程序流程和外科医生技能的构建块。我们表明我们的模型推广了各种外科类型和环境。说明这种普遍性，我们直接应用了YouTube培训的模型，分析了在学术医疗中心前瞻性收集的开放式手术，并确定了与手动效率相关的外科技能的运动学描述符。我们的开放外科（AVOS）数据集和培训模式的注释视频将可用于进一步发展外科艾。
translated by 谷歌翻译
概率数值方法（PNMS）通过概率推断解决数值问题。它们已开发用于线性代数，优化，集成和微分方程模拟。PNMS自然地纳入了关于问题的先前信息，并通过有限计算资源以及随机输入来量化不确定性。在本文中，我们提出了probnum：提供最先进的概率数值求解器的Python库。Probnum通过模块化设计以及包装器，可以通过模块化设计来定制PNMS的定制组成，以供自卸使用。在线，在线，文档，开发人员指南和基准，请访问www.probnum.org。
translated by 谷歌翻译
贝叶斯正交（BQ）是一种基于型号的数值集成方法，可以通过编码和利用手头的集成任务的已知结构来提高样本效率。在本文中，我们探讨了在输入域中的一组基本变换下编码积分的不变性，特别是一些酉变换，例如旋转，轴翻转或点对称。与若干合成和一个现实世界应用相比，我们展示了卓越的性能的初步结果。
translated by 谷歌翻译
自主驾驶的车辆必须能够以无碰撞的方式在动态和不可预测的环境中导航。到目前为止，这仅是在无人驾驶汽车和仓库装置中部分实现的，在该装置中，诸如道路，车道和交通标志之类的标记结构简化了运动计划和避免碰撞问题。我们正在为类似汽车的车辆提供一种新的控制方法，该方法基于前所未有的快节奏A*实现，该方法允许控制周期以30 Hz的频率运行。这个频率使我们能够将A*算法作为低级重型控制器，非常适合在几乎任何动态环境中导航和避免碰撞。由于有效的启发式方法由沿着目标最短路径铺设的旋转 - 翻译 - 旋转运动运动，因此我们的短期流产A*（staa*）会快速收敛，并可以尽早中止，以确保高而稳定的控制速度。尽管我们的staa*沿着最短路径扩展状态，但它会照顾与环境的碰撞检查，包括预测的移动障碍状态，并返回计算时间用完时找到的最佳解决方案。尽管计算时间有限，但由于最短路径的以下路径，我们的staa*并未被困在拐角处。在模拟和实体机器人实验中，我们证明了我们的控制方法几乎完全消除了碰撞，并且具有改进的动态窗口方法的改进版本，并具有预测性的避免功能。
translated by 谷歌翻译
The derivation of key equations for the variational Bayes approach is well-known in certain circles. However, translating the fundamental derivations (e.g., as found in Beal's work) to Friston's notation is somewhat delicate. Further, the notion of using variational Bayes in the context of a system with a Markov blanket requires special attention. This Technical Report presents the derivation in detail. It further illustrates how the variational Bayes method provides a framework for a new computational engine, incorporating the 2-D cluster variation method (CVM), which provides a necessary free energy equation that can be minimized across both the external and representational systems' states, respectively.
translated by 谷歌翻译