人类机器人的互动会影响人类，这通常会改变行为。本文探讨了这种改变行为的外部性 - 偏好变化。它扩展了先前关于AI系统偏好变化的工作。具体而言，本文将探讨机器人的适应性行为如何通过社交互动来发挥影响力，从而改变用户的喜好。它认为，与其他普遍技术相比，机器人独特影响行为的能力，这一风险很高。因此，有说服力的机器人会冒着操纵的风险。
translated by 谷歌翻译
地下水位预测是一个应用时间序列预测任务，具有重要的社会影响，以优化水管理以及防止某些自然灾害：例如，洪水或严重的干旱。在文献中已经报告了机器学习方法以实现这项任务，但它们仅专注于单个位置的地下水水平的预测。一种全球预测方法旨在利用从各个位置的地下水级时序列序列，一次在一个地方或一次在几个地方产生预测。鉴于全球预测方法在著名的竞争中取得了成功，因此在地下水级别的预测上进行评估并查看它们与本地方法的比较是有意义的。在这项工作中，我们创建了一个1026地下水级时序列的数据集。每个时间序列都是由每日测量地下水水平和两个外源变量，降雨和蒸散量制成的。该数据集可向社区提供可重现性和进一步评估。为了确定最佳的配置，可以有效地预测完整的时间序列的地下水水平，我们比较了包括本地和全球时间序列预测方法在内的不同预测因子。我们评估了外源变量的影响。我们的结果分析表明，通过训练过去的地下水位和降雨数据的全球方法获得最佳预测。
translated by 谷歌翻译
尽管地面望远镜已经发现了许多近地的物体，但观测值却错过了一些快速移动的物体，尤其是那些近地检测限制的物体。我们开发了一个卷积神经网络，用于检测微弱的快速移动近地物体。它是通过模拟产生的人造条纹训练的，并且能够在模拟数据上找到这些小行星条纹的精度为98.7％，虚假正率为0.02％。该程序用于在2019年的四个晚上搜索来自Zwicky瞬态设施（ZTF）的图像数据，并确定了六个先前未被发现的小行星。我们的检测的视觉幅度范围为〜19.0-20.3，运动速率范围为〜6.8-24 dEG/天，与其他ZTF检测相比，这非常微弱。我们的小行星的大小也〜1-51 m，在近距离接近时〜5-60个月距距离〜5-60个月距离距离，假设其反照率值遵循已知的小行星的反照率分布函数。使用纯模拟的数据集来训练我们的模型，使该程序能够在检测微弱和快速移动的对象方面获得灵敏度，同时仍然能够恢复几乎所有使用真实检测来训练神经网络的神经网络几乎所有发现。我们的方法可以被任何观测员用于检测快速移动的小行星条纹。
translated by 谷歌翻译
可以使用X射线自由电子激光器的强脉冲和短脉冲直接通过单次相干衍射成像直接观察到自由飞行中孤立的纳米样品的结构和动力学。广角散射图像甚至编码样品的三维形态信息，但是该信息的检索仍然是一个挑战。到目前为止，只有通过与高度约束模型拟合，需要对单镜头实现有效的三维形态重建，这需要有关可能的几何形状的先验知识。在这里，我们提出了一种更通用的成像方法。依赖于允许凸多面体描述的任何样品形态的模型，我们从单个银纳米颗粒中重建广角衍射模式。除了具有高对称性的已知结构动机外，我们还检索了以前无法访问的不完美形状和聚集物。我们的结果为单个纳米颗粒的真实3D结构确定以及最终的超快纳米级动力学的3D电影开辟了新的途径。
translated by 谷歌翻译
土壤侵蚀是对世界各地环境和长期土地管理的重大威胁。人类活动加速的土壤侵蚀会造成陆地和水生生态系统的极端变化，这在现场阶段（30-m）的当前和可能的未来没有得到充分的调查/预测。在这里，我们使用三种替代方案（2.6、4.5和8.5）估计/预测通过水侵蚀（薄板和RILL侵蚀）的土壤侵蚀速率，共享社会经济途径和代表性浓度途径（SSP-RCP）情景。田间尺度的土壤侵蚀模型（FSSLM）估计依赖于由卫星和基于图像的土地使用和土地覆盖的估计（LULC）集成的高分辨率（30-m）G2侵蚀模型，对长期降水量的规范观察，以及耦合模型比较项目阶段6（CMIP6）的方案。基线模型（2020年）估计土壤侵蚀速率为2.32 mg HA 1年1年，具有当前的农业保护实践（CPS）。当前CPS的未来情况表明，在气候和LULC变化的SSP-RCP方案的不同组合下，增加了8％至21％。 2050年的土壤侵蚀预测表明，所有气候和LULC场景都表明极端事件的增加或极端空间位置的变化很大程度上从南部到美国东部和东北地区。
translated by 谷歌翻译
由于获取和存储标准的差异，从多个来源创建大量的医学放射学图像数据集可能具有挑战性。控制和/或评估图像选择过程的一种可能方法是通过医学图像聚类。但是，这需要一种有效的方法来学习潜在图像表示。在本文中，我们仅使用像素数据来解决医学图像的全面观察聚类的问题。我们测试了几种现代方法的性能，该方法建立在卷积自动编码器（CAE）的顶部 - 卷积深层嵌入式聚类（CDEC）和卷积改进的深层嵌入聚类（CIDEC）和基于预设特征提取的三种方法 - 方向提取的方法（HOG），局部二进制模式（LBP）和主成分分析（PCA）。 CDEC和CIDEC是端到端聚类解决方案，涉及同时学习潜在表示和聚类分配，而其余方法则依赖于固定嵌入的K-均值聚类。我们在30,000张图像上训练模型，并使用由8,000张图像组成的单独测试集进行测试。我们从临床医院中心Rijeka的PACS存储库档案库中取样了数据。为了进行评估，我们在两个目标参数上使用轮廓分数，同质性评分和归一化的相互信息（NMI），与通常发生的DICOM标签紧密相关 - 模态和解剖区域（调整后的身体培养标签）。 CIDEC相对于解剖区域的NMI得分为0.473，而CDEC相对于TAG模式，NMI得分为0.645，两者都优于其他常用的特征描述符。
translated by 谷歌翻译
许多科学预测问题在使用稀疏和不均匀分布的观测中处理空间和时间的复杂变化方面具有时空数据和建模相关的挑战。本文提出了一种新颖的深度学习架构，对位置依赖的时间序列数据（DEEPLatte）的深度学习预测，明确地将空间统计的理论纳入神经网络以解决这些挑战。除了特征选择模块和时空学习模块之外，Deeplatte还包含一个自相关引导的半监督学习策略，以强制执行学习的时空嵌入空间中的预测的本地自相关模式和全局自相关趋势，以与观察到的数据一致，克服了稀疏和不均匀分布式观测的限制。在培训过程中，监督和半监督亏损指导整个网络的更新：1）防止过度装备，2）优化特征选择，3）学习有用的时空表示，4）改善整体预测。我们在一位良好的公共卫生主题，空气质量预测中，使用公共公共卫生主题，在学习，复杂的身体环境中进行了展示Deeblatte的演示 - 洛杉矶。该实验表明，该方法提供准确的细空间尺度空气质量预测，并揭示了影响结果的关键环境因素。
translated by 谷歌翻译