我们使用多机构系统来建模代理（代表公司）如何合作并适应业务“景观”，其中一些更具影响力的公司有能力塑造其他公司的景观。我们研究的景观是基于著名的Kauffman的NK模型，并增加了“塑造者”，这些公司可以为自己和所有其他玩家改变景观的特征。我们的工作调查了还可以赋予认知和体验式搜索的公司，以及与其他公司建立合作的能力，可以使用这些能力来更快，更熟练地适应。我们发现，在一个合作集团中，公司仍然必须有自己的想法，并抵制更强大的合作伙伴的直接模仿，以共同达到更好的高度。具有更大影响力成员的较大群体和群体通常会做得更好，因此有针对性的智能合作是有益的。这些结论是暂定的，我们的结果表明了对景观坚固性和“锻造性”的敏感性（即，塑造公司将改变景观的能力）。总体而言，我们的工作展示了计算机科学，演变和机器学习在这些复杂环境中为业务策略做出贡献的潜力。
translated by 谷歌翻译
底面图像中的自动化视盘（OD）和光杯（OC）分割与有效测量垂直杯盘比率（VCDR）是一种在眼科中常用的生物标志物，以确定胶状神经神经病变的程度。通常，这是使用粗到1的深度学习算法来解决的，其中第一阶段近似于OD，第二阶段使用该区域的作物来预测OD/OC掩码。尽管这种方法广泛应用于文献中，但尚无研究来分析其对结果的真正贡献。在本文中，我们介绍了使用5个公共数据库的不同粗到精细设计的全面分析，包括从标准分割的角度以及估算青光眼评估的VCDR。我们的分析表明，这些算法不一定超过标准的多级单阶段模型，尤其是当这些算法是从足够大而多样化的训练集中学习的。此外，我们注意到粗糙阶段比精细的OD分割结果更好，并且在第二阶段提供OD监督对于确保准确的OC掩码至关重要。此外，在多数据集设置上训练的单阶段和两阶段模型都表现出对成对的结果，甚至比其他最先进的替代方案更好，同时排名第一的OD/OC分段。最后，我们评估了VCDR预测的模型与Airogs图像子集中的六个眼科医生相比，以在观察者间可变性的背景下理解它们。我们注意到，即使从单阶段和粗至细节模型中恢复的VCDR估计值也可以获得良好的青光眼检测结果，即使它们与专家的手动测量不高度相关。
translated by 谷歌翻译
本文介绍了一个开源Python工具箱，称为“集合功能重要性（EFI）”，以提供机器学习（ML）研究人员，领域专家和决策者，具有强大而准确的功能重要性的重要性量化，以及更可靠的机械解释，对使用预测问题的特征的重要性更重要模糊集。该工具包的开发是为了解决特征重要性量化的不确定性，并且由于机器学习算法的多样性，重要性计算方法和数据集依赖性而缺乏可信赖的特征重要性解释。 EFI使用数据自举和决策融合技术（例如平均值，多数投票和模糊逻辑）与多个机器学习模型合并了不同的特征重要性计算方法。 EFI工具箱的主要属性是：（i）ML算法的自动优化，（ii）从优化的ML算法和功能重要性计算技术中自动计算一组功能重要性系数，（iii）使用多个重要性系数的自动汇总决策融合技术和（iv）模糊成员资格功能，显示了每个功能对预测任务的重要性。描述了工具箱的关键模块和功能，并使用流行的IRIS数据集提供了其应用程序的简单示例。
translated by 谷歌翻译
使用图像和计算机视觉自动理解和识别人类情感国家可以改善人机和人机互动。然而，隐私已成为一个非常关注的问题，因为用于培训情感模型的人的身份可以在过程中暴露。例如，恶意的人可以从用户那里利用图像并承担其身份。此外，使用图像的影响识别可能导致歧视性和算法偏差，作为诸如种族，性别和年龄之类的某些信息，可以根据面部特征来假设。保护用户隐私并避免滥用其身份的可能解决方案是：（1）从图像数据库中提取匿名的面部特征，即动作单位（AU），丢弃图像并使用AU进行处理和培训，以及（ 2）联合学习（FL）IE处理用户本地机器（本地处理）的原始图像，并将本地培训的模型发送到主处理机器以进行聚合（中央处理）。在本文中，我们提出了一种影响识别的两级深度学习架构，其使用1级和2级和2级以保护用户的身份。该架构由经常性的神经网络组成，以捕获特征和预测价和唤醒情感状态之间的时间关系。在我们的实验中，我们使用综合多媒体情感数据库的反复性神经网络的不同变体评估我们的隐私保留架构的表现。我们的结果显示，使用齐全的相关系数评估指标，令人效能为0.426美元的最先进的性能和0.401美元，唤起令人震惊的令人震惊的开发识别模型的可行性，这些模型都准确无误，并确保隐私。
translated by 谷歌翻译
目前，由精确的径向速度（RV）观察结果受到恒星活性引入的虚假RV信号的限制。我们表明，诸如线性回归和神经网络之类的机器学习技术可以有效地从RV观测中删除活动信号（由于星形/张图引起的）。先前的工作着重于使用高斯工艺回归等建模技术仔细地过滤活性信号（例如Haywood等人，2014年）。取而代之的是，我们仅使用对光谱线平均形状的更改进行系统地删除活动信号，也没有有关收集观测值的信息。我们对模拟数据（使用SOAP 2.0软件生成； Dumusque等人，2014年生成）和从Harps-N太阳能望远镜（Dumusque等，2015; Phillips等人2015; 2016; Collier训练）培训了机器学习模型。 Cameron等人2019）。我们发现，这些技术可以从模拟数据（将RV散射从82 cm/s提高到3 cm/s）以及从HARPS-N太阳能望远镜中几乎每天进行的600多种真实观察结果来预测和消除恒星活动（将RV散射从82 cm/s提高到3 cm/s）。 （将RV散射从1.753 m/s提高到1.039 m/s，提高了约1.7倍）。将来，这些或类似的技术可能会从太阳系以外的恒星观察中去除活动信号，并最终有助于检测到阳光状恒星周围可居住的区域质量系外行星。
translated by 谷歌翻译