作为一项结构化的预测任务，场景图生成给定输入图像，旨在通过构造视觉上的场景图来明确建模对象及其关系。在当前的文献中，这种任务是通过传递基于神经网络的均值差异贝叶斯方法的消息普遍解决的。经典的宽松证据下结合通常被选择为变异推理目标，这可能会诱导过分简化的变分近似，从而低估了下面的复合物后部。在本文中，我们提出了一种新颖的双重重视重要的加权结构学习方法，该方法采用更严重的加权下限作为变异推理目标。它是从从可重新聚集的gumbel-softmax采样器中绘制的多个样品中计算得出的，所得约束的变异推理任务由通用的熵镜下降算法求解。由此产生的双重重聚梯度估计器可降低相应的衍生物的方差，对学习产生有益的影响。所提出的方法在各种流行场景图生成基准测试中实现了最先进的性能。
translated by 谷歌翻译
亚细胞蛋白的自动视觉定位可以加速我们对健康和疾病中细胞功能的理解。尽管机器学习最近取得了进步（ML），但人类仍然通过使用各种视觉提示获得了卓越的准确性。我们通过解决三个关键方面可以缩小这一差距：（i）单元注释质量的自动改善，（ii）支持不平衡和嘈杂数据的新的深神经网络（DNN）体系结构，以及（iii）知情的选择和融合。多种机器学习模型。我们介绍了一种新的``Ai-Trains-ai''方法，用于提高弱标签的质量，并提出了利用小波过滤器和Weibull激活的新型DNN体系结构。我们还通过分析图像级和细胞级预测之间的相关性来探索多-DNN结合过程中的关键因素。最后，在人类蛋白质地图集的背景下，我们证明了我们的系统在多标签的单细胞单细胞分类中实现了蛋白质定位模式的最新性能，同时增强了概括能力。
translated by 谷歌翻译
场景图一代旨在通过显式建模潜在对象及其关系来解释输入图像，这主要由先前的方法通过神经网络模型来解决。目前，这种近似模型通常假设输出变量完全独立，因此忽略了信息性的高阶交互。这可能导致输入图像的不一致解释。在本文中，我们提出了一种新的神经信仰传播方法来产生所得到的场景图。它采用结构贝尔近似而不是平均场近似，以推断相关的边缘。为了找到更好的偏差方差权衡，所提出的模型不仅包含成对交互，而且还包含更高的顺序相互作用进入相关的评分功能。它达到了各种流行的场景图生成基准的最先进的性能。
translated by 谷歌翻译
信息过度时是网络上远处节点之间效率低下的信息传播的现象。这是一个重要的问题，已知会显着影响图形神经网络（GNN）的训练，因为节点的接受场呈指数增长。为了减轻此问题，通常将称为重新布线的预处理程序应用于输入网络。在本文中，我们研究了经典曲率几何概念的离散类似物的使用来对网络上的信息流进行建模并重新织线。我们表明，这些经典概念在各种现实世界网络数据集上实现了GNN培训准确性的最新性能。此外，与当前的最新概念相比，这些经典概念在计算运行时表现出明显的优势。
translated by 谷歌翻译
机器学习可用于分析几种目的的生理数据。脑缺血的检测是对患者护理产生高影响的成就。我们试图研究来自非侵入性监测器的连续生理数据，以及使用机器学习的分析可以检测不同环境中的脑缺血，在颈动脉胚胎切除术后和急性中风中的血管内血栓切除术期间。我们将两个不同组和一名患者的结果进行详细地比较。虽然CEA患者的结果是一致的，但从血栓切除术患者的结果不是并且经常含有极值，例如1.0的精确值。我们突出了这一点，这是程序的持续时间和具有质量不好的数据，导致小数据集。因此，这些结果不能值得信任。
translated by 谷歌翻译
机器学习用于医学，以支持医生在检查，诊断和预测结果中。其中一个最具动态的区域是从密集护理单位使用患者产生的健康数据。本文的目的是展示我们如何通过病人的人口统计数据与他们的生理数据相结合推进交叉患者ML模型开发。我们使用患有颈动脉内切除术（CEA）的患者患者，在那里我们在一次患者和一名患者培训时研究了模型性能和解释性的差异。结果表明，患者的人口统计学对性能和解释性具有很大影响，从而可靠。我们的结论是，我们可以增加信任ML车型在交叉患者背景下，基于其人口模型和患者仔细选择和手术过程。
translated by 谷歌翻译