信息融合是众多工程系统和生物功能的重要组成部分,例如人类认知。融合发生在许多层面,从信号的低级组合到异构决策过程的高级聚合。虽然过去十年见证了深度学习研究的爆发,但神经网络融合并没有观察到同样的革命。具体而言,大多数神经融合方法是特定的,不被理解,分布与局部,和/解释性低(如果存在的话)。在此,我们证明了模糊Choquet积分(ChI),一种强大的非线性聚合函数,可以表示为多层网络,以下称为ChIMP。我们还提出了一种改进的ChIMP(iChIMP),它根据ChI不等式约束的指数数量导致基于随机梯度下降的优化。 ChIMP / iChIMP的另一个好处是它可以实现可解释的AI(XAI)。提供了综合验证实验,并将iChIMP应用于远程感知中的一组异构架构深度模型的融合。我们展示了模型精度的提高,我们之前建立的XAI指数揭示了我们的数据,模型及其决策的质量。
translated by 谷歌翻译
糖尿病视网膜病变(DR)是一种不断恶化的疾病,是视力障碍和失明的主要原因之一。不同等级之间的细微区别以及许多重要小特征的存在使得识别任务非常具有挑战性。另外,本发明的视网膜病变检测方法是非常费力且耗时的任务,其严重依赖于医生的技能。自动检测糖尿病性视网膜病变对于解决这些问题至关重要。糖尿病视网膜病变的早期检测对于诊断也是非常重要的,可以通过适当的治疗来预防失明。在本文中,我们开发了一种新的深度卷积神经网络,通过识别所有微动脉瘤(MA),DR的最初迹象,以及正确地将标签分配给视网膜眼底图像进行早期检测,视网膜眼底图像被分为五个类别。我们在最大的公众可用的Kagglediabetic视网膜病变数据集上测试了我们的网络,并获得了0.851二次加权kappa评分和0.844 AUC评分,从而实现了最先进的严重性评分。在早期检测中,我们已经实现了98%的灵敏度和94%以上的特异性,这证明了我们提出的方法的有效性。我们提出的架构同时在计算时间和空间方面非常简单和有效。
translated by 谷歌翻译
由于下一代测序技术(NGS)的发展导致的可用蛋白质序列量与不同功能方面的蛋白质序列注释等有用信息的慢速和廉价实验提取之间的差距越来越大,这可以通过采用自动功能预测来减少(法新社)接近。 GeneOntology(GO)包含超过40,000个类别,定义了蛋白质功能名称生物过程(BP),细胞成分(CC),分子功能(MF)的三个方面。单个蛋白质的多种功能,使自动功能预测成为一种大规模,多类,多标签的任务。在本文中,我们提出了DEEPGONET,一种新颖的级联卷积和重复神经网络,用于预测GO本体的顶级层次结构。该网络将蛋白质的一级序列作为输入,这使得它比其他流行的基于深度学习的多模态输入方法更有用,使得它们不太适用于只有一级序列可用的蛋白质。我们网络中不同蛋白质功能的所有预测都是通过相同的体系结构进行的,这是一种更好的泛化的证明,这种证据表明,只有通过对智人进行训练才能在各种生物体上表现出良好的性能,这可以通过利用层次关系有效地探索大量输出空间来实现。 GO课程。我们模型的优化性能使其成为直接实验蛋白质功能探索的潜在途径,通过大大消除可能的路线,这是通过仅探索模型中建议的路线来完成的。与文献中的其他架构相比,我们提出的模型在计算时间和空间方面也非常简单和有效。
translated by 谷歌翻译
点击率(CTR)是搜索引擎结果相关的关键信号,包括有机和赞助。结果的CTR具有两个核心组件:(a)用户检查结果的概率,以及(b)由用户检查结果的结果的感知相关性。对用户浏览模型进行了大量工作,对CTR的检查和相关性组件进行建模和分析。在本文中,我们提出了一个新的公式:用户如何阅读结果片段的微观浏览模型。结果的片段文本通常在结果的感知相关性中起关键作用。我们研究了一行片段中的特定单词如何影响用户行为。我们通过考虑预测哪个片段会产生更高点击率的问题来验证这个新的微浏览用户模型,并通过我们的微浏览用户模型显示分类准确性显着提高。本文的主要观点是,在片段内变化相对较少的单词,甚至它们在asnippet中的位置,都会对片段的点击产生重大影响。
translated by 谷歌翻译
识别蛋白质之间的相互作用对于理解生物过程非常重要。从原始文本中提取蛋白质 - 蛋白质相互作用(PPI)通常非常困难。以前的监督学习方法在人工注释数据集上使用了手工制作的功能。在本文中,我们提出了一种新的树轮回复神经网络,结构化的注意力架构用于做PPI。我们的架构在AIMed和BioInfer基准数据集上实现了最先进的结果(精确度,召回率和F1得分)。此外,我们的模型比以前的最佳模型有了显着的改进,没有任何明确的特征提取。我们的实验结果表明,与监督PPI问题的树回溯网络相比,传统的递归网络具有较差的性能。
translated by 谷歌翻译
假新闻及其在社交媒体上的传播已成为一个主要问题,因为它具有创造破坏性影响的能力。不同的机器学习方法已被尝试检测它。然而,大多数假冒新闻集中在一种特殊类型的新闻(如政治)并没有应用许多先进技术。在这项研究中,我们进行了abenchmark研究,以评估不同适用方法在三种不同数据集上的表现,其中我们开发了最大和最多样化的数据集。我们还实施了一些先进的深度学习模型,这些模型已经显示出有希望
translated by 谷歌翻译
我们提出了基于深度学习的化学计量学数据分析技术。湿法L2正则化稀疏自动编码器端到端,用于减小特征向量的大小,以处理化学计量数据分析中维数灾难的经典问题。我们介绍了一种通过Paretooptimization自动选择自动编码器隐藏层内节点的新技术。此外,高斯过程回归量应用于缩小的特征向量用于回归。我们在橙汁和葡萄酒数据集上评估了我们的技术,并将结果与​​3种最先进的方法进行了比较。定量结果显示在归一化均方误差(NMSE)上,结果显示了现有技术的显着改进。
translated by 谷歌翻译
最近在连续控制的深度强化学习方面取得的成功已经通过无模型方法提出,与基于模型的方法不同,这些方法在对复杂领域中不可避免的世界动力学和模型误差进行假设时,并没有表现出局限性。然而,与基于模型的方法相比,它们需要大量的经验,而这些方法通常更具样本效率。我们建议通过一种称为Curious Meta-Controller的集成方法来结合这两种方法的优点。我们在基于模型和无模型控制之间自适应地使用基于学习潜在空间中的动力学的神经模型的学习进展的acuriosity反馈。我们证明了我们的方法可以显着提高样本效率,并在密集和稀疏奖励设置中从原始像素输入学习机器人到达和掌握任务时实现接近最佳的性能。
translated by 谷歌翻译
在本文中,我们为间歇供电系统提出了一种时间,能量和精度感知的调度算法,这些系统执行适用于MCU的压缩迭代学习任务,并且仅由harvestedenergy提供动力。收获的能量的零星性质,嵌入式平台的资源限制以及深度神经网络的计算需求(尽管压缩)提出了独特且具有挑战性的实时调度问题,在该文献中没有提出解决方案。我们通过实证研究问题并模拟能量收集模式以及深度神经网络的准确性和执行之间的交换。我们开发了一种不精确的基于计算的调度算法,该算法提高了间歇供电系统上深度学习任务的可调度性。我们还利用数据样本的计算需求对深度学习模型的依赖性,并提出深度神经网络的早期终止。我们进一步提出了一种半监督机器学习模型,该模型利用深度特征并有助于确定任务的不精确分区。在两个不同的数据集和实际生活场景上实现我们提出的算法,并表明它将准确性提高了9.45% - 3.19%,执行时间减少了14%,成功安排了33%-12%的任务。
translated by 谷歌翻译
情绪在人类互动,医疗保健和安全调查和监测中发挥着至关重要的作用。自动情绪识别(AER)使用脑电图(EEG)信号是解码不依赖于身体姿势的再现的有效方法,但它是一个具有挑战性的问题。已经提出了几种基于传统手工设计方法的自动情绪识别系统,并且它们的性能非常差。由于在许多识别任务中杰出表现的深度学习(DL),我们引入了基于使用DL的EEG脑信号的AER系统(Deep-AER)。 DL模型涉及大量可验证的参数,并且其训练需要大的EEG信号数据集,这对于AER问题是难以获得的。为了克服这个问题,我们提出了一种轻量级的金字塔一维卷积神经网络(LP-1D-CNN)模型,该模型涉及少量可学习的参数。使用LP-1D-CNN,我们构建了一个两级集成模型。在感知的第一级中,每个频道由LP-1D-CNN逐步扫描以产生预测,其使用多数投票融合。第二级概念结合EEG信号的所有通道的预测,使用大多数投票来检测情绪状态。我们使用DEAP(一种用于情绪识别研究的基准数据集)验证了Deep-AER的有效性和稳健性。结果表明FRONT在AER中起主导作用,在这个区域,Deep-AER在两个AER问题上达到了98.43%和97.65%的准确度,即高效价与低价(HV vs LV)和高音与低唤醒(HA) vs LA),分别。比较显示,Deep-AER的性能优于最先进的系统。 TheDeep-AER系统将有助于监测医疗保健和安全调查。
translated by 谷歌翻译