工程方法集中在传统的分解和重构概念上，这些概念依赖于分区组件的输入和输出，以允许组成后的组件级属性。但是，在人工智能（AI）中，通常期望系统会影响其环境，并通过环境影响自己。因此，目前尚不清楚AI系统的输入是否将独立于其输出，因此，是否可以将AI系统视为传统组件。本文认为，工程通用智能需要新的通用系统戒律，称为核心和外围，并探索其理论用途。使用抽象系统理论和必要品种定律详细阐述了新的戒律。通过使用呈现的材料，工程师可以更好地理解调节AI结果以满足利益相关者需求的总体特征，以及实施方案的一般系统性质如何挑战传统工程实践。
translated by 谷歌翻译
从基因表达数据中提取信息的广泛使用方法采用基因共表达网络的构建以及随后发现网络结构的算法的应用。特别是，一个共同的目标是基因簇的计算发现，通常称为模块。当应用新的基因表达数据集上时，可以使用基因本体学富集自动评估计算模块的质量，该方法可在计算的模块中测量基因本体论项的频率并评估其统计学上的可能性。在这项工作中，我们建议基于光谱网络理论数学中相对较新的开创性工作，提出了SGC的基因聚类的新型管道。 SGC由多个新型步骤组成，这些步骤能够以无监督的方式计算高度富集的模块。但是，与所有现有框架不同，它进一步结合了一个新的步骤，该步骤在半监督聚类方法中利用基因本体学信息，进一步提高了计算模块的质量。与已经众所周知的现有框架相比，我们表明SGC导致实际数据的富集更高。特别是，在12个实际基因表达数据集中，SGC的表现优于除1个。
translated by 谷歌翻译
可转移的对抗性攻击优化了从验证的替代模型和已知标签空间中的对手，以欺骗未知的黑盒模型。因此，这些攻击受到有效的替代模型的可用性受到限制。在这项工作中，我们放宽了这一假设，并提出了对抗像素的恢复，作为一种自制的替代方案，可以在无标签和很少的数据样本的条件下从头开始训练有效的替代模型。我们的培训方法是基于一个最小目标的目标，该目标通过对抗目标减少过度拟合，从而为更概括的替代模型进行了优化。我们提出的攻击是对对抗性像素恢复的补充，并且独立于任何特定任务目标，因为它可以以自我监督的方式启动。我们成功地证明了我们对视觉变压器方法的对抗性可传递性以及卷积神经网络，用于分类，对象检测和视频分割的任务。我们的代码和预培训的代理模型可在以下网址找到：https：//github.com/hashmatshadab/apr
translated by 谷歌翻译
理解话语动态的新科学方式之一正在分析社交网络的公共数据。该研究的目的是Covid-19现象（Laclau和Mouffe的话语理论启发）的结构主义话语分析（PDA）通过为波斯社会使用智能数据挖掘。检验的大数据是波斯推特网络的160,000个用户的五百万推文，以比较两个散文。除了单独分析推文文本之外，还创建了一种基于转推关系的社交网络图数据库。我们使用Voterank算法介绍和排名帖子成为口中的人的人，条件是通过网络最大化的总信息传播范围。这些用户也根据其单词使用模式进行聚类（使用高斯混合模型）。将有影响的扩展器的构建话语与最活跃的用户进行比较。该分析基于八集中的Covid相关员额完成。此外，通过依靠推特词语的统计含量分析和极性，对整个提到的群体进行话语分析，特别是对于顶部个人来说。本研究中最重要的结果是，Twitter主题的话语建设是基于政府的，而不是基于社区的。分析的伊朗社会并不认为自己对Covid-19邪恶问题负责，不相信参与，并期望政府解决所有问题。最活跃和最有影响力的用户的相似性是政治，国家和批判性话语建设是主要的。除了研究方法的优点外，还必须注意研究的局限性。给出了伊朗社会未来遇到相似危机的建议。
translated by 谷歌翻译
医疗保健是人类生活中最重要的方面之一。众所周知，心脏病是最致命的疾病之一，这些疾病是阻碍了世界各地许多人的生命。必须提前检测心脏病，因此可以防止丧生生命。用于医学诊断的大规模数据的可用性有助于开发复杂的机器学习和基于深度学习的模型，用于自动化早期诊断心脏病。古典方法在没有概括到训练集中没有看到的新数据的概括。这在训练和测试精度方面的差距是巨大的差距。本文提出了一种新的深度学习架构，使用1D卷积神经网络进行健康和非健康人员之间的分类，以克服古典方法的局限性。各种临床参数用于评估有助于早期诊断的患者的风险概况。使用各种技术来避免在所提出的网络中过度装备。该网络在数据集中实现了超过97％的训练精度和96％的测试准确性。使用各种性能参数的其他分类算法详细比较了模型的准确性，这些算法证明了所提出的架构的有效性。
translated by 谷歌翻译
2020-02-21
主动学习（AL）是一个有希望的ML范式，有可能解析大型未标记数据并有助于降低标记数据可能令人难以置信的域中的注释成本。最近提出的基于神经网络的AL方法使用不同的启发式方法来实现这一目标。在这项研究中，我们证明，在相同的实验环境下，不同类型的AL算法（基于不确定性，基于多样性和委员会）产生了与随机采样基线相比的不一致增长。通过各种实验，控制了随机性来源，我们表明，AL算法实现的性能指标方差可能会导致与先前报道的结果不符的结果。我们还发现，在强烈的正则化下，AL方法在各种实验条件下显示出比随机采样基线的边缘或没有优势。最后，我们以一系列建议进行结论，以了解如何使用新的AL算法评估结果，以确保在实验条件下的变化下结果可再现和健壮。我们共享我们的代码以促进AL评估。我们认为，我们的发现和建议将有助于使用神经网络在AL中进行可重复的研究。我们通过https://github.com/prateekmunjal/torchal开源代码
translated by 谷歌翻译