文本分类问题是自然语言处理领域的一个非常广泛的研究领域。简而言之，文本分类问题是确定给定文本所属的先前确定的哪个类别。在过去的研究中，在这一领域进行了成功的研究。在该研究中，使用用于变压器（BERT）的双向编码器表示，其是用于解决自然语言处理领域中的分类问题的常用方法。通过通过在Chatbot架构中使用的单个模型来解决分类问题，旨在缓解服务器上的负载，该负载将由一个以上的模型创建，用于解决多个分类问题。此时，利用在估计在多于一个主题中为分类而创建的单个BERT模型期间应用的掩蔽方法，基于问题的基础提供了模型的估计。覆盖不同字段的三个单独的数据集被各种方法除以各种方法，以使问题复杂化，并且在这种方式中也包括在字段中彼此非常接近的分类问题。以这种方式使用的数据集包括五个课程的五个分类问题。在性能和服务器上占用的空间方面相互比较包含所有分类问题和专门用于问题的其他BERT模型的BERT模型。
translated by 谷歌翻译
Guillain-Barre综合征是一种罕见的神经系统疾病，其中人免疫系统攻击周围神经系统。周围神经系统似乎是神经元模型的数学模型的扩散连接系统，并且该系统的周期比每个神经回路的周期都短。传导路径中的刺激将被轴突接收到失去其功能的髓鞘鞘，并在外部传递到靶器官，旨在解决降低神经传导的问题。在神经元模拟环境中，可以创建神经元模型并定义系统内发生的生物物理事件。在这种环境中，细胞和树突之间的信号传递是图形的。模拟的钾和钠电导是充分复制的，电子动作电位与实验测量的电位相当。在这项工作中，我们提出了一个模拟和数字耦合的神经元模型，该模型包括个人兴奋性和抑制性神经回路块，用于低成本和节能系统。与数字设计相比，我们的模拟设计的性能较低，但能源效率降低了32.3 \％。因此，所得的耦合模拟硬件神经元模型可以是模拟神经传导减少的模型。结果，模拟耦合的神经元（即使具有更大的设计复杂性）为未来开发的可穿戴传感器设备的竞争者，该设备可能有助于治疗吉兰 - 巴雷综合症和其他神经系统疾病。
translated by 谷歌翻译
观察到通过使用深度学习方法，实现高分类性能和二维信号来实现。在这种情况下，大多数研究人员已经尝试通过使用深度学习方法来分类高光谱图像，并且对这些图像实现了90％以上的分类成功。深度神经网络（DNN）实际上包括两个部分：i）卷积神经网络（CNN）和II）完全连接的神经网络（FCNN）。虽然CNN确定了特征，但FCNN用于分类。在高光谱图像的分类中，观察到几乎所有的研究人员在光谱数据（特征）旁边的空间数据上使用了2D或3D卷积滤波器。在图像或时间信号上使用卷积过滤器可以方便。在高光谱图像中，每个像素由签名矢量表示，该签名矢量包括彼此独立的单个特征。由于可以改变向量中的特征的顺序，因此在这些功能上根据时间信号使用卷积滤波器没有有意义。同时，由于高光谱图像没有纹理结构，因此不需要除光谱数据之外使用空间数据。在这项研究中，通过仅使用完全连接的神经网络和具有一维的光谱数据，对印度松树，萨利纳斯，帕维亚中心，帕维亚大学和博茨瓦纳的高光谱图像进行分类。为所有高光谱图像的测试集实现了97.5％的平均精度。
translated by 谷歌翻译
在空间显式的基于个别模型中捕获和模拟智能自适应行为仍然是研究人员持续的挑战。虽然收集了不断增长的现实行为数据，但存在很少的方法，可以量化和正式化关键的个人行为以及它们如何改变空间和时间。因此，通常使用的常用代理决策框架（例如事件条件 - 行动规则）通常只需要仅关注狭窄的行为范围。我们认为，这些行为框架通常不会反映现实世界的情景，并且未能捕捉如何以响应刺激而发展行为。对机器学习方法的兴趣增加了近年来模拟智能自适应行为的兴趣。在该区域中开始获得牵引的一种方法是增强学习（RL）。本文探讨了如何使用基于简单的捕食者 - 猎物代理的模型（ABM）来应用RL创建紧急代理行为。运行一系列模拟，我们证明了使用新型近端政策优化（PPO）算法培训的代理以展示现实世界智能自适应行为的性质，例如隐藏，逃避和觅食。
translated by 谷歌翻译