基于变分粒子的贝叶斯学习方法的优点是不受影响更多传统参数化技术的偏差的限制。本文建议利用非参数贝叶斯近似推理的灵活性,以开发一种新颖的贝叶斯联邦无学习方法,称为遗忘 - 斯坦变分梯度下降(忘记-SVGD)。忘记SVGD在SVGD上构建 - 一种基于粒子的近似贝叶斯推理方案,使用基于梯度的确定性更新 - 以及称为分布式SVGD(DSVGD)的分布式(联合)扩展名。在完成联合学习后,作为一个或多个参与代理人要求他们的数据被“忘记”,忘记-SVGD在数据需要“未解析”的代理商处执行本地SVGD更新,其与通信回合进行交错参数服务器。通过与非参数化方案通过捕获要遗忘的数据以及现有的参数贝叶斯未经学习方法来验证该方法,以及从头开始训练。
translated by 谷歌翻译
神经形态数据携带由尖峰编码的时空模式的信息。因此,神经形态计算中的核心问题是训练尖峰神经网络(SNNS)以再现时加速时空尖峰图案响应于给定的尖刺刺激。通过将每个输入分配给特定期望的输出尖刺序列,大多数现有方法通过分配每个输入来模拟SNN的输入输出行为。相比之下,为了充分利用尖峰的时间编码能力,这项工作建议训练SNN,以匹配尖刺信号的分布而不是单独的尖峰信号。为此,本文介绍了一种新颖的混合架构,包括通过SNN实现的条件发生器,以及由传统人工神经网络(ANN)实现的鉴别器。 ANN的作用是在遵循生成的对抗网络(GANS)原则的对抗迭代学习策略中对SNN的培训期间提供反馈。为了更好地捕获多模态的时空分布,所提出的方法被称为Spikegan - 进一步扩展到支持发电机重量的贝叶斯学习。最后,通过提出Spikegan的在线元学习变量来解决具有时变统计数据的设置。实验与基于(静态)信念网络的现有解决方案相比,对所提出的方法的优点带来了洞察的洞察力,以及最大可能性(或经验风险最小化)。
translated by 谷歌翻译
元学习优化了培训过程的超参数,例如其初始化,内核或学习率,基于从许多辅助任务中采样的数据。关键的潜在假设是,称为元训练任务的辅助任务与在部署时间遇到的任务相同的生成分发,称为元测试任务。然而,这可能不是这种情况,当测试环境与元训练条件不同时。为了解决任务的转变,在元训练和元测试阶段之间产生分配,介绍了转移元学习的加权自由能量最小化(WFEM)。我们实例化了通过高斯进程(GPS)的非参数贝叶斯回归和分类的提议方法。该方法在玩具正弦回归问题上验证,以及使用MiniiMAGENET和CUB数据集的分类,通过与PACOH实现的标准元学习的标准元学习进行比较。
translated by 谷歌翻译
在这项工作中,我们开始使用深入学习方法来找到对蛋白质结构进行分类的方法。我们的人工智能已经训练,以识别从蛋白质数据库(PDB)数据库外推的复杂的生物分子结构,并将其被重新处理为图像;为此目的,已经使用预先训练的卷积神经网络进行了各种测试,例如InceptionResnetv2或Inceptionv3,以便从这些图像中提取有效的特征并正确对分子进行分类。因此,将产生对各种网络的性能的比较分析。
translated by 谷歌翻译
在这项工作中,我们通过使用卷积神经网络,基于深度学习方法的系统提供了一种基于蛋白质数据库中包含的蛋白质描述来分类氨基酸的蛋白质链。每个蛋白质在其XML格式中的文件中的化学物理 - 几何属性中完全描述。这项工作的目的是设计一个原型的深层学习机械,用于收集和管理大量数据,并通过其应用于氨基酸序列的分类来验证。我们设想将所述方法应用于与结构性质和相似性有关的生物分子中的更通用分类问题。
translated by 谷歌翻译
由于类之间的不平衡,医疗数据分类通常是一个具有挑战性的任务。在本文中,我们提出了一种方法来将Dercatospopic图像从Ham10000(具有10000次训练图像的人机)数据集进行分类,包括七种不平衡类型的皮肤病变,具有良好的精度和低资源要求。分类是通过使用佩带的卷积神经网络完成的。我们评估提案的准确性和性能,并说明可能的扩展。
translated by 谷歌翻译