空间变压器网络（STNS）估计图像变换，可以通过“放大”图像中的相关区域来改善下游任务。但是，STN很难训练，并且对转型的错误预测敏感。为了避免这些局限性，我们提出了一种概率扩展，该扩展估计了随机转化而不是确定性的转换。边缘化转换使我们能够以多个姿势考虑每个图像，这使本地化任务变得更加容易，并且培训更加健壮。作为另一个好处，随机转换充当了局部，学习的数据增强，可改善下游任务。我们在标准成像基准和充满挑战的现实数据集中显示，这两种属性可改善分类性能，鲁棒性和模型校准。我们进一步证明，该方法通过改善时间序列数据的模型性能来推广到非视觉域。
translated by 谷歌翻译
高通量基因组学正在为个性化医疗保健和针对性的药物设计和分娩中带来一个新时代。挖掘这些大型数据集并获得校准的预测是直接相关性和实用性。在我们的工作中，我们开发了基于深神网络的基因表达推断的方法。但是，与典型的深度学习方法不同，我们的推论技术在准确性方面达到最新性能，也可以提供解释并报告不确定性估计。我们采用分位数回归框架来预测一组保留基因表达的房屋的完整条件分位数。有条件的分位数除了提供对预测的丰富解释外，还对测量噪声也很强。但是，用于驱动估计过程的分位数回归中使用的检查损耗是无可分析的。我们将log-cosh作为检查损失的平滑效力。我们将方法应用于地理微阵列数据集。我们还将方法扩展到二进制分类设置。此外，我们研究了更快收敛损失的平稳性的其他后果。
translated by 谷歌翻译