高保真度计算模拟的使用有望实现高通量假设检验和癌症疗法的优化。然而,增加现实主义是以增加计算需求为代价的。本文探讨了使用替代辅助进化算法来优化多细胞模拟器PhysiCell对治疗性化合物肿瘤细胞的靶向递送。研究了高斯过程模型和多层感知器神经网络特征模型的使用。我们发现进化算法能够在基于试剂的模拟中有效地探索生物物理性质的参数空间,从而在经过一段时间的模拟处理后最小化所得的癌细胞数量。发现两种模型辅助算法都优于标准的进化算法,证明了它们能够在最小的评估预算内执行更有效的搜索。
translated by 谷歌翻译
This work proposes PatchNet, an automated tool based on hierarchical deep learning for classifying patches by extracting features from commit messages and code changes. PatchNet contains a deep hierarchical structure that mirrors the hierarchical and sequential structure of a code change, differentiating it from the existing deep learning models on source code. PatchNet provides several options allowing users to select parameters for the training process. The tool has been validated in the context of automatic identification of stable-relevant patches in the Linux kernel and is potentially applicable to automate other software engineering tasks that can be formulated as patch classification problems. A video demonstrating PatchNet is available at https://goo.gl/CZjG6X. The PatchNet implementation is available at https://github.com/hvdthong/PatchNetTool.
translated by 谷歌翻译
我们推导出一系列蒙特卡罗估计量,用于预期的变量分布的期望值,它与对数导数技巧有关,但是涉及样本之间的成对相互作用。其中的第一个来自a)基于微积分的基本定理引入和近似积分表示,或b)在参数的无穷小扰动下将重新参数化技巧应用于隐式参数化。从前一个角度来看,我们推广到再生kernelHilbert空间表示,从而在上面提到的成对交互中产生局部性参数。由此产生的估计器是无偏的,并且与log-derivative估计器相比,shownto提供了有用信息的独立组成部分。有前途的分析和数值例子证实了新估算器背后的直觉。
translated by 谷歌翻译
诸如Retrace($ \ lambda $)和$ n $ -step $ Q $ -learning之类的多步骤方法已成为现代深度强化学习代理的重要组成部分。这些方法通常被评估为较大架构的一部分,而且评估很少包含足够的样本来绘制关于其性能的统计上显着的结论。这种方法使得很难理解多步法的特定算法细节如何影响学习。在本文中,我们将$ n $ -step动作 - 值算法Retrace,$ Q $ -learning,Tree Backup,Sarsa和$ Q(\ sigma)$与类似于DQN的anarchitecture结合起来。我们在山地车环境中测试所有这些算法的性能;这种环境选择允许紧固时间和更大的样本量。我们对非策略修正,备份长度参数$ n $以及目标网络的更新频率对这些算法的性能的影响进行了统计分析。我们的结果表明(1)使用非策略修正可以有一个对Sarsa和$ Q(\ sigma)$的表现造成不利影响; (2)增加备用长度$ n $在所有不同的算法中始终如一地提高性能; (3)Sarsa和$ Q $ -learning的性能对目标网络更新频率的影响比这个特定任务中的Tri Backup,$ Q(\ sigma)$和Retrace的性能更强。
translated by 谷歌翻译
机器学习(ML),人工智能(AI)和其他现代统计方法为操作以前未开发和快速增长的数据来源提供了新的机会,以便患者受益。虽然目前正在进行许多有前景的研究,但整个文学缺乏:透明度;明确报告以促进复制;探索潜在的道德问题;并且,明确有效的演示。造成这些问题的原因有很多,但我们提供初步解决方案的最重要原因之一是目前缺乏针对ML / AI的最佳实践指南。尽管最佳实践在这一领域的看法尚未达成共识,但我们认为,在开展健康领域的ML / AI研究和影响项目的跨学科团体将从回答基于开展此类工作时存在的重要问题的一系列问题中受益。在这里,我们提出了涵盖整个项目生命周期的20个问题,从理论,数据分析和模型评估到实施,作为促进项目规划和事后(结构化)独立评估的平均值。通过开始在不同的环境中回答这些问题,我们可以开始理解什么是一个好的答案,并且我们希望所得到的讨论对于制定一个国际共识框架来进行透明,可复制,道德和有效的人工智能研究(AI-TREE)是至关重要的。为了健康。
translated by 谷歌翻译
我们提出了一种新的深度体系结构,用于人员重新识别(重新识别)。虽然re-id已经看到了最近的进展,但是空间本地化和视图不变表示学习对于强大的交叉视图匹配仍然是未解决的问题。我们通过一种名为Consistent AttentiveSiamese Network的新注意力驱动的Siamese学习架构来解决这些问题。与现有的竞争方法相比,我们的关键创新包括:(a)灵活的框架设计,仅通过身份标签作为监督产生注意力,(b)在同一人的图像中强制注意力一致的明确机制,以及(c)集成注意力的新暹罗框架和注意力的一致性,产生原则上的监督信号以及可以解释暹罗框架预测背后的理论的第一个机制。我们对CUHK03-NP,DukeMTMC-ReID和Market-1501数据集进行了广泛的评估,建立了一种新的技术水平,我们提出的方法使得mAPperformance分别提高了6.4%,4.2%和1.2%。
translated by 谷歌翻译
胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性,可变预后和各种异质性组织亚区域,即肿瘤周围水肿/侵入组织,坏死核心,活性和非增强核心。这种内在的异质性也被用于它们的放射性表型,因为它们的子区域通过在多参数磁共振成像(mpMRI)扫描中传播的不同强度分布来描绘,反映了不同的生物学特性。它们的异质形状,范围和位置是其中的一部分。使这些肿瘤难以切除的因素,在某些情况下无法手术。切除肿瘤的数量也是纵向扫描中考虑的一个因素,用于评估表观肿瘤以进行潜在的进展诊断。此外,有越来越多的证据表明,各种肿瘤亚区域的准确分割可以为定量图像分析提供预测患者整体的基础。生存。该研究评估了在国际脑肿瘤分割(BraTS)挑战的最后七个实例(即2012-2018)期间用于mpMRI扫描中的脑肿瘤图像分析的最先进的机器学习(ML)方法。具体而言,我们专注于i)评估术前mpMRI扫描中各种神经胶质瘤亚区的分割,ii)通过肿瘤亚区的纵向生长评估潜在的肿瘤进展,超出RECIST标准的使用,以及iii)预测整体术前mpMRI扫描对经历完全切除的患者的生存率。最后,我们研究了为每个任务确定最佳ML算法的挑战,考虑到除了在每个挑战实例上多样化之外,多机构mpMRI BraTS数据集也是一个不断发展/不断发展的数据集。
translated by 谷歌翻译
细胞核分割是一项基本任务,对于各种计算病理学应用至关重要,包括细胞核形态分析,细胞类型分类和癌症分级。传统的基于视觉的核分割方法在具有挑战性的案例中挣扎,深度学习方法已被证明更具稳健性和可推广性。然而,CNN需要大量标记的组织病理学数据。此外,传统的基于CNN的方法缺乏结构化的预测能力,这需要区分重叠和成核的核。在这里,我们提出了一种通过利用合成和真实数据训练的条件生成对抗网络(cGAN)克服这些挑战的方法的核心分割。使用未配对的GAN框架生成具有完美核碎标记的大型H&E训练图像数据集。该合成数据以及来自六个不同器官的真实组织病理学数据用于训练具有光谱归一化和用于核分裂的梯度罚分的非传统GAN。与传统的CNN模型相比,这种对抗性回归框架强制执行更高的顺序一致性。我们证明了这种核分割方法在不同器官,部位,患者和疾病状态中的推广,并且优于传统方法,特别是在分离个体和重叠细胞核时。
translated by 谷歌翻译
随着在线专业网络平台(OPN,例如,LinkedIn,Xing等)在网络上流行,人们现在转向这些平台创建和分享他们的专业档案,与其他具有相似职业抱负的人联系并探索新的职业生涯机会。然而,这些平台并未提供指导职业发展和提高员工就业能力的长期路线图。 OPN用户的职业轨迹可以作为参考,但它们并不总是最优的。职业计划也可以通过与职业教练协商来设计,职业教练的知识可能仅限于少数几个行业。为了解决上述限制,我们提出了一种称为JobComposer的数据驱动方法,以实现职业路径规划和优化的自动化。其关键前提是观察到的职业轨迹中的OPN可能不一定是最优的,并且可以通过学习最大化通过遵循职业道路可获得的收益总和来改进。最重要的是,JobComposer具有基于分解的多标准实用学习程序,以实现职业道路规划中不同支付标准之间的最佳权衡。使用基于城市州的OPN数据集的广泛研究证明,JobComposer比其他基线方法和实际职业道路更好地返回职业道路。
translated by 谷歌翻译
单眼深度估计是广泛研究的计算机视觉问题,具有广泛的应用。基于深度学习的方法已经证明了单眼图像的监督和无监督深度估计的前景。大多数现有方法将深度估计视为具有局部像素损失函数的入侵问题。在这项工作中,我们通过使用对抗性训练来学习acontext感知,非局部损失函数,从而超越现有方法。这种方法惩罚了贴片级而不是像素级的预测深度值的联合配置,这允许网络合并更多的全局信息。在这个框架中,生成器学习RGB图像与其相应深度图之间的映射,而鉴别器学习区分深度图和RGB对与地面实况。使用光谱归一化来稳定该条件GAN深度估计框架,以防止在从不同数据集学习时模式崩溃。我们使用包括U-Net和联合CNN-CRF的各种发电机来测试这种方法。我们在NYUv2,Make3D和KITTI数据集上对此方法进行了基准测试,并观察到对抗性训练将相对误差减少了几倍,从而实现了最先进的性能。
translated by 谷歌翻译