机器学习正在从艺术和科学转变为可供每个开发人员使用的技术。在不久的将来,每个平台上的每个应用程序都将包含训练有素的模型,以编码开发人员无法创作的基于数据的决策。这提出了一个重要的工程挑战,因为目前数据科学和建模在很大程度上与标准软件开发过程脱钩。这种分离使得在应用程序内部的机器学习能力不必要地变得困难,并且进一步阻碍了开发人员将MLin置于首位。在本文中,我们介绍了ML .NET,这是一个在过去十年中在Microsoft开发的框架,用于应对在大型软件应用程序中轻松发布机器学习模型的挑战。我们提出了它的架构,并阐明了形成它的应用程序需求。具体而言,我们引入了DataView,它是ML .NET的核心数据抽象,它可以有效地,一致地捕获完整的预测管道,并在训练和推理生命周期中进行。我们结束了论文,对ML .NET进行了令人惊讶的有利的性能研究,与更多的接受者相比,并讨论了一些经验教训。
translated by 谷歌翻译
深层强化学习代理最近在各种离散和连续控制任务中取得了成功;然而,它们可能是缓慢的,并且需要与环境的大量交互来学习合适的策略。这一事实证明,强化学习者对世界没有先验知识,没有先前存在的数据依赖,因此必须花费大量时间进行探索。转移学习可以通过利用某些源任务上的学习来帮助学习某些目标任务来解决一些问题。我们的工作提出了一种算法,用于初始化目标任务的隐藏特征表示。我们提出了adomain自适应方法来传递状态表示并演示跨域,任务和动作空间的传递。我们利用对抗域适应性思想与对抗性自动编码器架构相结合。使用预先训练的源策略来维护我们的新策略的表示空间,从随机策略生成目标任务数据。我们证明了这一初始化步骤在学习新的强化学习任务时提供了显着的改进,这突出了对抗性适应方法的广泛适用性;即使任务和标签/行动空间也随之改变。
translated by 谷歌翻译
冠状动脉钙(CAC)是晚期亚临床冠状动脉疾病的生物标志物,可预测60岁前的心肌梗死和死亡。切片方式手动描绘被认为是冠状动脉钙检测的金标准。然而,手动努力是时间和资源消耗,甚至不适用于大规模群组。在本文中,我们建议注意相同的双网络(AID-Net)使用扫描重新扫描纵向非对比度CT扫描执行CAC检测,仅使用每个扫描级别标签进行弱监督。为了利用这一性能,3D注意机制被集成到AID-Net中,为分类任务提供了补充信息。此外,还在测试阶段提出了3DGradient加权类激活映射(Grad-CAM)来解释深度神经网络的行为。 5075非对比胸部CT扫描用作训练,验证和测试数据集。在同一队列中评估基线表现。从结果来看,所提出的AID-Net在分类精度(0.9272)和AUC(0.9627)方面取得了优异的性能。
translated by 谷歌翻译
我们开发了一种卷积神经网络(CNN),它可以首次对液氩时间投影室(LArTPC)记录的图像数据中的物体进行像素级预测。我们描述了为培训该网络而开发的网络设计,培训技术和软件工具。这项工作的目的是为MicroBooNE探测器开发一个完整的基于深度神经网络的数据构建链。我们使用MicroBooNEcollection平面图像显示网络在实际LArTPC数据上的有效性的第一次演示。演示用于停止μ子和$ \ nu_ \ mu $充电电流中性π介数数据样本。
translated by 谷歌翻译