背景:新生血管性年龄相关性黄斑变性(AMD)患者可通过某些疗法避免视力丧失。然而,预测新生血管性年龄相关性黄斑变性(nvAMD)进展的方法正在进行。目的:开发和验证深度学习(DL)算法使用彩色眼底照片(CFP)预测没有早期或中期AMD tonvAMD的1年眼睛进展。设计:DL算法的开发和验证。方法:我们训练DL算法预测1年的nvAMD进展,并使用10倍交叉验证来评估年龄相关眼病研究(AREDS)中两组眼的这种方法:无/早期/中期AMD,和中间AMD(iAMD)。我们将DL算法与AREDSdataset中手动分级的4类和9步比例进行了比较。主要结果测量:使用对于进展至nvAMD的80%特异性的灵敏度来评估DL算法的性能。结果:DL算法预测nvAMD从无/早期/ iAMD(78 +/- 6%)进展的敏感性高于9步量表(67 +/- 8%)或4类量表(48)的手动等级+/- 3%)。为了从iAMD特异性地预测进展,DL算法的灵敏度(57 +/- 6%)与9步等级(36 +/- 8%)和4类等级(20 +/- 0%)相比也更高。结论:我们的DL算法在预测nvAMD的进展方面比手动评分更好。未来的研究需要将这种DL算法应用于现实世界的临床环境中。
translated by 谷歌翻译
素描是人类认知的基础,而不是言语。深度神经网络(DNN)已经在语音相关任务中实现了最先进的技术,但是在以矢量格式生成基于笔画的草图a.k.asketches方面没有取得重大进展。尽管存在用于以矢量格式生成草图的变分自动编码器(VAE),但是没有用于生成相同的生成对抗网络(GAN)架构。在本文中,我们提出了一个独立的GAN架构SkeGAN和一个VAE-GAN架构VASkeGAN,用于矢量格式的草图生成。 SkeGAN是强化学习(RL)中的随机策略,能够生成多维连续和离散输出。 VASkeGAN将VAE和GAN混合,以便通过VAE将数据的有效表示与GAN的强大生成能力相结合,以产生视觉上吸引人的草图。我们还提出了一个称为Ske-score的新度量,它量化了vectorketches的质量。我们已经验证了SkeGAN和VASkeGAN通过使用人体图灵测试和Ske-score生成具有视觉吸引力的草图。
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 $充电电流中性π介数数据样本。
translated by 谷歌翻译
尝试学习数据和标签之间的映射的问题是任何机器学习任务的结果。因此,机器学习社区对实际和理论计数的兴趣是考虑用于确定尝试容忍的可行性的测试或标准的存在。我们在PAC学习的设置中研究了这样一个标准的存在,仅仅基于可行性的映射是否通过给定的一类假设函数来进行近似。我们表明不存在这样的标准,暴露了学习的可判性的基本限制。换句话说,我们证明在图灵意义上,对可学习性的测试是不可判定的。我们还简要讨论了这一结果对当前机器学习实践可能产生的影响。
translated by 谷歌翻译
在本文中,我们提出了TauRieL和目标旅行商问题(TSP),因为它在理论和应用科学中具有广泛的适用性。 TauRieLutilizes一个由演员评论家启发的架构,它采用普通的feedforwardnets来获取策略更新向量$ v $。然后,我们使用$ v $来改进生成策略的状态转换矩阵。此外,状态转换矩阵允许求解器从预先计算的解决方案(例如最近邻居)初始化。在在线学习环境中,TauRieL统一了训练和搜索,它可以在几秒钟内产生近乎最佳的结果。在演员评论体系结构中对神经网络的输入是原始的2-Dinputs,这个决定背后的设计理念是保持神经网络比具有宽嵌入的体系结构小,其中省略了嵌入的任何分布式表示。因此,与最先进的离线技术相比,TauRieL生成的TSP解决方案比TSP实例快两个数量级。 6.1 \%在最坏的情况下。
translated by 谷歌翻译
神经网络很容易受到对抗性攻击 - 视觉上不易察觉的小噪声,当加到输入端时会大大改变输出。防御这些敌对攻击的最有效方法是使用对抗性训练的方法。我们分析了经过对侧训练的强大模型,以研究它们在潜层层面对抗对抗性攻击的脆弱性。我们的分析揭示了与对抗性攻击具有鲁棒性的输入层相反,这些鲁棒模型的特征层非常容易受到小幅度的对抗性扰动。利用这些信息,我们引入了一种新技术潜在对抗训练(LAT),其中包括对经过对侧训练的模型进行微调,以确保在特征层中的稳健性。我们还提出潜在攻击(LA),一种用于构建对抗性示例的新算法。 LAT导致测试精度的微小改进,并导致针对MNIST,CIFAR-10,CIFAR-100数据集显示的通用一阶对抗性PGD攻击的最新对抗精度。
translated by 谷歌翻译
我们考虑使用仅通过去噪函数指定的先前噪声测量来估计矢量的问题。最近关于插头和游戏先验(PnP)和正则化去噪(RED)的研究表明,在一系列成像任务中,这些先验的评估者具有最先进的性能。在这项工作中,我们开发了一种新的块坐标RED算法,它将大规模估计问题分解为一系列未知变量的一小部分更新。我们从理论上分析了算法的收敛性,并讨论了它与传统近似优化的关系。我们的分析补充并扩展了基于RED的估算方法的最新理论结果。我们使用几个基于卷积神经网络(CNN)降噪器的降噪器先验来数值验证我们的方法。
translated by 谷歌翻译
差异隐私关注预测质量,同时测量对信息包含在数据中的个人的隐私影响。我们考虑与引起结构化稀疏性的规则制定者的差异私人风险最小化问题。已知这些正则化器是凸的,但它们通常是不可微分的。我们分析了标准的不同私有算法,例如输出扰动,Frank-Wolfe和目标扰动。输出扰动是一种差异私有算法,众所周知,它可以很好地降低强凸的风险。以前的工作已经导出了与维度无关的超额风险界限。在本文中,我们假设一类特定的凸但非光滑正则化器,它们导致广义线性模型的结构化稀疏性和损失函数。我们还考虑差异私有Frank-Wolfeal算法来优化风险最小化问题的双重性。我们得出这两种算法的过度风险界限。两个边界都取决于双范数的单位球的高斯宽度。我们还表明,风险最小化问题的客观扰动等同于双优化问题的输出扰动。这是在差异隐私的背景下分析风险最小化问题的双重优化问题的第一部作品。
translated by 谷歌翻译
今天的高风险对抗性互动让攻击者不断突破不断改进的安全措施。欺骗通过误导攻击者做出次优决策来减轻防御者的损失。为了正当理由欺骗,我们引入了特征欺骗游戏(FDG),这是一个独立于领域的游戏理论模型,并提出了学习和规划框架。我们做出以下贡献。 (1)我们表明,我们可以使用来自适度数量的欺骗策略的数据统一学习对手的偏好。 (2)我们提出了一种近似算法,用于找出最优欺骗策略,并证明该问题是NP难的。 (3)我们进行了全面的实验,以实证验证我们的方法和结果。
translated by 谷歌翻译
我们从贝叶斯视角考虑概率PCA和相关因子模型。这些模型通常不可识别,因为可能性具有旋转对称性。这导致具有相同密度的连续子空间的复杂的后验分布,因此妨碍了参考的效率以及对所获得的参数的解释。特别是,因子载荷的后验平均值变得毫无意义,只有模型预测才是明确的。在这里,我们提出了一个基于Householder转换的参数化,它消除了后者的旋转对称性。此外,通过依赖随机矩阵理论的结果,我们建立了与原始旋转对称公式相比保持模型不变的参数分布。特别是,我们避免了计算参数变换的雅可比行列式的需要。这使我们能够在任何最先进的工具箱中以旋转不变的方式有效地实现概率PCA。在这里,我们在概率编程语言Stan中实现了我们的模型,并在几个例子中进行了说明。
translated by 谷歌翻译