生成的对抗网络（GANS）正在增加对综合数据的手段的关注。到目前为止，这项工作已被应用于在数据机密域之外的用例，具有共同的应用程序作为人工图像的生产。在这里，我们考虑了GAN的潜在应用，以产生合成人口普查Microdata。我们使用电池电量和披露风险指标（目标正确的归因概率），以比较用使用正统数据合成方法生产的表格GAN产生的数据。
translated by 谷歌翻译
在恶性原发性脑肿瘤中，癌细胞浸润到周围的脑结构中，导致不可避免的复发。对周围区域的浸润性异质性（活检或切除可能是危险的区域）的定量评估对于临床决策很重要。以前关于表征周围区域浸润性异质性的工作使用了各种成像方式，但是已经探索了细胞外无水运动限制的信息。在这里，我们通过使用基于扩散的张量成像（DTI）的自由水量分数图来表征一组独特的人工智能（AI）标记，从而捕获肿瘤浸润的异质性，从而捕获肿瘤的异质性。首先通过利用胶质母细胞瘤和脑转移的广泛不同的水扩散性能作为在周围肿瘤组织中有和没有浸润的区域的区域，首先提取了一种新型的基于体素的深度学习周围微环境指数（PMI）。均匀高PMI值的局部枢纽的描述性特征被提取为基于AI的标记，以捕获渗透性异质性的不同方面。提出的标记物应用于两个临床用例，对275个成人型弥漫性神经胶质瘤的独立人群（4级）分析，分析异氯酸盐 - 脱水酶1（IDH1） - wildtypes之间的生存持续时间以及带有IDH1-杀剂的差异。我们的发现提供了一系列标记物作为浸润的替代物，可捕获有关周围微观结构异质性生物学潜在生物学的独特见解，使其成为与生存和分子分层有关的预后生物标志物，并具有潜在的适用性在临床决策中。
translated by 谷歌翻译
从连续的数据流不断地学习是具有挑战性的，特别是对于具有顺序数据的强化学习代理。当环境仅提供有关环境状态的部分信息的观察时，代理必须根据数据流基于经验流学习代理状态。我们指的是直接从经验数据流中学到的代理状态。经常性的神经网络可以学习代理状态，但训练方法是计算昂贵且对超参数敏感的，使它们无法实现在线学习。这项工作介绍了基于生成和测试方法来学习代理状态的方法。通过生成功能并测试其有用性来搜索生成和测试算法。在此过程中，保留了对代理对任务的性能有用的功能，并且最少的有用功能将替换为新生成的功能。我们研究了我们对两个在线多步预测问题的方法的有效性。第一个问题，追踪条件，侧重于代理商能够记住预测到未来的多个步骤的提示。在第二个问题中，跟踪图案化，代理需要学习观察信号中的模式，并记住它们以供将来的预测。我们表明我们所提出的方法可以在线有效地学习代理状态并产生准确的预测。
translated by 谷歌翻译
基于深度学习的（DL）申请越来越受欢迎，并以前所未有的步伐推动。虽然正在进行许多研究工作以增强深度神经网络（DNN） - DL应用的核心 - 云和边缘系统中这些应用的实际部署挑战，它们对应用程序的可用性的影响并未充分调查。特别是，部署不同虚拟化平台的影响由云和边缘提供的DL应用程序的可用性（在端到端（E2E）推理时间）仍然是一个打开的问题。重要的是，资源弹性（通过放大），CPU固定和处理器类型（CPU VS GPU）配置已经显示在虚拟化开销上有影响力。因此，本研究的目标是研究这些潜在决定的部署选项对E2E性能的影响，从而实现了DL应用程序的可用性。为此，我们在改变处理器配置时，我们测量四种流行的执行平台（即，裸机，虚拟机（VM），容器和容器中的裸机，虚拟机（VM），容器和容器）的影响（扩展，CPU固定）和处理器类型。本研究揭示了一系列有趣的，有时是反向直观的发现，可以用作云解决方案架构师的最佳实践，以便在各种系统中有效地部署DL应用程序。值得注意的发现是，解决方案架构师必须了解DL应用特征，特别是它们的预处理和后处理要求，能够最佳选择和配置执行平台，确定使用GPU，并决定有效扩展范围。
translated by 谷歌翻译