校准仍然是脑电脑接口(BCI)中用户体验的重要问题。甚至在开始使用BCI之前,常见的实验设计往往涉及提高认知疲劳的冗长的训练期。通过依赖于先进的机器学习技术,例如转移学习,可以减少或抑制这种依赖的校准。在Riemannian BCI上建立,我们提出了一种简单有效的方案,可以在不同主题记录的数据上培训分类器,以减少校准,同时保持良好的性能。本文的主要新颖性是提出一种独特的方法,可以应用于非常不同的范式。为了展示这种方法的稳健性,我们对三个BCI范例的多个数据集进行了元分析:事件相关的电位(P300),电机图像和SSVEP。依靠MoABB开源框架来确保实验的再现性和统计分析,结果清楚地表明,该方法可以应用于任何类型的BCI范例,并且在大多数情况下都可以显着提高分级性可靠性。我们指出了一些关键特征,以进一步提高转移学习方法。
translated by 谷歌翻译
为了解释任何模型的决定,我们延长了概率充分解释(P-SE)的概念。对于每个实例,该方法选择足以产生具有高概率的相同预测的最小特征子集,同时删除其他特征。 P-SE的关键是计算保持相同预测的条件概率。因此,我们通过随机林为任何数据$(\ boldsymbol {x},y)$,并通过理论分析来介绍这种概率的准确和快速估计器,并通过理论分析来展示其一致性的理论分析。结果,我们将P-SE扩展到回归问题。此外,我们处理非二进制特征,而无需学习$ x $的分发,也不会使模型进行预测。最后,我们基于P-SE介绍基于数分的回归/分类的解释,并比较我们的方法W.R.T其他可解释的AI方法。这些方法是公开可用作\ url {www.github.com/salimamoukou/acv00}的python包。
translated by 谷歌翻译
一个精心设计的警察巡逻路线设计对于在社会中提供社区安全和安全性至关重要。以前的作品主要专注于预测犯罪事件与历史犯罪数据。从基于位置的社交网络或签到和兴趣点(POI)数据的使用基本上地利用了用于设计有效警察巡逻的景点和景点的大规模移动数据。鉴于在现实情况下有多个警察在职,这使得解决问题更加复杂。在本文中,我们使用核对,犯罪,事件响应数据和POI信息制定多个警察的动态犯罪巡逻计划。我们提出了一个联合学习和非随机优化方法,了解可能的解决方案,其中多个警察同时巡逻高犯罪风险地区,而不是低犯罪风险领域。后来,实现了元启发式遗传算法(GA)和Cuckoo搜索(CS)以查找最佳路由。验证了所提出的解决方案的性能,并将使用现实世界数据集与几种最先进的方法进行了验证。
translated by 谷歌翻译