我们调查了半个空间自训算法的泛化特性。该方法从标记和未标记的培训数据中迭代地了解半个空间列表，其中每个迭代包括两个步骤：探索和修剪。在探索阶段中，通过在未标记的示例中最大化未符号余量，然后将伪标签分配给具有高于当前阈值的距离的距离来顺序地找到半空间。然后将伪标记的示例添加到训练集中，并且学习了一个新的分类器。重复该过程，直到不再是未标记的示例仍然用于伪标记。在修剪阶段，然后丢弃与距离相关的未签名边缘大于相关的余量的距离的伪标记的样本。我们证明了由此产生的分类序列的错误分类误差被界定，并表明由此产生的半导体方法与仅使用初始标记的训练集学习的分类器相比，从未降低性能。与最先进的方法相比，在各种基准上进行的实验证明了所提出的方法的效率。
translated by 谷歌翻译
Change point detection (CPD) methods aim to detect abrupt changes in time-series data. Recent CPD methods have demonstrated their potential in identifying changes in underlying statistical distributions but often fail to capture complex changes in the correlation structure in time-series data. These methods also fail to generalize effectively, as even within the same time-series, different kinds of change points (CPs) may arise that are best characterized by different types of time-series perturbations. To address this issue, we propose TiVaCPD, a CPD methodology that uses a time-varying graphical lasso based method to identify changes in correlation patterns between features over time, and combines that with an aggregate Kernel Maximum Mean Discrepancy (MMD) test to identify subtle changes in the underlying statistical distributions of dynamically established time windows. We evaluate the performance of TiVaCPD in identifying and characterizing various types of CPs in time-series and show that our method outperforms current state-of-the-art CPD methods for all categories of CPs.
translated by 谷歌翻译
在整个大学附近，教师必须在每个学期中选择一些合格的教授参加尊敬的课程。从这个意义上讲，考虑了教学经验，学术培训，竞争等的因素。这项工作通常是由专家（例如教师董事）完成的。到目前为止，已经提出了几个半自动系统来协助头部。在本文中，开发了一个全自动规则的专家系统。拟议的专家系统包括三个主要阶段。首先，将人类专家的知识输入并设计为决策树。在第二步中，根据生成的决策树的提供规则设计了专家系统。在第三步中，提出了一种算法，以根据专家的质量来加重树的结果。为了提高专家系统的性能，开发了大多数投票算法作为后期制作的步骤，以选择满足每门课程最专业决策树的合格培训师。使用伊朗大学的真实数据评估拟议的专家系统的质量。计算出的准确率为85.55，证明了所提出的系统的鲁棒性和准确性。与相关的有效工作相比，所提出的系统几乎没有计算复杂性。此外，简单的实现和透明框是提出系统的其他功能。
translated by 谷歌翻译
这项工作总结了2022年2022年国际生物识别联合会议（IJCB 2022）的IJCB被遮挡的面部识别竞赛（IJCB-OCFR-2022）。OCFR-2022从学术界吸引了总共3支参与的团队。最终，提交了六个有效的意见书，然后由组织者评估。在严重的面部阻塞面前，举行了竞争是为了应对面部识别的挑战。参与者可以自由使用任何培训数据，并且通过使用众所周知的数据集构成面部图像的部分来构建测试数据。提交的解决方案提出了创新，并以所考虑的基线表现出色。这项竞争的主要输出是具有挑战性，现实，多样化且公开可用的遮挡面部识别基准，并具有明确的评估协议。
translated by 谷歌翻译
在这项工作中，我们提出了基于跨域核分割的基于无监督的域适应性（UDA）方法。核在不同癌症类型的结构和外观上有很大差异，在接受一种癌症类型训练并在另一种癌症上进行测试时，深度学习模型的性能下降。这种结构域的转移变得更加关键，因为准确的分割和核的定量是对患者诊断/预后的重要组织病理学任务，并且在像素水平上对新癌症类型的核注释核需要医疗专家的广泛努力。为了解决这个问题，我们最大程度地提高了标记的源癌类型数据和未标记的目标癌类型数据之间的MI，以转移跨域的核分割知识。我们使用Jensen-Shanon Divergence结合，每对只需要一个负对以进行MI最大化。我们评估了多个建模框架和不同数据集的设置，其中包括20多个癌症型领域的变化并展示了竞争性能。所有最近提出的方法包括用于改善域适应性的多个组件，而我们提出的模块很轻，可以轻松地将其纳入其他方法（实施：https：//github.com/yashsharma/mani）。
translated by 谷歌翻译
基于标准的深度学习分类方法需要提前从所有课程中收集所有样本，并受到离线培训。在现实世界的临床应用中，这种范式可能不实用，在现实世界中，通过添加新数据来逐步引入新类。班级学习是一种允许从此类数据学习的策略。但是，一个主要的挑战是灾难性遗忘，即，在适应训练有素的模型中，在以前的课程中的性能退化。减轻此挑战的先前方法可以节省一部分培训数据，需要永久存储此类数据，这些数据可能引入隐私问题。在这里，我们提出了一个新颖的无数据类增量学习框架，该框架首先综合了从以前类中训练的模型中生成\我们的数据。随后，它通过将综合数据与新类数据相结合来更新模型。此外，我们结合了余弦归一化的横向渗透损失，以减轻不平衡的不利影响，增加以前类别和新类别的分离的边缘损失以及域内的对比损失，以概括对合成数据训练的模型真实数据。我们将我们提出的框架与类增量学习中的最先进方法进行了比较，在该方法中，我们证明了11,062个超声心动图Cine Cine系列患者的精度提高。
translated by 谷歌翻译
数据转换（DT）是将原始数据转换为支持特定分类算法的形式的过程，并有助于分析特殊目的的数据。为了提高预测性能，我们调查了各种数据变换方法。本研究在电信行业（TCI）中的客户流失预测（CCP）背景下进行，客户疲劳是一种常见的现象。我们提出了一种与CCP问题的机器学习模型相结合的数据转换方法的新方法。我们在公开的TCI数据集中进行了实验，并在广泛使用的评估措施方面评估了性能（例如，AUC，精确，召回和F测量）。在这项研究中，我们提出了全面的比较来肯定转化方法的影响。比较结果和统计检验证明，大多数所提出的基于数据转换的优化模型显着提高了CCP的性能。总的来说，通过这份手稿介绍了电信行业的有效和优化的CCP模型。
translated by 谷歌翻译
在这项工作中，我们提出胶水（图偏离网络与局部不确定性估计），在最近提出的图偏差网络（GDN）上建立。胶水不仅自动学习变量之间的复杂依赖性，并使用它们来更好地识别异常行为，而且还量化了其预测性的不确定性，允许我们考虑数据的变化以及具有更高的可解释的异常检测阈值。结果两个真实世界数据集告诉我们，优化负值高斯日志可能性是合理的，因为胶水的预测结果与GDN相提并论而言，实际上比矢量自动投播者基线更好，这对GDN直接优化了MSE损失很重要。总之，我们的实验表明，胶水在异常检测中具有GDN竞争力，具有不确定性估算的额外收益。我们还显示胶水学习有意义的传感器嵌入，将相似的传感器集成在一起。
translated by 谷歌翻译
荧光吞咽研究（VFSS）是一种用于评估吞咽的金标成像技术，但VFSS录音的分析和评级是耗时，需要专门的培训和专业知识。研究人员已经证明，可以通过计算机视觉方法自动检测吞咽的咽部阶段，并通过计算机视觉方法本地化推注中的推注，促进新颖的自动VFSS分析技术的开发。但是，培训算法以执行这些任务需要很少可用的大量注释数据。我们证明，可以使用单一方法在一起解决咽期检测和推注定位的挑战。我们提出了一个深入学习的框架，以弱监督的方式共同解决咽期检测和推注定位，只需要临时阶段的初始和最终框架作为培训的地面真理注释。我们的方法源于观察结果，即咽部中的推注存在是最突出的视觉特征，在其上推断单个VFSS帧是否属于咽部阶段。我们在来自59个健康受试者的1245 VFS剪辑的数据集中进行了大量卷积神经网络（CNNS）进行了广泛的实验。我们证明，可以检测咽部阶段，其F1分数高于0.9。此外，通过处理CNN的类激活图，我们能够通过有前途的结果本地化推注，从未获得高于0.9的地面真理轨迹的相关性，而无需用于训练目的的推注定位的任何手动注释。一旦验证了吞咽障碍的更大的参与者样本，我们的框架将为VFSS分析开发智能工具的开发，以支持临床医生吞咽评估。
translated by 谷歌翻译