克里斯·兰顿（Chris Langton）所阐明的人工生命研究的目标是“通过将生活与我们的生活定位在更大的生活中，为理论生物学做出贡献.1）。人工进化系统中对开放式进化的研究和追求证明了这一目标。但是，开放式进化研究受到两个基本问题的阻碍。在人工进化系统中复制开放式的斗争，以及我们只有一个系统（遗传进化）来汲取灵感的事实。在这里，我们认为，文化进化不仅应视为开放式进化系统的另一个现实世界的例子，而且文化进化中看到的独特品质为我们提供了一个新的观点，我们可以从中评估，我们可以评估，我们可以评估，这是我们可以评估的基本属性。并询问有关开放式进化系统的新问题，尤其是关于发展的开放性和从边界到无限进化的过渡。在这里，我们提供了文化作为进化系统的概述，强调了人类文化进化为开放式进化系统的有趣案例，并在（进化）开放式进化的框架下将文化进化化。我们继续提供一组新问题，一旦我们考虑了开放式演变框架内的文化演变，并引入了新见解，我们可能会因为询问这些信息而获得有关进化的开放性的新见解。问题。
translated by 谷歌翻译
A new method for solving the wave equation is presented, called the learned Born series (LBS), which is derived from a convergent Born Series but its components are found through training. The LBS is shown to be significantly more accurate than the convergent Born series for the same number of iterations, in the presence of high contrast scatterers, while maintaining a comparable computational complexity. The LBS is able to generate a reasonable prediction of the global pressure field with a small number of iterations, and the errors decrease with the number of learned iterations.
translated by 谷歌翻译
Artificial intelligence methods including deep neural networks (DNN) can provide rapid molecular classification of tumors from routine histology with accuracy that matches or exceeds human pathologists. Discerning how neural networks make their predictions remains a significant challenge, but explainability tools help provide insights into what models have learned when corresponding histologic features are poorly defined. Here, we present a method for improving explainability of DNN models using synthetic histology generated by a conditional generative adversarial network (cGAN). We show that cGANs generate high-quality synthetic histology images that can be leveraged for explaining DNN models trained to classify molecularly-subtyped tumors, exposing histologic features associated with molecular state. Fine-tuning synthetic histology through class and layer blending illustrates nuanced morphologic differences between tumor subtypes. Finally, we demonstrate the use of synthetic histology for augmenting pathologist-in-training education, showing that these intuitive visualizations can reinforce and improve understanding of histologic manifestations of tumor biology.
translated by 谷歌翻译
深层神经网络目前提供了最先进，最精确的机器学习模型，以区分患有阿尔茨海默氏病和健康对照的受试者的结构MRI扫描。不幸的是，由于这些多层和非线性模型的复杂性，这些模型捕获的微妙的大脑改变很难解释。已经提出了几种热图方法来解决此问题并分析从深神经网络中提取的成像模式，但是到目前为止，尚未对这些方法进行定量比较。在这项工作中，我们通过从ADNI数据集的T1 MRI扫描中得出卷积神经网络（CNN）的热图来探讨这些问题，并通过将这些热图与对应于支持向量机（SVM）系数的脑图进行比较。研究了三种突出的热图方法：层次相关性传播（LRP），综合梯度（IG）和引导GRAD-CAM（GGC）。与先前在视觉上或定性评估热图的质量的研究相反，我们通过与大型荟萃分析的地面图相重叠，从而获得了精确的定量措施，该量度合并了77个基于Voxel的形态计量学（VBM）研究，独立于ADNI。我们的结果表明，所有三个热图方法都能够捕获涵盖荟萃分析图的大脑区域，并获得了比SVM系数更好的结果。其中，IG产生了与独立荟萃分析的最佳重叠的热图。
translated by 谷歌翻译
我们提出了一个开源的可区分的声学模拟器J-Wave，可以解决时变和时谐音的声学问题。它支持自动差异化，这是一种具有许多应用程序的程序转换技术，尤其是在机器学习和科学计算中。J-Wave由模块化组件组成，可以轻松定制和重复使用。同时，它与一些最受欢迎的机器学习库（例如JAX和TensorFlow）兼容。对于广泛使用的K-Wave工具箱和一系列声学仿真软件，评估了已知配置的仿真结果的准确性。可从https://github.com/ucl-bug/jwave获得J-Wave。
translated by 谷歌翻译
语言模型既展示了定量的改进，又展示了新的定性功能，随着规模的增加。尽管它们具有潜在的变革性影响，但这些新能力的特征却很差。为了为未来的研究提供信息，为破坏性的新模型能力做准备，并改善社会有害的效果，至关重要的是，我们必须了解目前和近乎未来的能力和语言模型的局限性。为了应对这一挑战，我们介绍了超越模仿游戏基准（Big Bench）。 Big Bench目前由204个任务组成，由132家机构的442位作者贡献。任务主题是多样的，从语言学，儿童发展，数学，常识性推理，生物学，物理学，社会偏见，软件开发等等。 Big-Bench专注于被认为超出当前语言模型的功能的任务。我们评估了OpenAI的GPT型号，Google内部密集变压器体系结构和大型基础上的开关稀疏变压器的行为，跨越了数百万到数十亿个参数。此外，一个人类专家评估者团队执行了所有任务，以提供强大的基准。研究结果包括：模型性能和校准都随规模改善，但绝对的术语（以及与评估者的性能相比）；在模型类中的性能非常相似，尽管带有稀疏性。逐渐和预测的任务通常涉及大量知识或记忆成分，而在临界规模上表现出“突破性”行为的任务通常涉及多个步骤或组成部分或脆性指标；社交偏见通常会随着含糊不清的环境而随着规模而增加，但这可以通过提示来改善。
translated by 谷歌翻译
2021-12-06
数据增强是自然语言处理（NLP）模型的鲁棒性评估的重要组成部分，以及增强他们培训的数据的多样性。在本文中，我们呈现NL-Cogmenter，这是一种新的参与式Python的自然语言增强框架，它支持创建两个转换（对数据的修改）和过滤器（根据特定功能的数据拆分）。我们描述了框架和初始的117个变换和23个过滤器，用于各种自然语言任务。我们通过使用其几个转换来分析流行自然语言模型的鲁棒性来证明NL-Upmenter的功效。基础架构，Datacards和稳健性分析结果在NL-Augmenter存储库上公开可用（\ url {https://github.com/gem-benchmark/nl-augmenter}）。
translated by 谷歌翻译
综合照片 - 现实图像和视频是计算机图形的核心，并且是几十年的研究焦点。传统上，使用渲染算法（如光栅化或射线跟踪）生成场景的合成图像，其将几何形状和材料属性的表示为输入。统称，这些输入定义了实际场景和呈现的内容，并且被称为场景表示（其中场景由一个或多个对象组成）。示例场景表示是具有附带纹理的三角形网格（例如，由艺术家创建），点云（例如，来自深度传感器），体积网格（例如，来自CT扫描）或隐式曲面函数（例如，截短的符号距离）字段）。使用可分辨率渲染损耗的观察结果的这种场景表示的重建被称为逆图形或反向渲染。神经渲染密切相关，并将思想与经典计算机图形和机器学习中的思想相结合，以创建用于合成来自真实观察图像的图像的算法。神经渲染是朝向合成照片现实图像和视频内容的目标的跨越。近年来，我们通过数百个出版物显示了这一领域的巨大进展，这些出版物显示了将被动组件注入渲染管道的不同方式。这种最先进的神经渲染进步的报告侧重于将经典渲染原则与学习的3D场景表示结合的方法，通常现在被称为神经场景表示。这些方法的一个关键优势在于它们是通过设计的3D-一致，使诸如新颖的视点合成捕获场景的应用。除了处理静态场景的方法外，我们还涵盖了用于建模非刚性变形对象的神经场景表示...
translated by 谷歌翻译
可微分的模拟器是一个新兴的概念，其中包括几个领域的应用，从加固学习到最佳控制。它们的显着特征是能够在输入参数上计算分析梯度。与神经网络一样，通过构成称为层的若干构建块而构建，模拟通常需要计算操作员的输出，其本身可以将其自身分解成在一起的基本单元。虽然神经网络的每层代表特定的离散操作，但是相同的操作员可以具有多个表示，这取决于所采用的离散化和需要解决的研究问题。这里，我们提出了一种简单的设计模式来构造可分辨率的运算符和离散化的库，通过代表运算符作为连续功能的家庭之间的映射，由有限载体参数化。我们展示了声学优化问题上的方法，其中使用傅立叶光谱方法离散化的亥姆霍兹方程，并且使用梯度下降来说明可分辨率，以优化声透镜的声音速度。建议的框架是开放的，可用于\ url {https:/github.com/ucl-bug/jaxdf}
translated by 谷歌翻译
我们为函数开发启发式插值方法$ t \ mapsto \ log \ det \ left（\ mathbf {a} + t \ t \ mathbf {b} \ right）$和$ t \ mapsto \ mapsto \ operatatorNAME {trace}Mathbf {a} + t \ mathbf {b}）^{p} \ right）$，其中矩阵$ \ mathbf {a} $ and $ \ mathbf {b} $是Hermitian and Hermitian and阳性（semi）和$ P $$ t $是实际变量。这些功能在统计，机器学习和计算物理学的许多应用中都有特征。提出的插值函数基于对这些函数的尖锐边界的修改。我们通过数值示例证明了所提出的方法的准确性和性能，即高斯过程回归的边际最大似然估计以及用广义交叉验证方法对脊回归的正则参数的估计。
translated by 谷歌翻译