在线检测数据序列的生成过程中的瞬时变化通常集中在这些变化点的回顾性推断上,而不考虑它们将来的发生。我们扩展贝叶斯在线变换点检测算法以推断直到下一个变化点(即剩余时间)的时间步数。这使我们能够处理依赖于总段持续时间的观察模型,这是使用具有时间缩放的模型数据序列。另外,我们通过删除i.i.d来扩展模型。对观测模型参数的假设。用于分段检测的结果推理算法可以以在线方式部署,并且我们将合成和两个医学真实世界数据集的应用说明。
translated by 谷歌翻译
胶质瘤是最常见的原发性脑恶性肿瘤,具有不同程度的侵袭性,可变预后和各种异质性组织亚区域,即肿瘤周围水肿/侵入组织,坏死核心,活性和非增强核心。这种内在的异质性也被用于它们的放射性表型,因为它们的子区域通过在多参数磁共振成像(mpMRI)扫描中传播的不同强度分布来描绘,反映了不同的生物学特性。它们的异质形状,范围和位置是其中的一部分。使这些肿瘤难以切除的因素,在某些情况下无法手术。切除肿瘤的数量也是纵向扫描中考虑的一个因素,用于评估表观肿瘤以进行潜在的进展诊断。此外,有越来越多的证据表明,各种肿瘤亚区域的准确分割可以为定量图像分析提供预测患者整体的基础。生存。该研究评估了在国际脑肿瘤分割(BraTS)挑战的最后七个实例(即2012-2018)期间用于mpMRI扫描中的脑肿瘤图像分析的最先进的机器学习(ML)方法。具体而言,我们专注于i)评估术前mpMRI扫描中各种神经胶质瘤亚区的分割,ii)通过肿瘤亚区的纵向生长评估潜在的肿瘤进展,超出RECIST标准的使用,以及iii)预测整体术前mpMRI扫描对经历完全切除的患者的生存率。最后,我们研究了为每个任务确定最佳ML算法的挑战,考虑到除了在每个挑战实例上多样化之外,多机构mpMRI BraTS数据集也是一个不断发展/不断发展的数据集。
translated by 谷歌翻译
学习解开高维,非结构化数据变异的基础知识的解缠结表示的能力对于数据有效和强大地使用神经网络具有重要意义。最近提出了针对这一目标的各种方法 - 验证现有工作是指导进一步发展的关键任务。先前的验证方法侧重于生成因素和学习特征之间的共享信息。然而,罕见事件或来自多种因素的累积影响对编码的影响仍未被捕获。 Ourexperiments表明,这已经在一个简单的噪声自由基因中变得明显。这就是我们引入介入稳健性评分的原因,该评分提供了对生成因子的干预性和改变滋扰因素的学习表征的稳健性的定量评估。我们展示了如何从标记的观察数据中估计这个分数,这可能是混淆的,并且进一步提供了一种在数据集大小中线性缩放的有效算法。我们的因果激励框架的好处在广泛的实验中得到了说明。
translated by 谷歌翻译
在自然科学中,微分方程被广泛用于描述动力系统。从数据中发现和验证此类模型已成为当今科学的基本挑战。从统计的角度来看,我们区分了两个问题:参数估计和结构搜索。在参数估计中,我们从给定的微分方程开始,估计在离散时间点观察到的噪声数据中的参数。估计非线性地取决于参数。这带来了统计和计算方面的挑战,使得结构搜索的任务变得更加雄心勃勃。现有方法使用标准模型选择技术或各种类型的稀疏强制正则化,因此专注于预测性能。在这项工作中,我们开发了用于常微分方程模型中的结构搜索的新方法。利用因果推理开发思想,我们建议不仅通过预测性能对模型进行排名,还考虑稳定性,即在不同的实验环境中对其能力进行良好预测。基于该模型排序,我们还构建了反映因果重要性的个体变量排名。它为研究人员提供了一系列有希望的候选变量,可以在介入实验中进一步研究。我们的排名方法(模型和变量)都带有理论渐近保证,并且基于对模拟数据的广泛实验评估,其表现优于当前最先进的方法。在尚未公布的生物数据集上说明了程序的实际适用性。我们的方法学已全面实施。代码将在线提供,也可作为R包提供。
translated by 谷歌翻译
我们介绍一种方法,使复现动力学模型能够在时间上抽象。我们称之为自适应跳过间隔(ASI)的方法基于以下观察:在许多顺序预测任务中,事件发生的确切时间与基本目标无关。此外,在许多情况下,存在预测间隔,其导致特别容易预测的转变。我们表明,通过允许模型以可选择的采样率进行预测,我们可以获得预测任务,从而获得计算效率和预测精度。
translated by 谷歌翻译
膝关节骨性关节炎(OA)是最常见的无骨折的肌肉骨骼疾病,目前的治疗方案仅限于症状缓解。对OA进展的预测是一个非常具有挑战性和及时性的问题,如果得到解决,它可以加速疾病调节药物的开发并最终帮助防止每年进行数百万次关节置换手术。在这里,我们提出了一种基于多模态机器学习的OAprogression预测模型,该模型利用原始射线照相数据,临床检查结果和患者的既往病史。我们在2,129个主题的3,918个膝关节图像的独立测试集上验证了这种方法。我们的方法在ROC曲线(AUC)下产生的面积为0.79(0.78-0.81),平均精度(AP)为0.68(0.66-0.70)。相比之下,基于逻辑回归的参考方法得出的AUC为0.75(0.74-0.77),AP为0.62(0.60-0.64)。该方法可以显着改善OA药物开发试验的主题选择过程,有助于个性化治疗方案的开发。
translated by 谷歌翻译
实现现代驾驶员辅助技术的一个重要步骤是准确了解静态物体在环境中的位置。在这项工作中,我们使用人工神经网络以端到端的方式预测整个场景的占用状态。这与传统方法相反,即累积每个检测对占位状态的影响,并允许学习可用于插入环境占用状态的空间先验。我们表明,这些先验的方法适用于预测稀疏,高度不确定输入的密集占用估计,如汽车雷达所给出的,即使对于复杂的城市场景也是如此。此外,我们证明这些估计可用于大规模地图绘制应用。
translated by 谷歌翻译
手动注释对象分割掩码非常耗时。交互式对象分割方法提供了一种更有效的替代方法,即人类注释器和机器分割模型协作。在本文中,我们为交互式分割做出了一些贡献:(1)系统地探索了深度交互式分割模型的设计空间,并报告了新的见解和注意事项; (2)我们使用真实的人类注释器执行大规模注释活动,为OpenImages数据集上的2.5M新实例生成掩码。我们计划发布此数据,这些数据构成了用于实例分段的最大现有数据集。此外,通过重新注释部分COCO数据集,我们证明我们可以比传统的多边形绘制工具生成实例掩模的速度快3倍。 (3)我们提出了一种自动估计生成的掩模质量的技术,该技术利用来自注释过程的间接信号。
translated by 谷歌翻译
已经为云检测开发了不同的经验模型。为此目的使用基于地面的天空/云图像的兴趣越来越大。存在执行云的二进制分割的几种方法。在本文中,我们建议使用深度学习架构(U-Net)来执行多标签天空/云图像分割。提出的方法大大超过了新的文献。
translated by 谷歌翻译
以前关于情绪识别的研究表明,结合听觉,视觉和转录文本等几种形式的共同效应可以评估说话者的情感状态。其中,语言形态对评估表达的情绪至关重要。然而,手动转换的口头文本实际上不能作为系统的输入给出。 Weargue认为,在训练和评估阶段使用地面实况转录会导致与真实世界条件相比在性能上存在显着差异,因为语音文本必须在运行中被识别并且可能包含语句识别错误。在本文中,我们提出了一种将自动语音识别(ASR)输出与用于情感识别的字符级重复神经网络相结合的方法。此外,我们进行了多个实验,研究人体机器人相互作用的情绪识别,这是对ASR系统具有挑战性的噪声现实场景。与仅使用声学模态感知识别相比,Wequantify改进。我们通过在二元情绪分类任务中实现73.6%的准确度来证明这种方法在多模态情感语料库(MOSI)中的有效性,超过先前报告的仅使用声学输入的结果。此外,我们在MOSI数据集上设置了一个新的最佳性能(80.4%的准确率,2%的绝对改进)。
translated by 谷歌翻译