由于数据保护法和机构内的官方程序，在实践中很难在机构之间共享医疗数据。因此，大多数现有的算法经过相对较小的脑电图（EEG）数据集的培训，这可能会损害预测准确性。在这项工作中，我们通过将公开可用的数据集分配到代表各个机构中数据的不相交集中来共享数据时模拟了一个情况。我们建议在每个机构中培训一个（本地）检测器，并将其个人预测汇总为最终预测。比较了四个集合计划，即多数投票，平均值，加权平均值和Dawid-Skene方法。该方法仅使用EEG通道的一个子集在独立的数据集上进行了验证。当每个机构提供足够数量的数据时，合奏的精度与对所有数据进行训练的单个检测器相当。加权平均聚合方案表现出最佳性能，当局部检测器接近对所有可用数据训练的单个检测器的性能时，它只能用DAWID-SKENE方法略有优于。
translated by 谷歌翻译
自从首次引入多层感知器以来，连接主义者社区一直在不确定性的概念以及如何在这些类型的模型中代表这一概念。在过去的十年中，试图将概率建模的原则性方法与深度神经网络的可扩展性相结合在一起。尽管这种合并的理论利益很明显，但这些努力也有一些重要的实际方面。即强迫我们创建的模型来代表，学习和报告所做的每个预测中的不确定性。这些努力中有许多是基于扩展现有框架的其他结构。我们提出了Borch，这是一种可扩展的通用概率编程语言，它建在Pytorch之上。该代码可在我们的存储库中下载和使用https://gitlab.com/desupervise/borch。
translated by 谷歌翻译