本文介绍了一种基于在线学习范式的登革热分类新方法。所提出的方法适用于实际实施,因为它使得仅使用少量训练样本进行学习。随着时间的推移,所提出的方法能够从数据收集中逐步学习,而无需重新训练模型或重新部署预测引擎。此外,我们还提供了用于预测登革热的机器学习方法的综合评估。建议的管道的输入包括记录的患者症状和诊断调查。已经采用离线分类器模型来获得基线核心以确定特征集对于登革热的分类是最佳的。本文提出的在线检测模型的主要优点是已经建立了有效识别登革病发病率高的患者,并且在训练和测试样本数量方面的可扩展性实验验证了所提出模型的使用。
translated by 谷歌翻译
深度神经网络过度参数化,这意味着参数的数量远远大于用于训练网络的样本数量。即使在这样的制度下,深层架构也不会过度配合。这种现象是一个活跃的研究领域,并且已经提出了许多理论来理解这种特殊的观察。这些包括VapnikChervonenkis(VC)维边界和Rademacher复杂边界,其表明网络的容量由权重的范数表征,而不是参数的数量。然而,尚未研究输入噪声对浅层和深层架构的这些措施的影响。在本文中,我们分析了各种正则化方案对神经网络复杂性的影响,我们用损失,权重的$ L_2 $范数,Rademacher复杂性(直接近似正则化复杂度-DARC1),基于VC维度的低复杂度神经网络(LCNN)来表征。 )不同程度的高斯输入噪声。我们证明了$ L_2 $正则化导致了一个更简单的假设类,并且DARC1正则化器随后对于浅层和深层架构都进行了更好的泛化。雅可比正则化器适用于具有高水平输入噪声的浅层架构。对于浅层和深层架构,光谱归一化获得最高的测试设备准确度。我们还表明,Dropoutalone在输入噪声存在的情况下表现不佳。最后,我们展示了较深的体系结构对输入噪声的鲁棒性,而不是它们的浅部分。
translated by 谷歌翻译
解释深度学习的不合理有效性已经让全球各地的研究人员望而却步。各种作者都描述了多个度量标准来评估深层体系结构的容量。在本文中,我们提到了对具有铰链损耗的支持向量机(SVM)所描述的半边界限,将其应用于深度前馈体系结构并导出与先前限制的术语不同的Vapnik-Chervonenkis(VC)边界。网络的权重数量。在这样做的过程中,我们还提出了Dropout和Dropconnect等技术在降低网络容量方面的有效性。最后,我们描述了最大化输入和输出裕度的效果,以实现输入噪声稳健的深层体系结构。
translated by 谷歌翻译
深度学习技术已经成为从计算机视觉,自然语言处理和其他几个领域执行复杂任务的最先进的方法。由于其在这些领域的快速发展和有前途的基准,研究人员开始使用这种技术进行实验,以在特别是入侵检测相关任务领域中执行。深度学习是经典机器学习的一个子集和自然概念,是神经网络的进化模型。本文考虑并讨论了与入侵检测系统领域相关的前沿深度学习和神经网络模型的所有方法。
translated by 谷歌翻译
对于高维配置空间中的运动规划,重要的计算瓶颈是碰撞检测。我们的目标是通过使用碰撞测试的结果创建配置空间的置信模型来减少预期的碰撞检查次数。我们假设机器人的配置空间是连续的环境空间,因此邻居点倾向于共享相同的碰撞状态。这使我们能够制定出一种概率模型,该模型为未评估的配置赋予了无碰撞的信念。我们已经提出了用于评估C空间信念的各种kNN方法和距离度量的详细比较分析。我们还在C空间中提出了一个加权矩阵来改善kNN方法的性能。此外,我们提出了一种拓扑方法,它利用C空间的高阶结构来生成信念模型。我们的结果表明,我们提出的拓扑方法在计算效率的同时,通过实现更高的模型精度来优于kNN方法。
translated by 谷歌翻译
在机器人植物表型分析能力之前必须解决的一个迫在眉睫的问题可能对作物改良计划的可再生性产生重大影响。高通量表型分析(HTP)使用机器人技术分析作物以确定具有有利性状的物种,然而,目前的做法依赖于在育种实验中监测的整个作物田的详尽覆盖和数据收集。这在较小的农业领域中工作,但不能扩大到较大的农业领域,从而限制了遗传学研究的进展。在这项工作中,我们提出了一种主动学习算法,使自治系统能够收集信息量最大的样本,以便借助高斯过程模型准确地了解该领域中的表型分布。与高粱表型数据收集的当前实践相比,我们证明了我们提出的算法的优越性能。
translated by 谷歌翻译
我们考虑一个ad hoc网络,其中多个用户访问同一组信道。信道特征是未知的,可能是不同的foreach用户(异构)。没有控制器可用于协调用户的频道选择,并且如果多个用户选择相同的频道,则他们可以并且没有一个接收任何费率(或奖励)。对于这样一个完全分散的网络,我们开发了旨在实现最佳网络吞吐量的算法。由于用户之间缺乏任何直接通信,我们允许用户通过以特定模式进行传输来交换信息并从其他人那里传播这种传输。然而,这种用于信息交换的传输和感测不会增加网络吞吐量。对于宽带感知和窄带感知场景,我们首先开发探索和通用算法,这些算法在最小数量的轮次中以高概率收敛到接近最优的分配。在此基础上,我们开发了一种算法,即使用户数随时间变化,也会产生对数遗憾。我们通过大量实验验证了我们的声明,并表明我们的算法比最先进的CSM-MAB,dE3和dE3-TS算法具有更好的性能。
translated by 谷歌翻译
文本是现在用于通信的主要方法,每天都会创建大量文本。在本文中,文本数据用于情绪的分类。情绪是表达人们感情的方式,对决策任务有很大的影响。收集的数据集可以公开获得,并根据这里被认为是正面,负面和中立的三种情绪组合在一起。在本文中,我们提出了文本表示方法TFIDF和keras嵌入,然后给予经典的机器学习算法,其中物流回归给出了约75.6%的最高准确度,之后它被传递给深度学习算法,即给出状态的CNN。艺术精度约为45.25%。出于研究目的,已经收集了已收集的数据集。
translated by 谷歌翻译
递归神经网络(RNN)是解决非常复杂的监督和无监督任务的有效神经网络。 RNN领域已经有了显着的改进,例如自然语言处理,语音处理,计算机视觉和其他多个领域。本文讨论了针对事件检测,欺诈检测和Android恶意软件分类等不同用例的RNN应用。通过针对不同的网络参数和结构进行不同的实验链来选择性能最佳的神经网络架构。网络运行高达1000个,学习率设置在0.01到0.5之间。显然,与传统的机器学习算法相比,RNN表现得非常好。这主要是因为RNN隐含地提取了基本特征并且还识别了数据的特征。 。这有助于提高准确性。
translated by 谷歌翻译
无人机在航空摄影,航空测绘和电力线调查等广泛领域得到普及。我们今天所知道的每个人都在低级执行某种控制算法,以便在其周围进行操纵。为了让quadrotor能够自主控制自己或为我们开发高级用户界面来控制它,我们需要了解其功能背后的基本数学。本文旨在解释三维四旋翼飞行器动力学的数学建模。由于这似乎是一项微不足道的任务,它在我们如何控制无人机方面起着至关重要的作用。此外,还采取了额外的努力来解释无人机参考系的转换到惯性参照系。
translated by 谷歌翻译