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
稀疏主成分分析(SPCA)和稀疏线性回归(SLR)具有广泛的应用,并且在过去二十年中作为高维统计问题的典型例子引起了极大的关注。已经为SPCA和SLR提出了各种算法,但两者之间没有明确的联系。我们展示了如何有效地将SLR的黑盒解算器转换为SPCA的算法:假设SLR求解器满足通过存在的有效算法(例如基于Lasso的算法)实现的预测误差保证,从其派生的SPCA算法实现了近乎最先进的保证用于通过当前最佳多项式时间算法获得的单加标协方差模型的测试和支持恢复。我们的减少不仅突出了两个问题之间的固有相似性,而且从实际的角度来看,允许人们直接从已知的SLR算法中获得SPCA的算法集合。我们在模拟数据上提供实验结果,将我们提出的框架与SPCA的其他算法进行比较。
translated by 谷歌翻译
许多超参数优化(HyperOpt)方法假设有限的计算资源,主要侧重于提高性能。在这里,我们提出了一种新颖的基于云的HyperOpt(CHOPT)框架,它可以有效地利用共享的计算资源,同时支持各种HyperOpt算法。我们提供方便的基于Web的用户界面,可视化和analysistools,使用户能够轻松控制优化程序,并通过迭代分析程序建立宝贵的见解。此外,我们的框架可以与任何云平台合并,从而补充提高传统深度学习框架的效率。我们将CHOPT的应用程序与图像识别和问题回答等任务结合起来,表明我们的框架可以找到与先前工作竞争的超参数配置。我们还展示了CHOPT能够通过其分析工具提供有趣的观察
translated by 谷歌翻译
贝叶斯优化算法(BOA)是使用贝叶斯网络作为概率图形模型(PGM)的分布算法估计(EDA)。给定解决方案样本确定最优贝叶斯网络结构是NP难问题。此步骤应在BOA的每次迭代中完成,从而导致非常耗时的过程。出于这个原因,mostimplementations使用贪婪的估计算法,如K2。然而,我们在本文中表明,PGM结构的显着变化不会发生,并且在进化结束时可能特别稀疏。因此,提出了BOA的统计学研究,以表征PGM调整模式,该模式可用作减少进化过程中PGM更新频率的指南。这是通过提出一种新的基于BOA的优化方法(FBOA)来实现的,该方法的PGM不会在每次更新时更新。这种新方法避免了标准BOA中常见的计算负担。结果比较了两种算法在一个NG风景优化问题上的性能,使用了坚固性和预期运行时间相关的枚举实例。实验表明,FBA具有竞争力,同时显着节省了计算时间。
translated by 谷歌翻译
近年来,在端到端神经对话系统中生成信息响应引起了很多关注。以前的各种工作都利用了外部知识和对话背景来产生这样的反应。然而,很少有人证明他们有能力将适当的知识纳入应对措施。受此启发,本文提出了一种新的开放域对话生成模型,该模型采用后验知识分布来指导知识选择,从而在对话中生成更为恰当和信息丰富的响应。据我们所知,我们是第一个利用后验知识分布促进对话生成的人。我们对bot自动和人体评估的实验清楚地证实了我们模型优于最先进基线的优越性能。
translated by 谷歌翻译
对于卷积神经网络,通过最大限度地利用神经过程单元中的片上存储器,提出了一种减少片外存储器访问的简单算法。特别是,该算法提供了一种处理由多个分支和合并层组成的模块的有效方法。对于Exynos中三星的NPU Inception-V3,我们的评估显示,所提出的算法使片外存储器访问减少了1/50,因此从/到芯片存储器传输的特征图数据量减少了97.59%。 。
translated by 谷歌翻译
最近已经表明,如果忽视决策的反馈效果,那么强加公平性限制,例如人口平等或机会平等,实际上会加剧不公平。我们建议通过将反馈效应建模为马尔可夫决策过程(MDP)的动态来解决这一挑战。首先,我们定义了为监督学习提出的公平性的类比。其次,我们提出了用于学习MDP公平决策策略的算法。我们还探索了对强化学习的扩展,其中动力系统的某些部分是未知的,必须在不违反公平的情况下学习。最后,我们证明需要使用贷款申请人MDP的模拟来计算动态效应。
translated by 谷歌翻译
尽管深度强化学习最近取得了巨大成功,但实时战略(RTS)游戏仍然存在挑战。由于其最大的动作空间以及隐藏的信息,RTS游戏需要宏观策略以及微观级别操作以获得令人满意的性能。在本文中,我们提出了一种新的分层增强学习模型,用于掌握多人在线战斗竞技场(MOBA)游戏,RTS游戏的子类型。在这种等级框架中,代理人通过模仿学习制造宏观策略,并通过执行学习进行微观操作。此外,我们提出了一种简单的自学习方法,可以在没有游戏引擎或API的情况下,通过多目标检测方法获得更好的加固部分样本效率并提取一些全局特征。在1v1模式中,我们的代理成功学会打击和击败内置在AI%100%赢率中,实验表明我们的方法可以为5v5模式下的一种移动MOBA游戏King of Glory(KOG)创建竞争性多智能体。
translated by 谷歌翻译
入侵检测系统(IDS)在识别网络系统中的恶意攻击和威胁方面发挥着重要作用。作为信息管理系统的基本工具,基于学习的分类方法已被广泛采用。当检测到小样本中的网络入侵(例如,新出现的侵入)时,训练样本的有限数量和不平衡比例通常在训练有监督和半监督分类器中引起重大挑战。在本文中,我们提出了一个通用的网络入侵检测框架,以解决\ emph {data scarcity}和\ emph {dataimbalance}的挑战。拟议框架的新颖性侧重于将深层对抗学习与统计学习相结合,并利用基于学习的数据扩充。给定一小组网络入侵样本,它首先使用蒙特卡罗方法生成Poisson-Gamma联合概率生成模型,以生成合成入侵数据。然后通过对抗学习通过深度生成神经网络增强那些合成数据。最后,它采用增强入侵数据来训练监督模型以检测网络入侵。 KDD Cup 99数据集的综合实验验证表明,所提出的框架在提高准确性,精确度,召回率和F1分数方面优于现有的基于学习的IDS。
translated by 谷歌翻译
随机一阶优化算法的总复杂度(以梯度计算的总数来衡量),该算法找到有限和平滑非凸目标函数的第一个有序点$ F(w)= \ frac {1} {n } \ sum_ {i = 1} ^ n f_i(w)$已被证明至少是$ \ Omega(\ sqrt {n} / \ epsilon)$其中$ \ epsilon $表示达到的准确度$ \ mathbb {E } [\ | \ nabla F(\ tilde {w})\ | ^ 2] \ leq \ epsilon $ for outputsapproximation $ \ tilde {w} $(Fang et al。,2018)。本文首次证明了这种下界对于仅采用Lipschitz连续梯度假设的方差减少方法是紧的。我们在(Nguyen等人,2017a; b)中证明了SARAH算法的略微修改版本的这种复杂性结果 - 表明SARAH是最优的并且主导了allexisting结果。对于凸优化,我们提出SARAH ++具有次线性收敛性,用于强凸问题的一般凸线性收敛;我们提供了一个实用版本,对各种数据集的数值实验表明其性能有所提高。
translated by 谷歌翻译