在许多学科中，异质治疗效果（HTE）的估计至关重要，从个性化医学到经济学等等。在随机试验和观察性研究中，随机森林已被证明是一种灵活而有力的HTE估计方法。尤其是Athey，Tibshirani和Wager（2019）引入的“因果森林”，以及包装GRF中的R实施。 Seibold，Zeileis和Hothorn（2018）引入了一种称为“基于模型的森林”的相关方法，该方法旨在随机试验，并同时捕获预后和预测变量的效果，并在R包装模型中进行模块化实现。 。在这里，我们提出了一种统一的观点，它超出了理论动机，并研究了哪些计算元素使因果森林如此成功，以及如何将它们与基于模型的森林的优势融合在一起。为此，我们表明，可以通过相同的参数和L2损耗下加性模型的模型假设来理解这两种方法。这种理论上的见解使我们能够实施“基于模型的因果林”的几种口味，并在计算机中剖析其不同元素。将原始的因果森林和基于模型的森林与基准研究中的新混合版本进行了比较，该研究探讨了随机试验和观察环境。在随机设置中，两种方法都执行了AKIN。如果在数据生成过程中存在混淆，我们发现与相应倾向的治疗指标的局部核心是良好性能的主要驱动力。结果的局部核心不太重要，并且可以通过相对于预后和预测效应的同时拆分选择来代替或增强。
translated by 谷歌翻译
This chapter sheds light on the synaptic organization of the brain from the perspective of computational neuroscience. It provides an introductory overview on how to account for empirical data in mathematical models, implement them in software, and perform simulations reflecting experiments. This path is demonstrated with respect to four key aspects of synaptic signaling: the connectivity of brain networks, synaptic transmission, synaptic plasticity, and the heterogeneity across synapses. Each step and aspect of the modeling and simulation workflow comes with its own challenges and pitfalls, which are highlighted and addressed in detail.
translated by 谷歌翻译
出生的机器是量子启发的生成模型，可利用量子状态的概率性质。在这里，我们提出了一种称为多体局部（MBL）隐藏的机器的新体系结构，该机器同时使用MBL动力学和隐藏单元作为学习资源。从理论上讲，我们证明，MBL出生的机器比古典模型具有更具表现力的能力，而隐藏单元的引入则增强了其学习能力。我们从数值上证明，MBL隐藏的机器能够学习一个玩具数据集，该数据集由MNIST手写数字的模式，从量子多体态获得的量子数据以及非本地奇偶校验数据组成。为了理解学习的机制，我们跟踪了诸如学习过程中冯·诺伊曼纠缠熵和锤击距离之类的物理量，并比较MBL，Thermal和Anderson局部化阶段中的学习成果。我们表明，MBL阶段的优越学习能力重要地依赖于本地化和相互作用。我们的体系结构和算法提供了利用量子多体系统作为学习资源的新颖策略，并在量子系统中揭示了障碍，互动和学习之间的强大联系。
translated by 谷歌翻译
对状态$ \ lvert \ psi \ rangle $的对称性是单一操作员，其中$ \ lvert \ psi \ rangle $是特征者。当$ \ lvert \ psi \ rangle $是黑盒甲骨文提供的未知状态时，该州的对称性可用于表征它，并且通常会降级有关$ \ lvert \ psi \ rangle $的许多所需信息。在本文中，我们开发了一种变性杂种量子式学习方案，以系统地探测$ \ lvert \ psi \ rangle $的对称性，而没有对状态的先验假设。此过程可用于同时学习各种对称性。为了避免重新学习已经知道的对称性，我们引入了一种具有经典深神经网的交互式协议。因此，经典的网络针对重复的发现进行了正规化，并允许我们的算法通过发现的所有可能对称性终止经验。我们的方案可以平均通过非本地交换门有效地实施；我们还提供了仅使用本地操作的效率较低的算法，这可能更适合当前的噪声量子设备。我们展示了我们对代表国家的算法。
translated by 谷歌翻译
目的：将人工智能（AI）作为第二读者比较胸部X射线（CXR）与两个双性机构的放射科医生的第二读者，并在使用两种不同的模式时评估AI性能：审查）。方法：分析了日本放射科学学会的CXR公共数据库（n = 247），具有各种类型和大小的肺结节。八位放射科医生评估了CXR图像关于肺结节和结节象征的存在。在放射科医生审查之后，AI软件以最高的结节可能性处理并标记了CXR。计算出的精度指标是曲线下的面积（AUC），灵敏度，特异性，F1分数，虚假案例数（FN）以及不同AI模式（自动/辅助）对结节检测准确性的影响。结果：对于放射科医生而言，平均AUC值为0.77 $ \ pm $ 0.07，而平均FN为52.63 $ \ pm $ 17.53（所有研究）和32 $ \ pm $ 11.59（研究包含一个恶性病理的研究= 32％错过的恶性结节的速率）。 AI模式（自动化和辅助）均可平均提高灵敏度（提高14％和12％）和F1得分（5％和6％）和特异性的降低（分别为10％和3％） ）。结论：两种AI模式都标记了放射科医生在大量病例中错过的肺结节。 AI作为第二读者具有提高诊断准确性和放射学工作流程的高潜力。 AI可能比放射科医生早期检测到某些肺结核，对患者预后产生了潜在的显着影响。
translated by 谷歌翻译
可解释的人工智能的最新发展有望改变人类机器人互动的潜力：机器人决策的解释可能会影响用户的看法，证明其可靠性并提高信任。但是，尚未对解释其决定的机器人看法的影响进行彻底研究。为了分析可解释的机器人的效果，我们进行了一项研究，其中两个模拟机器人可以玩竞争性棋盘游戏。当一个机器人解释其动作时，另一个机器人只宣布它们。提供有关其行为的解释不足以改变机器人的感知能力，智力，可爱性或安全等级。但是，结果表明，解释其动作的机器人被认为是更活泼和人类的。这项研究证明了对可解释的人类机器人相互作用的必要性和潜力，以及对其效应作为新的研究方向的更广泛评估。
translated by 谷歌翻译
2021-06-03
将多个分类器或专家的输出组合成单个概率分类是机器学习中的基本任务，从分类器融合到专家意见汇集的广泛应用程序。在这里，我们基于新相关的Dirichlet分布，介绍了一个分层贝叶斯模型的概率分类器融合。该分布明确地模拟了边际Dirichlet分布的随机载体之间的正相关，从而允许基本分类器或专家之间的相关性建模。拟议的模型自然地容纳经典的独立意见池和其他独立的融合算法作为特殊情况。通过对合成和现实世界数据集的融合的不确定性和正确性来评估它。我们表明，由于不确定性降低，融合分类器的性能的变化即使对于高度相关的基础分类器，也可以是贝叶斯的最佳状态。
translated by 谷歌翻译
Neural networks trained on datasets such as ImageNet have led to major advances in visual object classification. One obstacle that prevents networks from reasoning more deeply about complex scenes and situations, and from integrating visual knowledge with natural language, like humans do, is their lack of common sense knowledge about the physical world. Videos, unlike still images, contain a wealth of detailed information about the physical world. However, most labelled video datasets represent high-level concepts rather than detailed physical aspects about actions and scenes. In this work, we describe our ongoing collection of the "something-something" database of video prediction tasks whose solutions require a common sense understanding of the depicted situation. The database currently contains more than 100,000 videos across 174 classes, which are defined as caption-templates. We also describe the challenges in crowd-sourcing this data at scale.
translated by 谷歌翻译