Transfer operators offer linear representations and global, physically meaningful features of nonlinear dynamical systems. Discovering transfer operators, such as the Koopman operator, require careful crafted dictionaries of observables, acting on states of the dynamical system. This is ad hoc and requires the full dataset for evaluation. In this paper, we offer an optimization scheme to allow joint learning of the observables and Koopman operator with online data. Our results show we are able to reconstruct the evolution and represent the global features of complex dynamical systems.
translated by 谷歌翻译
本文研究了全球动态和高级功能的知识如何为流动环境中的机器人提供信息。具体而言，我们调查如何连贯的集合，在这些环境中发现的环境特征，可通知在这些方案中的机器人意识。所提出的方法是一种在线环境特征发生器，可用于机器人推理。我们在线计算Chereent Sets与机器学习的技术和设计框架，用于机器人行为，用于利用连贯的集合功能。我们展示了在线方法在离线方法上的有效性。值得注意的是，我们应用这些在线方法，以便通过水进行人行动行为和机器人导航的机器人监控。相干套装等环境特征为机器人提供了丰富的上下文，更智能，更高效的行为。
translated by 谷歌翻译
自闭症谱系障碍（ASD）是一种脑部疾病，其特征是幼儿时期出现的各种体征和症状。 ASD还与受影响个体的沟通缺陷和重复行为有关。已经开发了各种ASD检测方法，包括神经影像学和心理测试。在这些方法中，磁共振成像（MRI）成像方式对医生至关重要。临床医生依靠MRI方式准确诊断ASD。 MRI模态是非侵入性方法，包括功能（fMRI）和结构（SMRI）神经影像学方法。但是，用fMRI和SMRI诊断为专家的ASD的过程通常很费力且耗时。因此，已经开发了基于人工智能（AI）的几种计算机辅助设计系统（CAD）来协助专家医生。传统的机器学习（ML）和深度学习（DL）是用于诊断ASD的最受欢迎的AI方案。这项研究旨在使用AI审查对ASD的自动检测。我们回顾了使用ML技术开发的几个CAD，以使用MRI模式自动诊断ASD。在使用DL技术来开发ASD的自动诊断模型方面的工作非常有限。附录中提供了使用DL开发的研究摘要。然后，详细描述了使用MRI和AI技术在自动诊断ASD的自动诊断期间遇到的挑战。此外，讨论了使用ML和DL自动诊断ASD的研究的图形比较。最后，我们提出了使用AI技术和MRI神经影像学检测ASD的未来方法。
translated by 谷歌翻译
通用形态（UNIMORPH）项目是一项合作的努力，可为数百种世界语言实例化覆盖范围的标准化形态拐角。该项目包括两个主要的推力：一种无独立的特征架构，用于丰富的形态注释，并以各种语言意识到该模式的各种语言的带注释数据的类型级别资源。本文介绍了过去几年对几个方面的扩张和改进（自McCarthy等人（2020年）以来）。众多语言学家的合作努力增加了67种新语言，其中包括30种濒危语言。我们已经对提取管道进行了一些改进，以解决一些问题，例如缺少性别和马克龙信息。我们还修改了模式，使用了形态学现象所需的层次结构，例如多肢体协议和案例堆叠，同时添加了一些缺失的形态特征，以使模式更具包容性。鉴于上一个UniMorph版本，我们还通过16种语言的词素分割增强了数据库。最后，这个新版本通过通过代表来自metphynet的派生过程的实例丰富数据和注释模式来推动将衍生物形态纳入UniMorph中。
translated by 谷歌翻译
在这里，我们研究了无监督实体解析中匹配的记录聚类问题。我们建立在名为Data Whink Machine（DWM）的最先进的概率框架上。我们介绍基于图形的分层2步记录聚类方法（GDWM），首先识别大，连接的组件，或者在我们调用它们时，使用在DWM中使用的基于图的传递闭合算法匹配的记录对中的软簇。随后通过使用适应性的基于图形的模块化优化方法将发现的软群体分解为更精确的实体簇。我们的方法提供了若干优势，主要是DWM的原始实施，主要是显着的加速，提高精度，总体增加的F1分数。我们展示了我们使用多个合成数据集的实验的方法的功效。我们的结果还提供了图表理论的算法效用的证据，尽管他们在无监督实体解决方案中的文献中的稀疏性。
translated by 谷歌翻译
TimeSeries Partitioning是大多数机器学习驱动的传感器的IOT应用程序的重要步骤。本文介绍了一种采样效率，鲁棒，时序分割模型和算法。我们表明，通过基于最大平均差异（MMD）的分割目标来学习特定于分割目标的表示，我们的算法可以鲁布布地检测不同应用程序的时间序列事件。我们的损耗功能允许我们推断是否从相同的分布（空假设）中绘制了连续的样本序列，并确定拒绝零假设的对之间的变化点（即，来自不同的分布）。我们展示了其在基于环境传感的活动识别的实际IOT部署中的适用性。此外，虽然文献中存在许多关于变更点检测的作品，但我们的模型明显更简单，匹配或优于最先进的方法。我们可以平均地在9-93秒内完全培训我们的模型，而在不同应用程序上的数据的差异很小。
translated by 谷歌翻译
人机交互的参与是参与互动的实体建立，维护和结束他们感知连接的过程。必须监测各种基于AI的医疗范式范式的患者的参与状态。这包括改变社会行为的医疗条件，例如自闭症谱系障碍（ASD）或注意力缺陷/多动障碍（ADHD）。订婚是一种多方面构造，由行为，情感和精神组成部分组成。以前的研究忽视了参与的多面条性质。在本文中，提出了一种系统以使用上下文和关系特征来区分这些方面。这可以促进进一步细粒度的分析。将多种机器学习分类器包括传统和深度学习模型，以获得此任务。在具有基于神经网络的分类的22242个实例的平衡数据集上，可以获得具有F分数和0.74和0.23的F分和0.23％的最高精度。
translated by 谷歌翻译