作为对隐喻分析的贡献，我们介绍了一项基于统计的基于数据的研究，并对长期存在的猜想和对隐喻系统特征的有史以来的经验探索进行了经验分析。相反，这也使隐喻理论可作为含义出现的基础，可以定量探索并集成到NLP的框架中。
translated by 谷歌翻译
By transferring knowledge from large, diverse, task-agnostic datasets, modern machine learning models can solve specific downstream tasks either zero-shot or with small task-specific datasets to a high level of performance. While this capability has been demonstrated in other fields such as computer vision, natural language processing or speech recognition, it remains to be shown in robotics, where the generalization capabilities of the models are particularly critical due to the difficulty of collecting real-world robotic data. We argue that one of the keys to the success of such general robotic models lies with open-ended task-agnostic training, combined with high-capacity architectures that can absorb all of the diverse, robotic data. In this paper, we present a model class, dubbed Robotics Transformer, that exhibits promising scalable model properties. We verify our conclusions in a study of different model classes and their ability to generalize as a function of the data size, model size, and data diversity based on a large-scale data collection on real robots performing real-world tasks. The project's website and videos can be found at robotics-transformer.github.io
translated by 谷歌翻译
中子核相互作用的温度依赖性被称为横截面的多普勒拓宽。这是由于中子核相互作用发生的靶核的热运动，这是一种众所周知的效果。这种影响的快速计算对于任何核应用至关重要。已经开发了机制，可以在横截面中确定多普勒效应，其中大多数基于称为Solbrig的核的数值分辨率，该方程是Solbrig的核，这是跨截面多普勒拓宽形式，源自自由气体原子分布假设。本文探讨了一种基于深度学习技术的新型非线性方法。深度神经网络经过合成和实验数据的训练，可作为横截面多普勒宽片（DB）的替代方法。本文探讨了使用物理知情的神经网络的可能性，在该神经网络实际上是正规化的，可以从Solbrig的内核中推断出部分衍生方程的解决方案。通过使用$^{235} u $在热量到2250 eV的能量范围内的裂变，捕获和散射横截面来证明学习过程。
translated by 谷歌翻译
由单一头皮电极（加上参考电极）捕获的时间序列用于预测癫痫发作的敏感性。时间序列进行预处理，分割，每个节段使用三种不同的已知方法转化为图像：复发图，Gramian Angular Field，Markov Transition Firt Field。通过平均CNN的SoftMax层的输出来计算，在未来预定义的时间窗口中发生癫痫发作的可能性与通常考虑分类层输出的情况不同。通过阈值这种可能性，癫痫发作的预测具有更好的性能。有趣的是，对于几乎每个患者，最佳阈值与50％不同。结果表明，该技术可以预测一些癫痫发作和患者的良好结果。但是，需要更多的测试，即更多的患者和更多的癫痫发作，以更好地了解该技术的真正潜力。
translated by 谷歌翻译
在医学成像领域越来越多地探索联合学习，以培训在不同数据中心分布在不同数据中心的大规模数据集上的深入学习模型，同时通过避免转移敏感患者信息来保护隐私。在此稿件中，我们在多域的多域的多任务设置中探索联合学习，其中不同的参与节点可以包含来自不同域的数据集，并训练以解决不同的任务。我们评估了两种不同实验设置的对象检测和分段任务的跨域联合学习：多模态和多器官。我们对跨领域联合学习框架的实验的结果非常令人鼓舞，对于器官定位，0.79的重叠相似性和0.65用于病变分割。我们的结果展示了在不共享来自不同域的数据的多域，多任务深度学习模型中联合学习的潜力。
translated by 谷歌翻译