It is well known that conservative mechanical systems exhibit local oscillatory behaviours due to their elastic and gravitational potentials, which completely characterise these periodic motions together with the inertial properties of the system. The classification of these periodic behaviours and their geometric characterisation are in an on-going secular debate, which recently led to the so-called eigenmanifold theory. The eigenmanifold characterises nonlinear oscillations as a generalisation of linear eigenspaces. With the motivation of performing periodic tasks efficiently, we use tools coming from this theory to construct an optimization problem aimed at inducing desired closed-loop oscillations through a state feedback law. We solve the constructed optimization problem via gradient-descent methods involving neural networks. Extensive simulations show the validity of the approach.
translated by 谷歌翻译
如今，卷积神经网络（CNN）经常用于基于视觉的感知堆栈，用于安全关键的应用，例如自动驾驶或无人驾驶汽车（无人机）。由于这些用例的安全要求，重要的是要知道CNN的局限性，因此要检测到分布外（OOD）样本。在这项工作中，我们提出了一种方法，可以通过利用保证金熵（ME）损失来启用2D对象检测。提出的方法易于实现，可以应用于大多数现有的对象检测体系结构。此外，我们将分离性作为用于检测对象检测中的OOD样品的度量。我们表明，使用标准置信度得分，接受ME损失训练的CNN明显优于OOD检测。同时，基础对象检测框架的运行时间保持不变，使ME损失成为启用OOD检测的强大工具。
translated by 谷歌翻译
近年来，已经开发了大量解释神经网络的特征归因方法。尤其是在计算机视觉领域，存在许多提供像素归因的显着图图的方法。但是，他们的解释通常相互矛盾，尚不清楚要信任哪种解释。解决此问题的一种自然解决方案是多次解释的汇总。我们介绍并将基于像素的不同聚合方案与产生新的解释进行了比较，其对模型决策的保真度高于每个单独的解释。使用贝叶斯优化领域的方法，我们将各个解释之间的方差纳入聚合过程中。此外，我们分析了多种归一化技术对集合聚集的影响。
translated by 谷歌翻译
自然图像和医学图像之间的根本差异最近有利于对医学图像应用中的Imagenet转移学习使用自我监督学习（SSL）。图像类型之间的差异主要是由于成像方式和医学图像利用了广泛的基于物理的技术，而自然图像仅使用可见光捕获。尽管许多人证明了医学图像上的SSL导致了更好的下游任务绩效，但我们的工作表明可以获得更多的性能。在构建学习问题时，经常不考虑用于获取医学图像的科学原理。因此，我们建议在生成SSL期间合并定量成像原理，以提高图像质量和定量生物学准确性。我们表明，这种培训模式可为有限数据的下游监督培训提供更好的起始状态。我们的模型还生成了验证临床定量分析软件的图像。
translated by 谷歌翻译
预计机器学习将推动医疗保健的重大改善。为了确保尊重诸如福利，尊重人类自治，预防伤害，正义，隐私和透明度之类的基本原则，必须负责任地发展医疗机器学习系统。为此，已经提出了许多道德原则的高级声明，但是严重缺乏技术准则，阐明了医疗机器学习的实际后果。同样，目前，关于医疗机器学习系统的确切监管要求也存在很大的不确定性。这项调查概述了以负责任地创建医疗机器学习系统并符合现有法规以及解决这些挑战的可能解决方案所涉及的技术和程序挑战。首先，对影响医学机器学习的现有法规进行了简要审查，表明诸如安全性，鲁棒性，可靠性，隐私，安全性，透明度，解释性和非歧视性诸如现有法律和法规已经要求，尽管在许多情况下，但许多人都要求案例，不确定。接下来，讨论了实现这些理想特性的关键技术障碍，以及在医学背景下克服这些障碍的重要技术。我们注意到分配变化，虚假相关性，模型未指定，不确定性量化和数据稀缺性代表了医疗环境中的严重挑战。有希望的解决方案方法包括使用大型和代表性的数据集和联合学习作为目的的手段，仔细的域知识的利用，固有透明的模型的使用，全面的分布模型测试和验证以及算法影响评估。
translated by 谷歌翻译
多边缘最佳运输使人们能够比较多种概率措施，这些措施越来越多地发现在多任务学习问题中的应用。多边缘运输的一个实际限制是测量，样品和维度数量的计算可扩展性。在这项工作中，我们提出了一种基于随机一维投影的多边缘最佳运输范例，其（广义）距离我们术语切片的多边缘Wasserstein距离。为了构建该距离，我们介绍了一维多边缘Kantorovich问题的表征，并使用它来突出切片的多边缘Wasserstein距离的许多属性。特别是，我们表明（i）切片的多边缘Wasserstein距离是一种（概括的）指标，其诱导与标准的Wasserstein距离相同的拓扑，（ii）它承认无维样本复杂度，（iii）是与切片沃斯斯坦度量标准下的双重Centric的问题紧密连接。我们通过说明切片的多边缘Wasserstein对多任务密度估计和多动力增强学习问题的结论。
translated by 谷歌翻译