Jun, 2024

个性化膳食胰岛素计量的注意力网络在 1 型糖尿病患者中的应用

PDF
TL;DR通过使用自我关注编码器网络的强化学习代理，本研究展示了如何有效地模拟和改善人们在计算进餐后胰岛素剂量方面的直觉过程，以实现更简化治疗的潜力，并为 T1D 患者提供改善生活质量和糖尿病结果的希望。
mealtime insulin dosestype 1 diabetesreinforcement learning agentself-attention encoder networkglycemic outcomes
发现论文，激发创造
  • 动态关注模型的深度强化学习算法在车辆路径问题中的应用

    利用动态编码器 - 解码器结构的动态关注模型来更好地解决车辆路径问题，并显示出良好的泛化性能。

    Feb, 2020

  • 基于神经注意力过程的经济高效交互式注意力学习

    本文提出了一种新的交互式学习框架，即交互式注意力学习（IAL），其中人类监督者可以交互地操纵分配的注意力来纠正模型的行为，并通过更新注意力生成网络来进行修正。通过使用样本高效的注意力机制和一种小样本成本有效的重排算法，本文解决了模型过度拟合和标注匮乏等挑战，将 IAL 在多个领域（如医疗保健、房地产、计算机视觉）的多种时间序列数据集上进行验证，证明了其在几乎不需要重新训练和人力交互成本的情况下，显著优于传统注意力机制或不考虑成本效益的基准方法。

    Jun, 2020

  • 密集交通中自主决策的社交关注

    提出了一种基于注意力机制的学习体系结构，能够处理高密度交通场景下的交通管理问题，并最大程度地保证精确性和紧凑性，从而捕捉可视化和定性解释的交互模式。

    Nov, 2019

  • 学习连续时间空间中的自修正关注力及在序列推荐中的应用

    本研究提出了一种新型的自调节注意力网络来学习动态用户偏好，并在三个大规模真实数据集上实验表明，该模型可以实现最先进的顺序推荐性能。

    Mar, 2022

  • 不规则采样时间序列的多时间注意力网络

    本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架，并使用多个数据集进行内插和分类任务的性能研究，结果表明该框架的性能优于许多基线和最近提出的模型，同时提供了比当前最先进方法更快的训练速度。

    Jan, 2021

  • 通过学习端到端的视觉关注来解释自动驾驶

    通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

    Jun, 2020

  • 数据点自注意：深度学习中超越个体输入输出对

    该论文提出了一种将整个数据集作为输入的深度学习架构，使用自我注意力的方法显式地推理数据点之间的关系，通过学习如何利用其他数据点进行预测，采用参数化注意力机制实现非参数模型，解决了一些传统深度学习模型无法解决的交叉数据点查询和复杂推理任务。

    Jun, 2021

  • 探索注意力 GAN 用于车辆运动预测

    本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

    Sep, 2022

  • 深度强化学习模型用于摘要生成

    提出了一种基于编码器 - 解码器和 RNN 的自注意力神经网络模型，通过组合监督和强化学习来训练和生成连贯性和可读性更强的长文摘要，与目前最先进模型相比，在 CNN / Daily Mail 数据集上取得了 41.16 的 ROUGE-1 得分，并且人工评估表明我们的模型产生了更高质量的摘要。

    May, 2017

  • 面向端到端自动驾驶的多任务学习与注意力机制

    本文提出了一种基于多任务学习和注意力模型的新型自动驾驶条件模仿学习网络，通过解决交通灯反应问题，不仅提高了标准基准测试的成功率，而且具备了响应交通信号的能力。

    Apr, 2021