- 通过渐进式自主学习逐步推进脑成像分析
最近深度学习的进展改变了脑成像分析的发展,通过引入一种自适应逐步节奏和蒸馏机制的渐进式自控课程学习(PSPD)框架,有效提高了模型性能和泛化能力,并在阿尔茨海默病神经影像研究倡议(ADNI)数据集上证实了其优越性。
- TookaBERT:波斯语 NLU 迈向前进的一步
我们通过使用波斯语数据训练并引入了两个新的 BERT 模型,并将其与七个现有模型进行了比较,结果显示我们的更大模型在至少 + 2.8 个点的平均改进上胜过了竞争对手,显示了我们的波斯语 NLU 任务中新 BERT 模型的有效性和潜力。
- 智能出行多模态时空数据的有效融合与预测
本文研究针对智能移动性场景中的多模态时空数据,开发有效的融合和预测方法,期望解决稀疏表示、时空相关性和多运输模式等挑战,并在实际应用中提出未来工作的开放性问题。
- Hi-EF:人际互动中情感预测的基准测试
情感预测是心理学中的研究方向,该研究通过设计基于双方互动的情感预测范式将情感预测转化为深度学习问题。我们开发了一个专门的数据集,基于人际互动的情感预测(Hi-EF),其中包含 3069 个双方多层次情境交互样本(MCIS),具有丰富的情感相 - 一个适用于大规模数据集的多任务深度学习模型用于高光谱图像的分类和回归
为了解决遥感领域中多样化和复杂场景下模型泛化性及可扩展性问题,本研究提出了一种用于高光谱图像的多任务深度学习模型,能够同时执行多个分类和回归任务。该方法通过共享编码器和任务特定解码器网络进行特征学习,并通过密集空洞金字塔池化层和注意力网络提 - 经济学家的深度学习
深度学习提供了强大的方法,可以从大规模、非结构化的文本和图像数据集中填补结构化信息。该综述介绍了深度神经网络,涵盖了分类器、回归模型、生成 AI 和嵌入模型等方法。应用包括分类、文档数字化、记录链接以及在大规模文本和图像语料库中进行数据探索 - 超越尺寸和类平衡:Alpha 作为深度学习的新数据质量度量
通过分析医学图像数据集,我们发现在深度学习中,通过最大化图像数据集的多样性以提高模型性能,而不是仅仅依靠数据集大小和类别平衡,可以作为一种潜在的新方法来改善医学影像学中的深度学习性能。
- 自动道路安全:使用 AI 增强标志和路面损伤检测
本文介绍了一种创新方法,通过使用先进的深度学习技术来增强道路安全,包括交通标志的检测和分类以及道路表面损坏的检测。该方法支持主动维护策略,改善 Molise 地区和 Campobasso 市的道路安全和资源配置,并利用云计算和高性能计算等前 - 可解释的基于概念的记忆推理
深度学习系统在决策过程中缺乏透明度给现代人工智能带来了一大挑战,本文介绍了一个概念瓶颈模型,它将可理解的概念引入深度学习架构,以便用户能理解和可能干预预测结果,通过引入一个显式内存和符号化评估,该模型实现了人可理解和可证明验证的任务预测过程 - 高场磁共振下的亚丘脑核分割:模板配准是否需要空间标准化?
深脑刺激 (DBS) 是减轻晚期帕金森病 (PD) 症状的最成功方法之一。本文比较了两种不同的深度学习自动分割架构的性能,一种基于脑模板进行注册,另一种在磁共振成像获取的原生空间中进行分割,证明了在原生空间中进行分割对于 STN 分割结果更 - CVPR铀氧化物形态分析中的模型编辑与分布偏移
通过模型编辑技巧,提高了深度学习模型在处理科学数据中的分类泛化能力,特别是在处理铀矿石浓缩物的合成条件分类任务上。
- 基于流形的场景感知与探索:一种新方法
利用预训练网络探索物体的可供性标签,采用子空间聚类和流形曲率方法,并观察到这些方法能识别出不被视为事实的可供性标签和物体的各种行为。
- 用于带外数据推荐系统的双测试时间训练
提出了一种在推荐系统中应对 Out-Of-Distribution (OOD) 问题的测试时间训练框架 DT3OR,通过自我蒸馏任务和对比任务,在测试阶段对推荐模型进行模型自适应,以适应用户和物品特征的变化,实现了平稳的适应,实验结果表明 - 全局采样并行拆分学习
在分布式深度学习系统中,通过用一致的全局抽样方法解决大有效批次大小、非 IID 数据分布和滞后效应等问题,我们提出了均匀全局抽样 (UGS) 和潜在狄利克雷抽样 (LDS) 方法,模拟结果显示这些方法能在非 IID 设置中提高模型准确性至多 - 利用交叉注意力提高机械通气需求的预测
本研究利用深度学习模型和多头注意力机制 (FFNN-MHA),通过学习个体患者的个性化上下文信息,提高机械通气需求的准确预测并减少错误结果。在 MIMIC-IV 数据集上,FFNN-MHA 相比于传统模型如前馈神经网络,AUC 值提高了 0 - 利用预训练模型进行最近邻药物靶点亲和性预测
药物靶点结合亲和力(DTA)预测是药物研发中的关键问题,本文提出了一种基于嵌入检索方法的 $k$NN-DTA 预测模型,通过两种嵌入空间和标签空间的邻居聚合方式,有效地提升 DTA 预测性能。实验证明 $k$NN-DTA 方法在四个基准数据 - 通过多源空间 - 时间数据、深度学习、集成模型和迁移学习提升野火预测
该研究提出了一种新的野火预测方法,通过整合多源时空数据,包括卫星数据,并应用深度学习技术。具体而言,我们利用基于迁移学习算法构建的集成模型来预测野火。主要关注天气序列、人类活动和特定天气参数在野火预测中的重要性。研究在获取用于训练网络的实时 - 评估用于澳大利亚气候极端事件的深度学习模型:洪水和河流流量的预测
近年来,澳大利亚的极端气候事件,如洪水,对环境和经济造成了重大的危害,导致人员和动物生命的损失。本研究介绍了一种基于深度学习的集成机器学习方法,通过切换机制来解决大规模极端洪水预测的挑战,并展示了其在澳大利亚主要集水区的流量预测中的有效性。 - 应用多输出卷积神经网络预测数学表达式中的底数和指数
使用卷积神经网络 (CNN) 对数学表达式的图像进行预测,该模型通过训练具有多输出的简化 CNN 模型,在包含随机噪声、字体大小变化和模糊强度的合成图像数据集上取得了高准确率,证明了该方法在处理噪声和多变输入图像方面的有效性。
- 使用分形特征映射表示拓扑自相似性,实现管状结构准确分割
通过将分形特征以滑动窗口技术扩展到像素级,将分形特征图作为输入和损失函数的加权项,结合边缘解码器和骨架解码器,可以提高对长而细的管状结构进行分割的性能。