- 能否在没有地面真实数据的情况下提高移动众感知数据的质量?
移动众感知是各领域中的一个突出趋势,然而确保移动用户提交的传感数据的质量仍然是一个复杂而具有挑战性的问题。为了解决这个问题,本文提出了一种基于预测和声誉的真实性发现框架,可以在感知任务中筛选出低质量数据并识别可能破坏系统正常运行的恶意用户。 - 放射治疗中器官风险区划的质量保证
通过使用自动分割技术并引入一类分类器,该研究提出了一种可以高精度检测肿瘤器官轮廓错误的方法,能够显著降低医生对轮廓划定的负担。
- 基于视频的手术技能评估:树型高斯过程分类器
使用视频数据进行评估,展示了所提出方法在评估外科医生熟练程度、针对性培训干预和外科部门质量保证方面的有效性,该流水线结合了表示流卷积神经网络和一种新颖的基于树的高斯过程分类器,它具有抗噪性和计算效率。此外,引入了新的核来提高准确性,该流水线 - 数据科学家的保证论证操作化:在机器学习测试数据质量方面的概念和工具展示
我们提出了一个基于 Python 和 Jupyter Notebook 技术的框架,以支持机器学习组件中的 ACs 的实施,旨在使 ACs 中关于测试数据质量的相关证明过程更加有效。
- 深度学习驱动的焊接质量控制增益:预测珠焊中的焊接深度和气孔体积
为提高焊接过程的质量保证,本研究提出一种强大的深度学习模型,能够预测两个关键焊接性能特征(KPCs):焊缝深度和平均孔隙体积。
- ICCV多边形标注中的不确定性及质量保证的实证研究
本文旨在研究和量化多边形标注的固有不确定性以及质量保证在减小其影响中的作用。通过对 MS-COCO 数据集中多个对象的多个标注者的多边形注释进行分析,结果表明多边形注释的可靠性取决于审查程序以及场景和形状的复杂程度。
- 边缘上的实时多模态物体检测和跟踪,用于规程合规监控
通过实时的多模式传感系统和边缘智能设备上的无监督学习技术,我们介绍了一种针对不同工业领域的监管合规审计的方法,提高了记录保留的效率并减少了人工干预。
- 以偏好为条件的基于像素的人工智能游戏测试代理
游戏行业面临着不断增长的需求和游戏复杂度,同时维持发布游戏的可接受质量标准的挑战。本文提出了一种基于像素状态观察的代理设计,通过演示轨迹来满足游戏测试工程师的喜好,并结合自监督和监督学习目标的模仿学习方法,显著优于现有基于像素的游戏测试代理 - 黑血 MRI 中颈动脉壁分割的基于不确定性的质量保证
应用深度学习模型于大规模数据集需要自动质量保证的方法,本文研究了不确定性在模型预测中的应用,并发现不确定性度量可以作为错误检测和自动质量保证的代理,并为大规模数据集提供了自动质量保证工具。
- 机器学习软件系统中的质量问题
本文旨在从实践者的角度研究机器学习软件系统中的质量问题,通过一系列采访和调研,我们创建了一个包含 18 个质量问题和 24 个解决策略的目录,这将有助于开发高效的质量保证工具。
- 放射治疗深度学习分割模型实时监测的质量保证框架
本文利用心脏亚结构分割任务为例,建立了一个深度学习模型质量保证框架,其中通过使用训练自动编码器(DAE)和两个手工设计的特征来开发图像域移位检测器,再利用提取的特征训练回归模型来预测患者关键数据的分割精度,并成功测试了该框架。
- 使用迁移学习技术的智能制造自动化缺陷检测方法 TransferD2
我们提出了一种基于 Transfer 学习的方法 TransferD2,该方法可以结合 Xception、ResNet101V2 和 InceptionResNetV2 三个不同的预训练模型来进行分类器网络构建。我们使用伪边界框在未见过的目 - 知识图谱的构建:现状与挑战
本文论述如何为知识图谱的建设和持续更新提供通用管道,谈论了高质量 KG 的必需步骤,包括元数据管理,本体开发和质量保证,并对 KG 建设工具和策略的现状进行评估和总结,并提出了需要进一步研究和改进的领域。
- MLOps 环境下的质量保证:工业视角
本研究为了解决工业生产系统中机器学习模型的质量检验问题,提出了基于模块化策略的数据完整性及数据质量的质量保证方法,并以工业合作案例为支撑,还提出了未来研究的几个挑战。
- COMET: 深度学习库测试的覆盖率导向模型生成
通过研究发现现有深度学习库测试技术的测试效果受到 API 调用多样性的限制,为了更加有效地生成深度学习模型以实现较高的覆盖率和发现更多的库错误,本文提出了一种基于突变操作符的模型生成算法 COMET,该算法可实现对 API 调用多样性的有效 - 基于几何学习的放疗分割误差自动识别
本研究提出了使用卷积神经网络和图神经网络相结合的新型架构,基于自我监督学习的方法,无需基准来自动识别三维器官风险分割中的错误,为放射治疗过程提供了离线质量保证工具,以便识别需要专注于的区域。
- 本体重用:本体设计的真正考验
通过自然语言处理和网络分析等方法,对 30 个生物医学本体和计算机科学本体的质量进行研究和改进。该研究提出了多种潜在问题的检测方法,重点关注本体间交叉引用的问题,并探讨了本体的多样化重复使用对于本体质量的改进至关重要的观点。
- 基于人工智能的限制不平等分数调查的放射学质量保证(QA)重新定义(AQUARIUS)
研究人员提出一种基于人工智能(AI)和自然语言处理(NLP)的新方法_AQUARIUS_来重新定义放射学 QA,该方法可以将人力工作量减少多个数量级,并在人机互操作性方法中大大加快放射学 QA 程序。
- 用于瑞典语练习的对话生成模型的质量保证
由于迁移趋势,有效的第二语言习得至关重要。本文提出了一种通过人本互动语言实践的 AI 对话系统来解决这个问题的方案,并提供了一种自动化框架来选择机器学习模型,以质量保证专有的生成对话模型。
- ICML非传统测试集:减少测试标注工作量
提出一种简单但有效的方法来构建和维护高质量的测试集,该方法可以显著降低标记测试集的工作量,并引起测试过程的根本性重构。