XiaoMi-AI文件搜索系统
World File Search SystemCVAE
轨迹预测的条件无气体自动编码器
摘要 - 条件变化自动编码器（CVAE）是自动驾驶轨迹预测中最广泛使用的模型之一（AD）。它将驾驶环境与其地面真理的未来之间的相互作用捕获到概率潜在空间中，并使用它来产生预测。在本文中，我们挑战了CVAE的关键组成部分。我们利用了变量自动编码器（VAE）的最新进展，即CVAE的基础，这表明采样过程的简单更改可以极大地使性能受益。我们发现，以确定性的方式从任何学习分布中绘制样本的无味抽样自然可以更适合轨迹预测，而不是潜在的随机随机抽样。我们走得更远，并提供了其他改进，包括更结构化的高斯混合物潜在空间，以及一种新颖的，可能更有表现力的方法来推断CVAE。我们通过在相互作用的预测数据集上评估模型的广泛适用性，超过了最新的状态，以及在Celeba数据集上的图像建模任务，优于基线Vanilla cvae。代码可在以下网址获得：https：//github.com/boschresearch/cuae-prediction。
实现脑电信号自动编码器压缩的机械可解释性
脑电图 (EEG) 是一种非侵入性工具，通过将电极放置在人体头皮上来测量大脑活动，从而检测神经元放电电压。虽然 EEG 技术存在信噪比差和仅捕获表面大脑活动等局限性，但它仍然是诊断癫痫和睡眠障碍等疾病的可靠方法 [ 1 ]。自动编码器 [ 2 ] 是一类特殊的神经网络，用作编码器-解码器对。编码器通过逐步减少各层的神经元数量，最终达到瓶颈层，将输入数据压缩为压缩表示，称为潜在空间。相反，解码器通过逐渐增加后续层中的神经元数量从这种压缩形式重建输入数据。这种压缩和重建过程使网络能够有效地捕获输入数据的显着特征。卷积变分自动编码器 (CVAE) [ 3 , 4 ] 通过合并卷积层扩展了此框架，使其特别适合处理图像数据。与标准自动编码器不同，CVAE 生成概率潜在空间。这种概率方法有助于学习稳健的特征，并增强模型生成类似于训练数据的新数据实例的能力。利用卷积层，CVAE 可以利用数据中的空间层次结构，从而增强其分析和重建图像数据中固有的复杂模式和纹理的能力。因此，CVAE 在要求详细
基于CVAE的因果表示从视网膜底面图像学习与年龄相关的黄斑变性（AMD）预测
摘要 - 关于相对较差的预后和急性视力障碍，分析与年龄相关的黄斑变性或AMD是视网膜疾病分析中最重要的任务之一。尤其是，构建分析和预测湿AMD的方法，其特征是由于新血管形成而导致新科学家造成的快速RPE损害，数十年来一直是许多眼科医生的一项艰巨任务。最近，随着ML/DL框架和计算机视觉AI的进步，这些先前的努力现在导致了AMD预测和机制分析的急剧增强。具体来说，使用基于注意机制的CNN或XAI方法的使用在预测AMD状态和可靠解释方面会导致更高的性能。在最先进技术的使用中，这项研究实施了一种新型的潜在因果表示学习框架，以进一步增强基于AI的模型，以了解仅访问视网膜底面图像的复杂因果AMD机制，同时构建了更可靠的AMD预测模型。结果表明，基于有效的卷积VAE和GAE的显式潜在因果建模可以导致基本AMD机制的成功因果关系，同时返回基本的因果因素，这些因素可以可靠地可靠地区分正常的基础和AMD底层图像，例如诊断预测。
在随机MPC中使用深层生成干扰模型的贝叶斯预测，用于构建能量系统 /作者= Sorouifar，Farshud；鲍尔森（Joel A。）；王，你们； Quirynen，Rien； Laughman，Christopher R。； Chakrabarty，Ankush /creationDate = 2024年8月22日 /受试者=控制，机器学习，优化< /div < /div>
抽象预测控制在很大程度上取决于干扰预测的质量。虽然重新干扰建模效果已经采用了概率的观点来防止不可靠的确定性预测，但这种概率模型通常仅适用于数据丰富的设置或涉及对基本分布的简化假设。生成模型，例如条件变异自动编码器（CVAE），为从数据中学习分布提供了一种表达和自动化的方法。通过对学习的潜在空间进行采样，可以产生看不见的干扰实现。在本文中，我们开发了利用这些生成模型的方法来设计经济随机模型预测控制（SMPC），该模型利用CVAE产生的干扰信号进行在线适应。CVAE产生的方案可以转换为对学到的潜在矢量的条件概率，其中条件与影响干扰信号形状本身的因素（例如，工作日/周末在内部热载荷上的影响）以及观察到的数据（即，基于观测的数据）。因此，我们可以生成最相关的干扰信号，以在基于情况的SMPC方法中使用，以减少控制策略的保守性，同时满足约束。
一种基于模型的增强学习方法，具有条件变异自动编码器
摘要：基于模型的强化学习可以有效提高强化学习的样本效率，但是该方法中的环境模型有错误。模型错误可能会误导策略优化，从而导致次优政策。为了提高环境模型的概括能力，现有方法通常使用集合模型或贝叶斯模型来构建环境模型。但是，这些方法在计算密集型和复杂更新。由于生成的模型可以描述环境的随机性质，因此本文提出了一种基于有条件的自动编码器（CVAE）的基于模型的增强学习方法。在本文中，我们使用CVAE来学习与任务相关的表示形式，并应用生成模型来预测环境变化。考虑到多步误差积累的问题，模型适应用于最大程度地减少模拟和真实数据分布之间的差异。此外，该实验证实了所提出的方法可以学习与任务相关的表示并加速政策学习。
与 BRAF 和 BRAF/MEK 抑制剂相关的心血管不良事件：使用两个大型国家登记处进行横断面和纵向分析
摘要背景：单独使用 BRAF 抑制剂与联合使用 BRAF/MEK 抑制剂相关的心血管不良事件 (CVAE) 尚不完全清楚。方法：本研究包括所有接受 BRAF 抑制剂（vemurafenib、dabrafenib、encorafenib）或联合使用 BRAF/MEK 抑制剂（vemurafenib/cobimetinib；dabrafenib/trametinib；encorafenib/binimetinib）的成年患者。我们利用了 2011 年至 2018 年的横断面 FDA 不良事件报告系统 (FAERS) 和纵向 Truven Health Analytics/IBM MarketScan 数据库。使用调整回归技术研究了各种 CVAE，包括动脉高血压、心力衰竭 (HF) 和静脉血栓栓塞症 (VTE)。结果：在 FAERS 中，报告了 7752 例不良事件（40% 为 BRAF，60% 为 BRAF/MEK）。中位年龄为 60 岁（IQR 49–69），其中 45% 为女性，97% 患有黑色素瘤。其中 567 例（7.4%）为心血管不良事件（死亡率 19%）。与单药治疗相比，联合治疗与 HF 风险增加相关（报告比值比 [ROR] = 1.62（CI = 1.14–2.30）；p = 0.007）、动脉
4级MI-EEG信号产生和识别CVAE-GAN
摘要：随着脑电图（EEG）测量人脑的实时电子学的能力（EEG），所有人都知道，信号处理技术，尤其是深度学习，可以为学习提供新颖的解决方案，也可以优化从EEG信号中优化鲁棒表示。考虑到有限的数据收集和受试者测试期间的浓度不足，必须使用脑库界面（BCI）系统的潜在最终用户获得足够的训练数据和有用的功能。在本文中，我们将一个条件变分的自动编码器网络（CVAE）与生成的对抗网络（GAN）结合在一起，用于从EEG脑信号中学习潜在表示。通过更新馈送到产生的生成模型中的细胞调整参数，我们可以在特定类别下合成脑电图信号。我们采用了一个编码器网络来获得脑电图信号的分布式样本，并应用了一种对抗性学习机制来连续优化发生器，歧视器和分类器的参数。采用CVAE以更大的近似于实际样本类的调整。最后，我们证明了我们的方法具有统计和功能匹配的优势，以使训练过程更快，更稳定，并通过数据增强来解决深度学习应用程序中小规模数据集的问题。我们提出的CVAE-GAN方法生产的增强培训数据集显着增强了MI-EEG识别的性能。
有条件的潜在自回归复发模型，用于生成和预测粒子加速器中的光束动力学
粒子加速器是复杂的系统，将重点，引导和加速的强烈带电的粒子梁转向高能。Beam Diagnostics提出了一个具有挑战性的问题，这是由于有限的非破坏性测量，计算要求的模拟以及系统中固有的不确定性。我们提出了一个两步无监督的深度学习框架，称为有条件的潜在自动回归复发模型（Clarm），用于学习加速器中带电粒子的时空动力学。clarm由有条件的变分自动编码器（CVAE）组成，将六维相位空间转换为较低维的潜在分布和长期短期内存（LSTM）网络，以自动化方式捕获临时动力学。克拉姆可以通过对潜在空间表示形式进行采样和解码来生成各种加速器模块的投影。该模型还预测了过去状态（上游位置）的带电粒子的未来状态（下游位置）。结果表明，在针对各种评估指标进行测试时，提出的方法的生成和预测能力有望。
朝着用户感知的交互式虚拟代理：生成多模式
虚拟代理充当XR平台中的重要接口。，生成虚拟代理行为通常依赖于预先编码的动作或基于物理的反应。在本文中，我们提出了一个基于学习的多模式行为生成框架，该框架适应用户的原位行为，类似于人类在现实世界中彼此之间的影响。通过利用内部收集的二元对话行为数据集，我们培训了一个跨性变量自动编码器（CVAE）模型来实现虚拟剂的用户生成的行为。与大型语言模型（LLM）一起，我们的方法可以同时产生虚拟药物的言语和非语言反应行为。我们的比较用户研究证实了我们的方法优于基于图形的基线基线技术，尤其是在以用户为中心的标准方面。对我们结果的彻底分析强调了虚拟代理相互作用的真实性质以及VR交互期间的用户参与度的增强。
用于生物医学数据实例化和可视化的创新深度学习方法
摘要 大多数生物医学应用面临的主要问题之一是大量未标记的数据。人类专家手动分析和分类海量数据库大多是不可行的，在某些有限条件下（仍然极其耗时）只有部分工作仅针对专家可轻松识别的简单特征。关于这个方面，医学专家面临两个具有挑战性的问题：如何选择最重要的数据进行标记，以及数据集的最小大小是多少（但足以定义每种病理）以进行分类器的训练。在本章中，我们提出了一种基于可视化数据分析的新方法，以使用最少的标记数据构建有效的分类器。编码器是卷积变分自动编码器 (CVAE) 的一部分，用作 2D 可视化的数据投影。输入向量被编码到二维潜在空间中，这有助于专家直观地分析训练数据集的空间分布。