XiaoMi-AI文件搜索系统
World File Search Systemsupervised
监督与无监督的学习
●Breiman（2001）首先提出了随机森林算法，但基于1995年的Tim Kan Ho●RF采用了两种集合技术：首先是训练样本，以种植基于不同培训训练数据的树木森林。第二个是特征空间的子采样。●如果我选择变量的子集（例如x1, x3, x7) to create a split in a node of a decision tree, and another subset (x2, x4, x5, x7) to create a different one, there will be events that get classified in a different way by the two nodes ● Often there is a dominant variables that is used to decide the split, offsetting the power of the subdominant ones.rf通过减少不同树的相关性来避免该问题
通过增强学习
学习表征捕获对世界的非常基本的理解是机器学习的关键挑战。隐藏在数据中的解释因素的层次结构是如此一般的表示，并且可以通过分层VAE实现。然而，培训层次的VAE总是遭受“后塌陷”的苦难，其中数据信息很难传播到更高级别的潜在变量，因此导致层次结构不良。为了解决这个问题，我们首先是从信息理论的角度来减轻后层崩溃的现有方法的缺点，然后突出了正规化的必要性，即在维持不同级别之间的依赖性的同时，将数据信息明确传播到高级潜在变量。这自然会导致提出高级潜在表示作为顺序决策过程的推断，这可能受益于应用强化学习（RL）。将RL的目标与正规化的目标保持一致，我们首先引入了一条跳过的途径，以获取奖励，以评估潜在的潜在表示的信息内容，然后基于它的Q-VALUE函数可能具有正规化的一致优化方向。最后，策略梯度是典型的RL方法之一，用于训练层次VAE，而无需引入梯度估计器。1。简介实验结果坚定地支持我们的分析，并证明我们提出的方法有效地减轻了后塌陷问题，学习了信息的层次结构，获得了可解释的潜在表示，并且在下游任务中明显优于其他基于层次的VAE方法。
Tri-VAE：用于脑肿瘤 MRI 无监督异常检测的三重变分自动编码器
由于带注释的样本稀缺，病理性脑损伤在图像数据中的复杂表现对监督检测方法提出了挑战。为了克服这个困难，我们将重点转移到无监督异常检测。在这项工作中，我们专门使用健康数据训练所提出的模型，以识别测试期间未见的异常。这项研究需要调查基于三元组的变分自动编码器，以同时学习健康脑数据的分布和去噪能力。重要的是，我们纠正了先前基于投影的方法中固有的一个误解，该误解依赖于这样的假设：图像内的健康区域在重建输出中将保持不变。这无意中暗示了病变图像和无病变图像在潜在空间表示上存在相当大的相似性。然而，这种假设可能并不成立，特别是由于病变区域强度对投影过程的潜在重大影响，特别是对于具有单一信息瓶颈的自动编码器。为了克服这个限制，我们将度量学习与潜在采样分离。这种方法确保病变和无病变输入图像都投影到相同的分布中，特别是无病变投影。此外，我们引入了一个语义引导的门控交叉跳过模块来增强空间细节检索，同时抑制异常，利用解码器更深层中存在的健壮健康大脑表示语义。我们还发现，将结构相似性指数测量作为额外的训练目标可以增强所提模型的异常检测能力。
伪装对受监督的SAR超级...
合成孔径雷达（SAR）是一个尖端的遥感系统，在地球仪和环境监测中起着重要作用。高分辨率SAR成像提供了图像中的更细节，可以检测和识别地面上较小的对象和特征。然而，从理论上讲，侧面空气传播的雷达（SLAR）的分辨率受到倾斜范围的雷达带宽的限制，而在方位角[1]中的天线足迹宽度[1]实际上受到目标侧侧的降解[2]。为了克服这些问题，已经在[2、3、4、5]中提出了空间变体速差（SVA）算法及其旨在减少或取消旁观的变体。这些基于脉冲响应模型的这些不明显的算法在计算上是快速有效地减少侧叶的。但是，主叶宽度保持不变。可以使用基于神经网络的监督学习方法来解决后一个问题，通过利用配对高分辨率（HR）和低分辨率（LR）SAR图像的数据库中的先验信息[6，7，8]。对于尖锐的主机，神经网络必须学会从下采样的LR SAR输入中恢复HR SAR图像，这可能是在光学图像超级分辨率上的挑战中类似的设置[9]。但是，SAR图像形成特定于与视神经不同的雷达波。尤其是SAR范围和方位角轴是不可列出的，并且是经典的增强轴（例如旋转和翻转）是不现实的。此外，斑点噪声高度损坏了SAR图像，从而使伪造过程对靶标和异常进行了决定[10]。幸运的是，诸如[11，12]之类的SAR佩克林方法能够使用很少的single外观复杂（SLC）SAR图像减少斑点噪声。在本文中，我们建议评估使用Fell fell
MSQSM：基于形态的自我监督的深度学习，用于定量敏感性映射
定量敏感性映射（QSM）已广泛应用于神经变性和铁沉积的临床诊断，而QSM重建中仍然存在偶极反转问题。最近，提出了深度学习方法来解决这个问题。但是，这些方法中的大多数是需要成对输入阶段和地面真相对的监督方法。在不使用地面实际情况的情况下训练所有分辨率的模型仍然是一个挑战，而仅使用一个分辨率数据。为了解决这个问题，我们提出了一种基于形态的自我监督QSM深度学习方法。它由形态学QSM构建器组成，可以使QSM对采样分辨率的依赖性以及有效减少伪像并有效节省训练时间的形态学损失。所提出的方法可以在人类数据和动物数据上重建任意分辨率QSM，而不管该分辨率是更高还是低于训练集，这表现优于先前最佳的无监督方法。此外，对于先前无监督学习方法中使用的周期梯度损失，形态损失还将训练时间减少了22％。实验结果和临床验证表明，该提出的方法测量具有任意分辨率的精确QSM。，它在无监督的深度学习方法和竞争性绩效中取得了最新的结果，相对于最佳的传统方法。
具有不同粒子数量的系统的动力学
在这项工作中，我们提出了一种新的方法，用于使用AutoCododer（AE）（AE）（一种未加权的机器学习技术，具有最少的先验知识）来识别一维量子多体系统中的量子相变。AES的训练是通过在整个驱动参数的整个范围内通过精确的对角线化（ED）获得的减少密度矩阵（RDM）数据进行的，因此不需要对相图的事先了解。使用这种方法，我们通过跟踪AE的重建损失的变化，成功地检测了具有多种类型的多种相变的广泛模型中的相变。AE的学习表示表示，以表征不同量子相的物理现象。我们的方法论展示了一种新的方法，可以使用最少的知识，少量所需数据研究量子相变，并产生量子状态的压缩代表。
gady：动态图上的无监督异常检测
摘要 - 在动态图上检测到的动态检测旨在与图表中观察到的标准模式及其时间信息相比，识别表现出异常行为的实体。由于其在财务，网络安全和社交网络等各个领域的应用，它引起了越来越多的关注。但是，现有方法面临两个重大挑战：（1）动态结构捕获挑战：如何有效地使用复杂的时间信息捕获图形结构，以及（2）负面采样挑战：如何为无人看管的学习构建高质量的负样本。为了应对这些挑战，我们提出了对动态图（Gady）的生成异常检测。gady是一个连续的动态图模型，可以捕获细粒的时间信息以应对动态结构捕获挑战，从而克服了现有离散方法的局限性。指定，我们建议使用优先级的时间聚集和状态特征来增强动态图编码器以进行异常检测。在第二个挑战中，我们引入了生成对抗网络的新颖使用来产生负面子图。此外，在发电机训练目标中引入了辅助损失功能，以确保同时生成的样品的多样性和质量。广泛的实验表明，我们提出的Gady在三个现实世界数据集上的表现明显优于现状方法。补充实验进一步验证了我们的模型设计的有效性和每个组件的必要性。
基于加权的生成性学习损失的基于扩散的语音增强
基于扩散的生成模型最近在语音增强（SE）方面获得了研究，为常规监督方法提供了替代方案。这些模型将干净的语音训练样本转化为高斯噪声，通常以嘈杂的语音为中心，随后学习了一个典型的模型以扭转这一过程，从而有条件地在嘈杂的语音上。与受监督的方法不同，基于生成的SE通常仅依赖于无监督的损失，这可能会导致条件嘈杂的语音效率较低。为了解决这个问题，我们提议以ℓ2的损失来增加原始的扩散训练目标，以测量地面真相清洁语音与每个扩散时间阶段的估计之间的差异。实验结果证明了我们提出的方法的有效性。
基于上下文的空间自我监督学习...
这项工作是出于空间信息在HTR任务[25]中的相关性以及以下事实，据我们所知，它以前尚未进行过研究，并着重于适应HTR领域的此类方法。更确切地说，我们提出了两种替代方案，可以在HTR方案中使用这些SSL策略（见图1）：（i）将HTR任务调整为原始SSL方法，即输入适应性，（ii）提出针对HTR任务特征的新型基于空间上下文的SSL方法，即适应。通过考虑多个参考HTR Corpora，将这些建议全面评估，并与该领域遵循的参考策略进行比较。获得的结果表明，与参考SSL方法相比，所提出的SSL策略提供了最先进的识别率，同时保持概念上的简单性。
个性化的，自我监督的深度学习血糖预测
当前监测糖尿病患者血糖水平的标准是连续的葡萄糖监测（CGM）设备，这些设备昂贵且具有并发症的风险，例如用于将CGM传感器连接到皮肤的粘合剂的过敏反应或皮肤刺激。CGM设备也很明显，因此可以作为糖尿病患者的不适疾病标记。为了减轻这些问题，我们开发并测试了一种新颖的深度学习方法，该方法仅通过使用个性化和自我监视学习，能够使用非侵入性预测变量预测血糖水平，而目标变量的数量很少。每周仅使用两次血糖测量，我们的方法（4925.47葡萄糖特异性MSE）的表现优于传统的深度学习，该深度学习用小时测量（5137.80葡萄糖特异性MSE）。在六个实验中，血糖测量相距超过四个小时，我们的方法在没有例外的情况下优于传统的深度学习。我们的发现表明，自我监督，个性化的深度学习可以为CGM设备提供替代方案的途径，而CGM设备的成本较小，无创，因此更容易访问。