尽管使用多电极阵列记录的数据具有高维性,但与行为相关的神经群体活动被认为是固有的低维。因此,使用潜在变量模型预测神经群体记录的行为已被证明是最有效的。然而,随着时间的推移,单个神经元的活动可能会漂移,并且由于植入的神经探针的移动,不同的神经元将被记录下来。这意味着,在某一天训练预测行为的解码器在另一天测试时表现更差。另一方面,有证据表明,行为的潜在动态即使在数月和数年内也可能保持稳定。基于这个想法,我们引入了一个模型,该模型能够从同一动物记录的以前未见过的数据中推断出与行为相关的潜在动态,而无需重新校准解码器。我们表明,无监督域自适应与经过多次训练的顺序变分自动编码器相结合,可以实现对未见过数据的良好泛化,并正确预测传统方法无法预测的行为。我们的研究结果进一步支持了行为相关的神经动力学低维且随时间稳定的假设,并将使脑机接口技术更加有效和灵活地使用。
跨视图图像地理位置定位旨在通过用GPS标记的卫星图像补丁绘制当前的街道视图图像来确定户外机器人的位置。最近的作品在识别卫星贴片中达到了显着的准确性,该卫星贴片在机器人所在,其中将中央像素在匹配的卫星贴片中用作机器人粗糙位置估计。这项工作着重于机器人在已知的卫星贴片中的细粒度定位。现有的细颗粒定位工作利用相关操作来获得卫星图像本地描述符和街道视图全局描述符之间的相似性。基于衬里匹配的相关操作简化了两个视图之间的相互作用过程,从而导致距离误差很大并影响模型的概括。为了解决这个问题,我们设计了一个具有自我注意力和跨注意层的跨视图功能fu-sion网络,以取代相关操作。此外,我们将分类和回归预测结合在一起,以进一步降低位置距离误差。实验表明,我们的新型网络体系结构的表现优于最先进的,可以在看不见的地区更好的概括能力。具体而言,我们的方法在同一区域和在活力基准的同一区域和看不见的区域中分别将中位定位距离误差降低了43%和50%。
摘要 — 本文介绍了一种新的迁移学习方法,即群组学习,它可以联合对齐多个域(多对多),以及一种扩展方法,即快速对齐,它可以将任何其他域与先前对齐的域组对齐(多对一)。在脑机接口 (BCI) 数据上评估了所提出的组对齐算法 (GALIA),并研究了该算法的最佳超参数值以了解分类性能和计算成本。使用了六个公开的 P300 数据库,包含来自 177 个受试者的 333 个会话。与传统的针对特定受试者的训练/测试流程相比,群组学习和快速对齐均显著提高了分类准确率,但临床受试者的数据库除外(平均改进:2.12±1.88%)。GALIA 利用循环近似联合对角化 (AJD) 来找到一组线性变换,每个域一个,联合对齐所有域的特征向量。群组学习实现了多对多迁移学习,同时不会损害非临床 BCI 数据的分类性能。快速对齐进一步扩展了任何未见域的群组学习,从而允许具有相同属性的多对一迁移学习。前一种方法使用来自先前受试者和/或会话的数据创建单个机器学习模型,而后一种方法利用训练后的模型来处理未见域,无需进一步训练分类器。
联合学习允许分布式的医疗机构可以协作学习具有隐私保护的共享预测模型。在临床部署时,接受联邦学习的模型仍会在联邦外面完全看不见的霍斯群岛上使用时仍会遭受性能下降。在本文中,我们指出并解决了联合域的生成(FedDG)的新型问题设置,该设置旨在从多个分布式源域中学习联合模型,以便它可以直接概括为看不见的目标域。我们提出了一种新颖的方法,在持续频率空间(ELCF)中称为情节学习,通过启动每个客户端在数据分散率的挑战性约束下利用多源数据分布来利用多源数据分布。我们的方法通过有效的连续频率空间插值机制以隐私保护方式传输客户之间的分布信息。通过转移的多源分布,我们进一步仔细设计了面向边界的情节学习范式,以将本地学习暴露于域分布变化,尤其是在医学图像分割场景中尤其满足模型概括的挑战。在两个医学图像分割任务上,我们的方法的有效性优于最先进的表现和深入消融实验。可以在https://github.com/liuquande/feddg-elcfs上使用代码。
摘要 - 电解图(EEG)的间/受主体内变异性使脑计算机界面(BCI)的实际使用很难。通常,BCI系统需要一个校准程序来获取主题/会话特定数据,以每次使用系统时调整模型。这个问题被认为是BCI的主要障碍,并克服它,基于域概括(DG)的方法最近出现了。本文的主要目的是重新考虑如何从DG任务的角度克服BCI的零校准问题。就现实情况而言,我们专注于创建一个脑电图分类框架,该框架可以直接在看不见的会话中应用,仅使用先前获得的多主题/ - 主题/ - 主题。因此,在本文中,我们通过休假一项验证测试了四个深度学习模型和四种DG算法。我们的实验表明,更深层次的模型在跨课程的概括性能中有效。此外,我们发现任何明确的DG算法都不优于经验风险最小化。最后,通过使用特定于特定数据进行调查的结果进行比较,我们发现特定于特定的数据可能会由于会议变异性而导致的,从而使未见的会话分类性能恶化。关键字 - 大脑 - 计算机接口;深度学习;电气图;运动图像;域概括
最近预估计的视觉语言(VLP)模型已成为许多下游任务的骨干,但它们被用作冷冻模型而无需学习。提示学习是一种通过在文本编码器的输入中添加可学习的上下文向量来改善预训练的VLP模型的方法。在下游任务的几次学习方案中,MLE训练可以导致上下文向量在训练数据中拟合占主导地位的图像特征。这种过度适应的可能会损害概括能力,尤其是在训练和测试数据集之间的分布变化的情况下。本文介绍了基于贝叶斯的迅速学习的框架,这可以减轻几乎没有射击的学习应用程序中的过度问题,并提高提示在看不见的情况下的适应性。具体来说,建模与数据相关的先验增强了文本特征的适应性,可用于可见的和看不见的图像特征,并在其之间取决于它们之间的折衷。基于贝叶斯框架,我们在估计目标后分布中利用了Wasserstein等级流,这使我们的提示可以灵活地捕获图像特征的复杂模式。我们通过与现有方法相比显示出统计学上显着的性能改善,证明了在基准数据集上的方法的有效性。该代码可在https://github.com/youngjae-cho/app上找到。
CAS 是科学信息解决方案领域的领导者,与世界各地的创新者合作,加速科学突破。CAS 拥有 1,400 多名专家,他们整理、连接和分析科学知识,以揭示看不见的联系。一百多年来,科学家、专利专业人士和商业领袖一直依赖 CAS 的解决方案和专业知识来提供他们所需的后见之明、洞察力和远见,以便他们能够在过去的经验基础上探索更美好的未来。CAS 是美国化学学会的一个分支机构。
我们提供机翼上方和下方的一线机场服务,确保乘客和飞机高效准时地完成旅程。我们的服务包括在值机和行李托运处迎接和服务乘客、分拣、装卸行李、坡道处理服务、在结冰条件下为飞机除冰以及清洁机舱以准备下一班航班。每一次乘客旅程都可能与 Menzies 有多次可见和不可见的互动,我们始终尽最大努力提供安全可靠的服务和世界一流的乘客体验。
摘要 — 了解药物的意外作用对于评估治疗风险和药物再利用至关重要。尽管现有的大量研究预测了药物副作用的存在,但其中只有四项研究预测了副作用的频率。不幸的是,目前的预测方法 (1) 没有利用药物靶标,(2) 不能很好地预测看不见的药物,(3) 没有使用多种异构药物特征。我们提出了一种基于深度学习的新型药物副作用频率预测模型。我们的模型利用靶蛋白信息以及分子图、指纹和化学相似性等异构特征同时创建药物嵌入。此外,该模型将药物和副作用表示到一个公共向量空间中,分别学习药物和副作用的对偶表示向量。我们还使用 Adaboost 方法扩展了我们模型的预测能力,以补偿没有明确靶蛋白的药物。我们在预测副作用频率方面取得了优于现有方法的最佳性能,尤其是对于看不见的药物。消融研究表明,我们的模型有效地结合并利用了药物的异质性特征。此外,我们观察到,当给出目标信息时,具有明确目标的药物比没有明确目标的药物产生更好的预测。实现可在 https://github.com/eskendrian/sider 上找到。
行为克隆通过从专家演示中学习来表现出许多在许多决策任务中的成功,但是它们可能是非常低效的样本效率,并且未能概括地看不见的情况 - ios。解决这些问题的一种方法是引入一般领域知识,以便该政策可以集中在基本特征上,并可以通过应用这些知识来概括地看不到国家。尽管这些知识很容易从专家那里获取,但由于神经网络中缺乏疾病结构以及功能工程的时间耗尽性质,很难与单个示例中的学习相结合。为了从通用知识和特定的演示轨迹中学习,我们使用大型语言模型的编码能力来实例化基于自然语言的专家领域知识的策略结构,并通过演示调整策略中的参数。我们将这种方法命名为知识知情模型(KIM),因为结构反映了专家知识的语义。在我们对Lunar Lander和赛车任务的实验中,我们的方法学会了以5个演示的方式解决任务,并且对噪声非常强大,从而超过了基线模型,并具有域名知识。这表明,借助大型语言模型,我们可以将域知识纳入策略的结构中,从而提高了行为克隆的样本效率。