Tek hücreli veri setlerinde hastalık durumlarını tahmin etmek için grafik dikkat ağlarını kullanma
Konuşmasız eğitim öncesi ağ budama teknolojisi
Derin stereo eşleştirme için uyarlanabilir tek modlu eşleştirme maliyet hacmi filtresi
Hareket uyarlamalı geri bildirim birimine dayalı süper video yüzü çözünürlüğü
Haber raporları için temsili başlıklar oluşturun
Bildiri Başlığı: Grafik Dikkat Ağlarını Kullanarak Tek Hücreli Verilerden Hastalık Durumu Tahmini
Yazar: Neal G. Ravindra / Arijit Sehanobish / Jenna L. Pappalardo / David A. Hafler / David van Dijk
Gönderme zamanı: 2020/02/14
Makaleye bağlantı: https://arxiv.org/abs/2002.07128
Önerilen neden
Temel sorun: Bu makale, tek hücreli RNA dizisi veri kümesinde multipl skleroz (MS) tahmini sorununu çözmektedir. Daha önce, tek hücreli RNA dizileri hiçbir zaman hastalık tahmini ve teşhisi için kullanılmamıştı. Aynı zamanda multipl skleroz (MS) tanısı da çok zordur. Yenilik: Grafik dikkat ağı (GAT), orijinal özellik bilgilerini ve grafik yapısı bilgilerini iyi bir şekilde çıkarabilir.Bu makale, esas olarak hastalık tahmini için önemli olan özellikleri (hücre türü gibi) çıkaran grafik dikkat ağını (GAT) kullanır. Ve genetik özellikler) ve bu özellikleri mevcut multipl skleroz bilgi sistemine ekledi. Aynı zamanda bu model, hücrelerin yeni özellik uzayını ortaya çıkarmak için de kullanılır ve bu özellikler esas olarak farklı hastalık durumları arasındaki farkı yansıtır. Son olarak, yazar ayrıca dikkat ağırlıklarını kullanarak yeni bir düşük boyutlu gömme temsili öğrendi, önemli gen özelliklerini çıkardı ve öğrenilen grafik temsilini görselleştirdi. Araştırmanın önemi: Bu modelin sonuçları, grafik evrişimli ağlar, rastgele ormanlar ve çok katmanlı algılayıcıların geleneksel makine öğrenimi yöntemlerini geride bırakıyor.Tek hücreli veri setlerinde hastalıkları tahmin etmek için derin öğrenme yöntemlerini kullanan ilk modeldir.
Kağıt adı: Sıfırdan Budama
Yazar: Yulong Wang / Xiaolu Zhang / Lingxi Xie / Jun Zhou
Yayın zamanı: 2019/9/27
Makaleye bağlantı: https://arxiv.org/pdf/1909.12579.pdf
Önerilen neden
Temel sorun: Derin öğrenmenin etkili olmasının büyük bir nedeni, güçlü yerleştirme yeteneğidir. Avantajı bu olsa da, bazı sorunları da beraberinde getirecektir. Büyük bir sorun, modelin çok büyük olması ve çoğu zaman çok şey gerektirmesidir. Veriler ve eğitim hızı yavaştır, bu nedenle model boyutunu ve çalıştırma gecikmesini azaltmak, uç mobil cihazlarda dağıtım için pratik uygulama değerine sahip olan büyüyen bir endişe haline geldi.
Yenilik: Bu makale, etkili bir budama yapısının eğitim öncesi ağırlıklardan elde edilmesine gerek olmadığını kanıtlamaktadır.Eğitim öncesi ağırlıklarla elde edilen budama yapısı genellikle homojendir ve çeşitlilikten yoksundur, bu da daha iyi performans yapılarının keşfedilmesini sınırlayabilir. Ağırlıkları doğrudan rastgele başlatarak, daha çeşitli ve daha iyi budama yapılarının elde edilebileceğini buldular.
Araştırmanın önemi: Bu, model budama sürecini büyük ölçüde hızlandırmakla ve zaman alan ve ağır eğitim sürecini azaltmakla kalmaz, aynı zamanda model budama alanı için güçlü bir kıyaslama sonucu sağlar. Sınıflandırma modelini CIFAR10 üzerinde sıkıştırma deneyinde, yöntem yalnızca geleneksel budama yönteminin eğitim öncesi yükünü büyük ölçüde azaltmakla kalmaz, aynı zamanda aynı hesaplama bütçesi altında benzer ve hatta daha yüksek doğruluk sağlar.
Kağıt adı: Derin Stereo Eşleştirme için Uyarlanabilir Tek Modlu Maliyet Hacim Filtreleme
Yazar: Zhang Youmin / Chen Yimin / Bai Xiao / Yu Suihanjin / Yu Kun / Li Zhiwei / Yang Kuiyuan
Gönderme süresi: 2019/9/9
Makaleye bağlantı: https://arxiv.org/abs/1909.03751
Önerilen neden
Makale, uyarlanabilir tek modlu dağılımın gerçek değer bilgisini denetlenecek eşleşen maliyet hacmine eklemeyi, böylece stereo eşitsizlik tahmininin doğruluğunu geliştirmeyi önerir. Bu makalenin yeniliği, geçmişte göz ardı edilen eşleşen maliyet organlarının denetimine odaklanarak nispeten yenidir.Teorik olarak, eşleşen maliyet gövdelerinin dağılımı tek modlu bir dağılımdır. Yazar tarafından önerilen CENet ve stereo odak kaybı da sezgisel ve etkilidir. Yazı kısa ve anlaşılır, öğrenmeye değer. Stereo eşleştirme yönteminin en büyük zorluğu, genelleme performansının eksikliğidir.Bu makale, yardımcı denetim bilgisi olarak kullanılabilen ve eşleşen maliyet gövdesine dayalı çeşitli stereo eşleştirme yöntemlerine uygun olan, eşleşen maliyet biriminin olasılık dağılımına kısıtlamalar getirir.
Kağıt adı: Harekete Uyarlamalı Geri Bildirim Hücresine sahip Video Yüzü Süper Çözünürlük
Yazar: Xin Jingwei / Wang Nannan / Li Jie / Gao Xinbo / Li Zhifeng
Gönderme süresi: 2020/2/15
Kağıt bağlantısı: https://arxiv.org/abs/2002.06378
Önerilen neden
Bu makale, videonun süper çözünürlüğü konusunu ele almaktadır.
Mevcut CNN yöntemleri genellikle bu sorunu çok sayıda tek tek çok çerçeveli süper çözünürlük görevi olarak ele alır, yani tek bir yüksek çözünürlüklü çerçeve oluşturmak için bir grup düşük çözünürlüklü çerçeve kullanılır. Bununla birlikte, kareler arasındaki karmaşık zaman bağımlılığı nedeniyle, düşük çözünürlüklü giriş çerçevelerinin sayısı arttıkça, yeniden yapılandırılmış yüksek çözünürlüklü çerçevelerin performansı bozulacaktır. Bu makale, hareket dengelemesini etkili bir şekilde yakalayabilen ve onu uyarlanabilir bir şekilde ağa geri besleyebilen bir Harekete Uyarlamalı Geri Bildirim Hücresi (MAFC) önermektedir. Bu yöntem, çerçeveler arasındaki hareket bilgisini etkin bir şekilde kullanır ve ağın hareket tahmini ve telafi yöntemlerine bağımlılığını önleyebilir. Ek olarak, harekete uyarlanabilir geri bildirim ünitesinin mükemmel özellikleri sayesinde, yeni önerilen yöntem son derece karmaşık hareket senaryolarında daha iyi performans sağlayabilir.
Kağıt adı: Haber Hikayeleri için Temsilci Başlıkları Oluşturma
Yazar: Xiaotao Gu / Yuning Mao / Jiawei Han / Jialu Liu / Hongkun Yu / You Wu
Gönderme süresi: 2020/2/1
Makaleye bağlantı: https://arxiv.org/pdf/2001.09386v3.pdf
Önerilen neden
Temel sorun: İnternette her gün çok sayıda makale üretiliyor ve etkili bir başlığın nasıl oluşturulacağı önemli bir konu haline geldi.
Yenilik: Bu makale bir uzaktan izleme yöntemi geliştirdi ve büyük ölçekli bir üretim modeli eğitti. İlk olarak, makale büyük miktarda etiketlenmemiş külliyat içeren çok seviyeli bir eğitim çerçevesi önermektedir. İkincisi, dikkat katmanına dayalı olarak birden çok makaleden bilgi çıkarmaktadır. Aynı zamanda, bu makale aynı zamanda büyük ölçekli bir veri seti önermektedir.
Araştırmanın önemi: Bu şekilde oluşturulan başlıklar büyük ölçüde mükemmel.