ACEnet: Nöroanatomik segmentasyon için anatomik bağlam kodlama ağı
Grafik genişletilmiş evrişimli ağ: grafiklerde açık çok ölçekli makine öğrenimi ve bunun biyolojik sistem modellemesindeki uygulaması
Dolandırıcılık tespiti için aralıklı dizi RNN'leri
DialogueGCN: Diyalog Duygu Tanıma için Evrişimli Sinir Ağı Modeli Grafiği
Mobil Cihazlar için Kantitatif Evrişimli Sinir Ağları
Kağıt adı: ACEnet: Nöroanatomi Segmentasyonu için Anatomik Bağlam Kodlama Ağı
Yazar: Li Yuemeng / Li Hongming / Fan Yong
Gönderme süresi: 2020/2/13
Kağıda bağlantı: https://arxiv.org/abs/2002.05773v1
Önerilen neden
Bu makale beyin yapısının MRI tarama görüntüleri aracılığıyla segmentasyonunu ele almaktadır.
Bu problem için, mevcut 2B derin öğrenme yöntemleri, beyin yapısı segmentasyonu için gerekli 3B uzamsal bağlam bilgisini etkili bir şekilde yakalayamaz. Bu makale, beyin yapılarını MRI taramalarından etkili ve doğru bir şekilde bölümlere ayırmak için 3D alanı ve anatomik bağlamı 2D evrişimli sinir ağıyla birleştiren ACEnet adlı bir anatomik bağlam kodlama ağı önermektedir. ACNnet üç önemli bileşen içerir: 1. Anatomik bilgileri 2D CNN ile birleştiren Anatomik bağlam kodlama modülü; 2. 3D görüntü bilgilerini 2D CNN ile birleştiren uzamsal bağlam kodlama modülü; 3. 2D CNN'ye rehberlik eden kafatası soyma modülü Beyin yapısını modellemek için. Üç kıyaslama veri seti üzerinde yapılan deneyler, ACNnet'in hesaplama verimliliği ve segmentasyon doğruluğu açısından mevcut yöntemlerden üstün olduğunu göstermektedir.
Makale Başlığı: Grafik Uzatma Evrişimli Ağlar: Biyolojik Sistemlerin Modellenmesine Yönelik Uygulamalar ile Grafiklerde Açıkça Çok Ölçekli Makine Öğrenimi
Yazar: Scott C.B. / Mjolsness Eric
Gönderme süresi: 2020/2/14
Makaleye bağlantı: https://arxiv.org/abs/2002.05842v1
Önerilen neden
Bu makale, grafiğin uzamsal oranlarını haritalamak için optimize edilmiş bir doğrusal projeksiyon operatörü kullanan ve son tahmin için her oranın bilgilerini özetlemeyi öğrenen yeni bir entegre grafik evrişimli ağ (GCN) modelini tanımlar. Bu doğrusal projeksiyon operatörleri, her bir GCN yapı matrisiyle ilgili amaç fonksiyonunun bilgi miktarı olarak hesaplanır. Bu projeksiyon bilgileriyle, yeni grafik genişletilmiş evrişimli ağ modeli, mikrotübül bükülmesinin kaba taneli mekanokimyasal simülasyonunda monomer alt birimlerinin potansiyel enerjisini tahmin ederken diğer GCN entegre modellerinden daha iyidir.
Kağıt adı: Dolandırıcılık Tespiti için Aralıklı Sıra RNN'leri
Yazar: Branco Bernardo / Abreu Pedro / Gomes Ana Sofia / Almeida Mariana S.C. / Ascensão João Tiago / Bizarro Pedro
Gönderme süresi: 2020/2/14
Makaleye bağlantı: https://arxiv.org/abs/2002.05988v1
Önerilen neden
Bu makale, finansal sistemlerde gerçek zamanlı dolandırıcılık tespiti sorununu ele almaktadır.
Bu sorunu çözmek için, bu makale yinelenen bir sinir ağı kullanıyor ve ödemeyi kademeli bir sıra olarak ele alıyor (her kartın geçmişi sınırsız, düzensiz bir alt dizidir), böylece tüm sistemin karmaşık özellik mühendisliğini dikkate alması gerekmez. Bu belge, sahtekarlığı gerçek zamanlı olarak tespit etmek için eksiksiz bir RNN çerçevesi ve ön işlemeden dağıtıma kadar etkili bir makine öğrenimi ardışık düzeni önerir. Deneyler, bu özelliksiz, çok sıralı RNN'lerin mevcut en iyi modellerden daha iyi olduğunu ve daha az bilgi işlem kaynağı kullanılması nedeniyle dolandırıcılık tespit maliyetlerinde milyonlarca dolar tasarruf sağlayabileceğini kanıtladı.
Bildiri Başlığı: DialogueGCN: Sohbette Duygu Tanıma için Bir Grafik Evrişimli Sinir Ağı
Yazar: Ghosal Deepanway / Majumder Navonil / Poria Soujanya / Chhaya Niyati / Gelbukh Alexander
Düzenlenme zamanı: 2019/8/30
Makaleye bağlantı: https://arxiv.org/abs/1908.11540
Önerilen neden
1. Diyalog cümlelerinin duygu tanıma (ERC) temel ama aynı zamanda son derece önemli bir görevdir.Geçmişteki çözüm genellikle sıralı cümleleri kodlamak ve ardından duygu sınıflandırmasıdır. Bu makale, konuşma sırası ve konuşmacı seviyesinin iki faktörünü kapsamlı bir şekilde ele alır ve duygu tanımayı gerçekleştirmek için grafik evrişimli ağa dayalı DialogueGCN'yi önerir. SOTA sonuçları üç duygu tanıma veri setinde elde edilmiştir.
2. Yazar, grafik sinir ağlarını kullanmak için diyalogdaki cümleler ve muhataplar gibi heterojen ve hatta soyut bilgileri ustaca modelledi.
3. Grafik sinir ağları teorisini öğrenmiş kişiler için gerçek senaryolarda grafik sinir ağlarının nasıl uygulanacağı çok önemlidir Bu makale öğrenmeye değer çok basit ve net bir senaryo sunar.
Kağıt adı: Mobil Cihazlar için Nicelleştirilmiş Evrişimli Sinir Ağları
Yazar: Jiaxiang Wu / Cong Leng / Yuhang Wang
Yayın zamanı: 2016/5/16
Makaleye bağlantı: https://arxiv.org/pdf/1512.06473.pdf
Önerilen neden
Temel sorun: CNN ağı birçok açıdan giderek daha önemli bir rol oynamaktadır, ancak CNN modeli genellikle büyük ve hesaplama açısından karmaşıktır Bu makale onu geliştirmiştir.
İnovasyon: Bu makalede yazar, CNN'yi hızlandıran ve sıkıştırabilen Nicelleştirilmiş CNN modeli önermektedir. Temel fikri, evrişimli katmandaki ve tam olarak bağlı katmandaki ağırlıkları ölçmek ve her katmanın ağırlığını en aza indirmektir. Yanıt hatası.
Araştırmanın önemi: ILSVRC-12 veri seti üzerinde yapılan deneyler, bu yöntemin, sadece küçük bir doğruluk kaybıyla sınıflandırma görevleri için 4-6 kat hızlanma ve 15-20 kat sıkıştırma elde edebileceğini kanıtladı ve bu açıkça görülebilir Out etkisi.