Today Paper | 3B hareket tahmini; kendi kendine öğrenen robot; sağlam anlamsal bölümleme; evrişimli sinir ağı; karışık Gauss süreci, vb.
Akademik gençlerin en son araştırma sonuçlarını ve teknolojilerini daha iyi öğrenmelerine yardımcı olmak için, AI Technology Review and Paper Research Institute (paper.yanxishe .com ), çalışma referansınız için yapay zeka ile ilgili en son akademik makaleleri seçmeniz için [Today Paper] sütununu her gün başlattı. Aşağıdakiler bugünün seçili içeriğidir
içindekiler
-
Gerçek zamanlı sinir ağlarını kullanan kendi kendine öğrenen robot
-
Beyin Tümörü Bölgelerinin 3D MRI'lardan Sağlam Anlamsal Segmentasyonu
-
Evrişimli Sinir Ağlarının doğruluklarının mimari karakterizasyonlarından çıkarılması
-
İnsan Görev Serpiştirme Modeli Olarak Hiyerarşik Pekiştirmeli Öğrenme
-
Sağlam Ekonomik Model Tahmine Dayalı Denetime Hibrit Gauss Süreci Yaklaşımı
-
Doğruluk Kontrolü için İlişkilendirilmiş Çok İlişkisel Dikkat Ağı URL Önerisi
-
Kalıcı Bellekteki Veri Yapısı İlkelleri: Bir Değerlendirme
-
HandAugment: HANDS19 Zorluk Görevi 1 için Basit Bir Veri Artırma - Derinliğe Dayalı 3D El Duruşu Tahmini
-
New York Regents Bilim Sınavlarında 'F'den'A'ya: Aristo Projesine Genel Bakış
-
Bilgi Teorik Modeli Tahmine Dayalı Q-Öğrenme
Gerçek zamanlı sinir ağını kullanan kendi kendine öğrenen robot
Kağıt adı: Gerçek zamanlı sinir ağlarını kullanan kendi kendine öğrenen robot
Yazar: Gupta Chirag / Nangia Chikita / Kumar Chetan
Gönderme süresi: 2020/1/6
Makaleye bağlantı: https: //paper.yanxishe .com / inceleme / 8314
Tavsiye nedeni: Yüksek kapasiteli, düşük hassasiyetli bilgi işlem teknolojisinin geliştirilmesi ve bilişsel yapay zeka sezgisel sistemlerin uygulanmasıyla, gerçek zamanlı öğrenme yeteneklerine sahip sinir ağları aracılığıyla makine öğrenimi çözümleri, araştırma topluluğunda ve tüm sektörde büyük ilgi uyandırdı. .
Bu makale, kolları olan bir robot üzerinde uygulanan sinir ağının, robotun evrimi yoluyla araştırılmasını, geliştirilmesini ve deneysel analizini içerir, gerektiğinde düz çizgileri öğrenebilir veya yürüyebilir. Sinir ağı, öğrenme için gradyan iniş ve geri yayılım algoritmalarını kullanır. Sinir ağının gerçekleştirilmesi ve eğitimi, Raspberry Pi 3 üzerindeki robot üzerinde yerel olarak yapılır, bu nedenle öğrenme süreci tamamen bağımsızdır. Öncelikle, sinir ağını MATLAB üzerinde geliştirilen özel bir simülatörde test edin ve ardından bunu Raspberry Pi bilgisayarında uygulayın. Verileri her neslin gelişen ağında depolayın ve veriler üzerinde matematiksel ve grafiksel analizler yapın. Öğrenme hızı ve hata toleransı gibi faktörlerin öğrenme süreci ve nihai çıktı üzerindeki etkisi analiz edilir.
3D MRI'dan beyin tümörü bölgelerinin sağlam anlamsal segmentasyonu
Bildiri Başlığı: Beyin Tümörü Bölgelerinin 3D MRI'lardan Sağlam Anlamsal Segmentasyonu
Yazar: Myronenko Andriy / Hatamizadeh Ali
Gönderme süresi: 2020/1/6
Makaleye bağlantı: https: //paper.yanxishe .com / inceleme / 8316
Öneri nedeni: Multimodal Beyin Tümörü Segmentasyon Zorluğu (BraTS), 3D MRI beyin tümörü segmentasyonunun otomatik yöntemini geliştirmek için araştırmacıları bir araya getiriyor. Tümör segmentasyonu, hastalık teşhisi ve tedavi planlaması için gerekli temel görsel görevlerden biridir. Modern GPU'ların ortaya çıkması sayesinde, önceki yıllarda kazanan yöntemlerin tümü, derin evrişimli sinir ağı mimarisini hızla optimize edebilen derin öğrenmeye dayanıyor.
Bu çalışmada yazar, segmentasyonun doğruluğunu daha da iyileştirmek amacıyla geleneksel kodlayıcı-kod çözücü mimarisi ve birleşik kayıp işlevi dahil olmak üzere 3B anlamsal segmentasyonun en iyi uygulamalarını araştırdı. Yazar, BraTS 2019 Challenge'ın yaklaşımını değerlendirdi.
Doğruluğunu evrişimli sinir ağının mimari özelliklerinden çıkarın
Kağıt adı: Evrişimli Sinir Ağlarının doğruluklarını mimari karakterizasyonlarından çıkarsama
Yazar: Hoang D. / Hamer J. / Perdue G.N. / Young S.R. / Miller J. / Ghosh A.
Gönderme süresi: 2020/1/7
Makaleye bağlantı: https: //paper.yanxishe .com / inceleme / 8311
Öneri nedeni: Evrişimli Sinir Ağları (CNN), parçacık görüntüleme dedektörleri de dahil olmak üzere birçok alandan bilimsel verileri analiz etmede büyük umut vaat ediyor. Ancak, belirli uygulamalar ve farklı veri kümeleri için doğru ağ mimarisini (derinlik, çekirdek şekli, etkinleştirme işlevi vb.) Seçmenin zorlukları hala tam olarak anlaşılamamıştır.
Bu makalede yazar, eğitimden önce farklı CNN'lerin mimarisini karşılaştırmak için yararlı olan sistematik bir dil önererek CNN mimarisi ile performansı arasındaki ilişkiyi incelemektedir. CNN mimarisini farklı özniteliklerle karakterize edin ve bu özniteliklerin, Fermi Ulusal Hızlandırıcı Laboratuvarı MINERvA deneyinde, bilgisayarla görmeye dayalı iki fiziksel problemde, olay köşe keşfinde ve hadron çokluda ağ performansını tahmin edebildiğini kanıtlayın. Cinsel sınıflandırma. Yazar, bu amaçla, fiziksel problemler için optimize edilmiş ağ mimarisinden birkaç mimari öznitelik çıkardı.Bu öznitelikler, Çok Düğümlü Derin Öğrenme Sinir Ağı (MENNDL) adı verilen bir model seçim algoritmasının çıktısıdır. Yazar, ağın eğitimden önce belirli bir eşik doğruluğundan daha iyi performans gösterip gösteremeyeceğini tahmin etmek için bir makine öğrenimi modeli kullanır.
Rastgele tahminle karşılaştırıldığında, model% 16-20 daha iyi performans gösteriyor. Ek olarak, yazar, çok sayıda ağın doğruluk regresyonunda sıradan en küçük kareler modelinin belirleme katsayısının 0.966 olduğunu bulmuştur.
İnsan görevinin iç içe geçmesinin bir modeli olarak hiyerarşik pekiştirmeli öğrenme
Bildiri Başlığı: Bir İnsan Görevi Serpiştirme Modeli Olarak Hiyerarşik Pekiştirmeli Öğrenme
Yazar: Gebhardt Christoph / Oulasvirta Antti / Hilliges Otmar
Gönderme süresi: 2020/1/4
Makaleye bağlantı: https: //paper.yanxishe .com / inceleme / 8313
Tavsiye nedeni: İnsanlar bir görevin ne kadar sürmesi gerektiğine, başka bir görevi ne zaman değiştirip gerçekleştireceklerine nasıl karar verirler? Görev serpiştirmeyi destekleyen mekanizmaları anlamak, bilişsel bilimin uzun vadeli bir hedefidir. Önceki çalışma, marjinal getirileri maksimize eden açgözlü buluşsal yöntemler ve politikalar önermişti. Ancak, bu stratejinin birden fazla görevin sağlandığı, dönüştürme maliyetlerinin pahalı olduğu ve geri dönüşlerin geciktiği günlük ortama nasıl uyarlanabileceği henüz net değildir.
Burada yazar, pekiştirmeli öğrenme (RL) tarafından yönlendirilen hiyerarşik bir denetim kontrolü modeli geliştirir. Süpervizör seviyesi, daha düşük seviyelerde hesaplanan göreve özgü yaklaşık fayda tahminlerini kullanarak geçiş yapmayı öğrenir. Birden fazla görevde ve keyfi ve belirsiz ücret ve maliyet yapılarında bile, hiyerarşik optimal değer fonksiyonu ayrıştırması deneyimden öğrenilebilir. Bu model, görev kademelendirmesinin bilinen ampirik etkilerini yeniden üretir. Altı görevli problemde (N = 211) miyopi temeliyle karşılaştırıldığında, kişisel verileri daha iyi tahmin edebilir. Sonuçlar, görev serpiştirme için makul bir model olarak hiyerarşik RL'yi destekler.
Karma Gauss Süreci Sağlam Ekonomik Model Prediktif Kontrol Yöntemi
Bildiri Başlığı: Sağlam Ekonomik Model Öngörücü Denetime Karma Gauss Süreci Yaklaşımı
Yazar: Rostam Mohammadreza / Nagamune Ryozo / Grebenyuk Vladimir
Gönderme süresi: 2020/1/7
Makaleye bağlantı: https: //paper.yanxishe .com / inceleme / 8 30 8
Tavsiye nedeni: Kontrolörün tutuculuğunu azaltmak için, bu makale bilinmeyen gelecekteki rahatsızlıklar altında sağlam ekonomik model öngörücü kontrolü için karma bir Gauss süreci (GP) yöntemi önermektedir. Önerilen hibrit GP, nükleer bileşen ve doğrusal olmayan otoregresif olmak üzere bilinen iki yöntemin bir kombinasyonudur. Tahmin sonuçlarını analiz ettikten sonra, girişim tahmini için bu yöntemlerden birini seçmek için bir anahtarlama mekanizması kullanılır. Hybrid GP, geçmiş girişim ölçümlerini kullanarak kalıpları tespit etmeyi ama aynı zamanda bilinmeyen girişimde beklenmedik davranışları tespit etmeyi amaçlamaktadır.
Hibrit GP'de, eski ölçümlerin ağırlığını azaltabilen ve böylelikle en son girişim değerine dayalı olarak tahmin doğruluğunu geliştiren yeni bir unutma faktörü konsepti de kullanılmaktadır. } Tespit edilen girişim bilgisi, tahminin belirsizliğini azaltmak için kullanılır. Ekonomik modeller için kestirimci denetleyici. Simülasyon sonuçları, diğer GP tabanlı yöntemlerle karşılaştırıldığında, bozukluğun tanınabilir bir modele sahip olması durumunda bu yöntemin ekonomik model öngörücü denetleyicinin genel performansını iyileştirebileceğini göstermektedir.
daha fazla okuma
Sınırlı alan nedeniyle önerilen kalan beş kağıt, okumaya devam etmek için lütfen aşağıdaki QR kodunu tarayın
-
Gerçek algılama URL önerisi özniteliği çok ilişkisel dikkat ağı
Kağıt adı: Doğruluk Kontrolü için İlişkilendirilmiş Çok İlişkisel Dikkat Ağı URL Önerisi
-
Kalıcı belleğin veri yapısı ilkelleri: bir değerlendirme
Bildiri Başlığı: Kalıcı Bellekte Veri Yapısı İlkelleri: Bir Değerlendirme
-
HandAugment: HANDS19 zorluk görevi 1 derinliğe dayalı 3B hareket tahmini için basit bir veri artırma yöntemi
Bildiri Başlığı: HandAugment: HANDS19 Zorluk Görevi 1 için Basit Bir Veri Artırma - Derinliğe Dayalı 3B El Duruşu Tahmini
-
"F" den "A" ya New York Regent Bilim Sınavı: Aristo Projesine Genel Bakış
Bildiri Başlığı: New York Regents Bilim Sınavlarında 'F'den'A'ya: Aristo Projesine Genel Bakış
-
Bilgi teorisi modeli Q öğrenmesini öngörür
Kağıt adı: Bilgi Teorik Modeli Tahmine Dayalı Q-Öğrenme
