图深度学习已经展示了其在学习丰富的图结构数据上的有效性。并且在许多问题上取得了重大进展, 例如药物发现、社交网络、物理仿真等。许多图深度学习框架(如 PyG,DGL 等)主要关注实现基本的图深度学习模块和基础任务,比如节点分类与图分类等。但对于复杂的任务,比如图生成和图神经网络的可解释性,研究人员仍然需要花费巨大精力实现算法并与基准模型进行比较。
2023年11月13日,厦门大学刘向荣教授团队,联合湖南大学曾湘祥教授、山东大学魏乐义教授,在PLoS Computational Biology上发表文章A general hypergraph learning algorithm for drug multi-task predictions in micro-to-macro biomedical networks。
今天为大家介绍的是来自Cesar de la Fuente-Nunez和James J. Collins的一篇综述论文。尽管分子生物学、遗传学、计算和药物化学取得了进展,传染病仍然对公共卫生构成了可怕的威胁。应对病原体爆发、大流行和抗微生物药物耐药性所带来的挑战需要跨学科的协同努力。与系统和合成生物学相结合,人工智能(AI)正在推动快速进展,在扩大抗感染药物发现、增强我们对感染生物学的理解和加速诊断方法的发展方面发挥着重要作用。在本综述中,作者讨论了检测、治疗和理解传染病的方法,强调了每种情况下AI的进展支持。作者提出了AI的未来应用以及如何利用它来帮助控制传染病爆发和大流行。
论文题目:MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events论文摘要:多种药物的相互作用可能会导致严重的事件,从而导致伤害和巨大的医疗成本。对药物-药物相互作用(DDI)事件的准确预测可以帮助临床医生做出有效的决策并制定适当的治疗方案。最近,已经提出了许多基于人工智能的技术来预测DDI相关事件。然而,现有的大多数方法对DDI事件和其他多模式数据(如靶标和酶)之间的潜在相关性关注较少。为了解决这个问题,作者提出了一种用于DDI事件预测的多模态深度神经网络(MDNN)。在MDNN中,作者设计了一个基于药物知识图(DKG)的路径和基于异构特征(HF)的路径两个路径框架来获取药物的多模态表示。最后,设计了一个多模态融合神经层来探索药物多模态表示之间的互补性。作者在真实数据集上进行了广泛的实验。结果表明,MDNN能够准确预测DDI事件,并优于目前最先进的预测模型。
今天分享一篇发表在CVPR 2020上的论文:LT-Net: Label Transfer by Learning Reversible Voxel-wise Correspondence for One-shot Medical Image Segmentation (原文链接:[1])。
在机器学习的广阔领域中,无监督学习扮演着至关重要的角色。不同于有监督学习,无监督学习处理的是没有标签的数据集,即我们不知道每个数据点的正确答案或分类。然而,这并不意味着无监督学习无法为我们提供有价值的信息。相反,它能够通过发现数据中的内在规律和结构,为我们揭示数据的深层含义。
弱监督时间动作定位是一项具有挑战性的视觉任务,因为训练视频中缺乏真值的动作时间位置。由于在训练过程中只有视频级别的监督,大多数现有的方法依赖于多实例学习(MIL)框架来预测视频中每个动作类别的开始和结束帧。然而,现有的基于MIL的方法有一个主要的局限性,即只捕捉动作的最具区别性的帧,而忽略了活动的全部范围。此外,这些方法不能对定位前台活动起着重要作用的后台活动,进行有效地建模。在本文中,我们提出了一种新的框架HAM-Net,该框架包含时间软注意、半软注意和硬注意的混合注意机制。我们的时间软注意模块,在分类模块中的辅助背景类的指导下,通过为每个视频片段引入动作评分来模拟背景活动。此外,我们的时间半软和硬注意模块,计算每个视频片段的两个注意分数,有助于集中在一个动作的较少区别的帧,以捕获完整的动作边界。我们提出的方法在THUMOS14数据集上IoU阈值为0.5时至少有2.2% mAP,在ActivityNet1.2数据集上IoU阈值为0.75时至少有1.3% mAP,性能SOTA!
华为诺亚方舟实验室自动驾驶研究团队的最新自主研究成果《UCC: Uncertainty guided Cross-head Co-training for Semi-Supervised Semantic Segmentation》发表在计算机视觉领域的顶级会议CVPR 2022。
导读:当地时间 2 月 18 日,Facebook 首席首席人工智能科学家、卷积神经网络之父 Yann LeCun 在旧金山的国际固态电路大会上发表了一篇论文,分享了他关于人工智能发展的一些看法,同时也谈到自己对于芯片和硬件发展的关注和研究。
然而,网络爬虫的应用也面临着一些技术挑战和伦理问题。首先,网站所有者为了保护其数据和资源,常常采取反爬虫技术,如验证码、IP封锁等,增加了爬虫的访问难度。其次,大规模数据处理和存储也是网络爬虫所面临的挑战之一,需要考虑数据清洗、去重和分布式存储等技术手段。此外,网络爬虫在抓取数据过程中,可能会涉及个人隐私信息的收集,版权和知识产权的侵犯,以及对网络资源消耗的影响,因此需要严格遵守相关法律法规,尊重用户权益,确保合法合规的数据获取和使用。
作者:Zhuang Liu, Zhiqiu Xu, Joseph Jin, Zhiqiang Shen, Trevor Darrel
谷歌给TensorFlow加入了计算机图形处理功能TensorFlow Graphics,让神经网络可以更好地理解计算机世界里的图形操作。
使用内窥镜视频的高质量三维重建在许多临床应用中发挥着重要作用,例如作为直接的录像记录进行手术指导。在内窥镜视频的多视点三维重建中,很多方法表现不佳。部分原因是,面对缺乏纹理的解剖学表面,建立成对的点对描述进行3D重建比较困难。基于学习的稠密描述符通常具有更大的接受域,可以对全局信息进行编码,从而消除匹配的歧义。在本文中,提出了一种有效的自监督训练方案和设计了一种新的可以用于稠密点云描述子学习的loss方法。通过比较一个鼻窦内窥镜的数据集的局部和高密度描述,证明本文提出的稠密描述符可以推广到更多的患者和范围,从而在模型密度和完整性方面极大地提高了SfM的性能。同时,在公共密集光流数据集和小型的SfM公共数据集上评估了本文方法,进一步证明了该方法的有效性和通用性。
机器之心报道 编辑:赵阳 ConvNeXt 模型更新了! 经过几十年的基础研究,视觉识别领域已经迎来了大规模视觉表征学习的新时代。预训练的大规模视觉模型已经成为特征学习(feature learning)和视觉应用的基本工具。视觉表征学习系统的性能在很大程度上受到三个主要因素的影响:模型的神经网络架构、训练网络的方法以及训练数据。每个因素的改进都有助于模型整体性能的提高。 神经网络架构设计的创新在表征学习领域一直发挥着重要作用。卷积神经网络架构(ConvNet)对计算机视觉研究产生了重大影响,使得各种视觉识
**数据收集**:这是机器学习项目的起点,涉及从各种来源获取数据。数据的质量直接影响模型的性能,因此需要确保数据的相关性、完整性和准确性。
自编码器(Autoencoder)是一种无监督学习算法,广泛应用于数据的表示学习和降维。自编码器通过将输入数据压缩为低维编码,然后再将其重新构建为与原始数据尽可能相似的输出。本文将详细探讨自编码器在无监督学习和降维中的应用。
人工智能(Artificial Intelligence,AI)是当今科技领域的热门话题之一,而神经网络和机器学习作为AI的两个重要分支,在解决各种问题中发挥着重要作用。本文将详细介绍神经网络和机器学习的基本概念,帮助读者更好地理解这两个领域,并通过Python代码实例进行说明。
两年前我写了篇关于货币的未来的文章,我认为比特币不会成为一种主流货币。现在很清楚了比特币实际上已经失败了,比特币社区发展的重要支撑因素正在消失。 比特币失败的原因有很多,包括治理机制,缺乏技术基础设施
【导读】Yann Lecun在纽约大学开设的2020春季《深度学习》课程,干货满满。在课程网站上出了最新的中文版课程笔记。
从简单的图像和行为识别,可以像文字搜索一样搜索图像,还能后期“无中生有”各种各样的效果。
今天(2023.1.9) arXiv.CV 上有7篇医学影像处理与识别相关论文。不过粗略看来,医学影像类的论文,很多都是直接使用已有模型(甚至都不是最先进的模型),加以应用就可以了。
近期,深圳大学医学部生物医学工程学院梁臻博士(张治国教授团队MIND LAB核心成员)提出一种实用的基于无监督学习的卷积循环混合生成对抗网络,用以实现有效的脑电特征表征与融合,简称为EEGFuseNet。EEGFuseNet以无监督的方式进行训练和学习,并自动提取涵盖空间和时间动态变化性的深度EEG特征。与现有传统脑电特征相比,所提取的深度EEG特征被证实更具通用性,并且不受限于特定的脑电任务。
这篇文章有4篇论文速递信息,涉及胶囊网络、迁移学习、优化CNN和手指检测等方向(含一篇NIPS 2017、一篇ICMR 2018和一篇 VCIP 2017)。
近年来,伴随着深度学习技术的成熟以及计算机算力的增长,人工智能技术在各行业的业务场景中实现了快速的普及和落地。在人工智能技术进一步落地实践的背景下,将会为行业带来什么样的变革与技术创新,成为了大家共同关心的问题。
计算机科学作为一门科学始于20世纪60年代。计算机科学的重点是编程语言、编译器、操作系统以及为这些领域提供支撑的数学理论。理论计算机科学课程涵盖有限自动机、正则表达式、无语境式语言和可计算性等。
其实大部分人都是这样的,即便是我们这些技术宅,第一次听到深度学习的时候也是一脸懵逼,觉得很高大上,然而并不知道它到底是干啥的。
传统的股票时间序列预测主要依赖统计和计量经济学方法,如自回归滑动平均模型(ARMA-GARCH)、向量自回归模型(VAR)、状态空间模型、扩散模型和误差修正向量模型(VECM)。这些模型通过识别金融系列中的模式和波动性,对市场进行分析和预测。随着机器学习的发展,决策树、支持向量机(SVM)等方法逐渐受到重视。近年来,深度学习技术如循环神经网络(RNN)、卷积神经网络(CNN)和Transformer模型的应用显著提升了股票时间序列预测的精度和效率。GPT-3、GPT-4和LLaMA等大型语言模型在解析复杂数据关系方面表现出色,推动了时间序列数据转化为文本序列的创新。
ChatGPT丨小智ai丨chatgpt丨人工智能丨OpenAI丨聊天机器人丨AI语音助手丨GPT-3.5丨开源AI平台
“他山之石,可以攻玉”,站在巨人的肩膀才能看得更高,走得更远。在科研的道路上,更需借助东风才能更快前行。为此,我们特别搜集整理了一些实用的代码链接,数据集,软件,编程技巧等,开辟“他山之石”专栏,助你乘风破浪,一路奋勇向前,敬请关注!
本文首发于 【集智书童】,白名单账号转载请自觉植入本公众号名片并注明来源,非白名单账号请先申请权限,违者必究。
编辑 | 萝卜皮 应用物理和工程中的许多问题都涉及从数据中学习物理位移场。粒子图像测速(PIV)是实验流体动力学中至关重要的一种方法,在汽车、航空航天和生物医学工程等众多领域均有应用。 德国亚琛工业大学的研究人员提出了一种基于深度神经网络的端到端学习位移场的方法,重点关注粒子图像测速的具体情况。 该研究以「Deep recurrent optical flow learning for particle image velocimetry data」为题,于 2021 年 7 月 20 日发布在《Natu
AI 研习社按:本文原载于 kdnuggets,由林立宏、吴楚编译。 将汽车内外传感器的数据进行融合,借此评估驾驶员情况、进行驾驶场景分类,都要用到机器学习。本文中,我们讲解了不同的自动驾驶算法。 自动驾驶汽车的设计制造面临着诸多挑战,如今,各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU(电子控制单元)已经整合了传感器数据处理,如何充分利用机器学习完成新的任务,变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合,借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达,雷达,摄
概要:不同的自动驾驶算法。 来源:雷锋网 将汽车内外传感器的数据进行融合,借此评估驾驶员情况、进行驾驶场景分类,都要用到机器学习。本文中,我们讲解了不同的自动驾驶算法。 自动驾驶汽车的设计制造面临着诸多挑战,如今,各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU(电子控制单元)已经整合了传感器数据处理,如何充分利用机器学习完成新的任务,变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合,借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达,雷达,摄像头或者是物联网。 车载
AI科技评论按:本文原载于 kdnuggets,由林立宏、吴楚编译。 将汽车内外传感器的数据进行融合,借此评估驾驶员情况、进行驾驶场景分类,都要用到机器学习。本文中,我们讲解了不同的自动驾驶算法。 自动驾驶汽车的设计制造面临着诸多挑战,如今,各大公司已经广泛采用机器学习寻找相应的解决方案。汽车中的ECU(电子控制单元)已经整合了传感器数据处理,如何充分利用机器学习完成新的任务,变得至关重要。潜在的应用包括将汽车内外传感器的数据进行融合,借此评估驾驶员情况、进行驾驶场景分类。这些传感器包括像激光雷达,雷达
大型基于Transformer的神经网络,例如BERT,GPT和XLNET,最近在许多NLP任务中取得了最新的成果。这些模型的成功基于通用任务(例如语言建模)和特定下游任务之间的迁移学习, 这些模型在有标记数据的静态评估集上表现出色。但是,在商业环境中部署这些模型通常会产生较差的结果。这是因为商业环境通常是动态的,并且在推理数据和训练数据之间包含连续的领域变化,例如新主题,新词汇或新写作风格等。
Matthew C. Dickson, Anna S. Bosman, Katherine M. Malan
机器学习在应用程序中的广泛使用,引起了人们对潜在安全威胁的关注。对抗性攻击( adversarial attacks)是一种常见且难以察觉的威胁手段,它通过操纵目标机器学习模型,可能会“悄悄”破坏许多数据样本。
现代机器学习模型通常使用手工设计的特征和固定的学习算法,然后针对特定的任务从零开始进行训练,特别是在可以收集大量数据和可以使用大量计算资源的很多领域,深度学习都取得了巨大的成功。然而,还有一些任务,其数据本身是稀有的,或计算资源不可用,此时让模型知道如何学习或学会学习就显得尤为重要。元学习作为当前深度学习前沿领域的推手,提供了另一种学习模式,它通过多个学习事件或相关任务来获得经验并提高未来的学习性能,这种学会学习的学习策略可以缓解数据量小和计算效率低下的问题。
选自arXiv 作者:Haichao Zhang等 机器之心编译 参与:王淑婷、路 近日,百度的研究者提出了一种交互式语言学习新方法,可通过会话游戏的方式帮助智能体学习语言,并使其具备单次概念学习的能力。目前该研究的论文已被 ACL 2018 大会接收。 语言是人类最自然的交流方式之一,通常被视为人类智能的基础。因此,对智能体来说,能够使用语言与人类进行交流至关重要。深度神经网络监督训练虽然在语言习得方面取得了令人欣慰的进展,但其在获取训练数据统计信息方面还存在问题。并且,它对新场景缺乏适应性,难以在避免低
【新智元导读】特征学习和深度学习重要会议 ICLR 2016 最佳论文,DeepMind 团队开发了一个“神经编程解释器”(NPI),能自己学习并且编辑简单的程序,排序的泛化能力也比序列到序列的 LSTM 更高。机器,已经可以取代部分初级程序员的工作了。 题目:神经程序解释器(Neural Programmer-Interpreters) 作者:Scott Reed & Nando de Freitas,Google DeepMind 摘要 我们提出了一种神经编程解释器(Neural Programmer-
在社交互动中,面部表情在非语言交流中起着至关重要的作用。 心理学家保罗·埃克曼提出,全世界的人都有七种情绪表达方式:快乐、悲伤、惊讶、恐惧、愤怒、厌恶和蔑视。 建立更好的人机交互,例如通过图像检测人类情绪,可能是一项艰巨的任务。
机器学习是一种人工智能(AI)的分支,它探索如何让计算机系统通过数据学习,从而改善其性能。简单来说,机器学习算法使计算机能够根据过去的经验(数据)自动进行学习,以便在未来做出准确的预测或决策。
安妮 维金 李杉 编译自 Medium 量子位 出品 | 公众号 QbitAI 深度学习的质疑者中有位战士。 他有底气与大牛Yann LeCun激辩AI是否需要人类的认知能力,有勇气在AlphaZer
情感分析是一种自然语言处理技术,旨在识别和理解文本中表达的情感、情绪和情感倾向。它利用计算机算法和模型来分析文本中的情感表达,以确定文本的情感状态,例如正面、负面或中性。情感分析可以帮助我们理解人们在文本中表达的情感态度,从而揭示用户对产品、服务、事件或主题的情感倾向和观点。 情感分析在自然语言处理领域具有重要性和广泛应用。首先,情感分析可以帮助企业了解用户对其产品和服务的情感反馈。通过分析用户在社交媒体、在线评论和调查问卷中的情感表达,企业可以了解用户对其产品的喜好、满意度和不满意度,从而进行改进和优化。 其次,情感分析在舆情监测和品牌管理中发挥关键作用。通过分析公众对特定事件、品牌或产品的情感反馈,可以及时了解公众对品牌形象的看法,从而进行舆情应对和品牌形象的管理。此外,情感分析在社交媒体挖掘、市场调研和消费者洞察方面也具有广泛的应用。通过分析用户在社交媒体平台上的情感表达,可以了解用户对不同产品、话题和事件的看法和情感态度,为市场调研和推广活动提供有价值的信息。 本文旨在介绍情感分析的概念和定义,强调情感分析在自然语言处理领域的重要性和应用广泛性。同时,我们将探讨情感分析的方法和技术,分析其在不同领域的应用,并讨论情感分析面临的挑战和未来发展方向。
从真实人-人对话中学习离散的对话结构图,有助于人们理解对话规律,同时也可以为生成通顺对话提供背景知识。然而,当前在开放域对话下,这一问题仍然缺乏研究。在本文中,我们从聊天语料库中无监督地学习离散对话结构,然后利用该结构来促进连贯的对话生成。为此,我们提出了一个无监督模型(DVAE-GNN),来发现多层次的离散对话状态(包括对话和句子层)以及学习不同对话状态之间的转移关系。其中,对话状态以及状态之间的转移关系组成了最终的对话结构图。进一步的,我们在两个基准语料库上进行实验,结果表明DVAE-GNN能够发现有意义的对话结构图,且使用对话结构作为背景知识可以显著提高开放域对话的多轮连贯性。
众所周知,图像分类领域有 ImageNet 数据集,自然语言处理领域有 GLUE 基准,这些基准在对应领域的进展中发挥了重要作用。终于,谷歌推出了视觉任务适应性领域的基准 VTAB(Visual Task Adaptation Benchmark),该基准有助于用户更好地理解哪些哪些视觉表征可以泛化到更多其他的新任务上,从而减少所有视觉任务上的数据需求。
TikTok听证会后美国总统拜登周一签署了一项行政命令,限制联邦政府机构使用商业间谍软件。以确保政府使用的软件符合对法治、人权和民主价值观的尊重。 该政令指出,“间谍软件生态系统”对美国政府构成了重大的安全风险,同时也存在被外国政府或外国人士不当使用的重大风险。 为此,该命令列出了商业间谍软件可能被禁止美国政府机构使用资格的各种标准。其中包括: 外国政府或个人购买商业间谍软件以针对美国政府 商业间谍软件供应商未经授权使用或披露从网络监控工具获得的敏感数据,并在外国政府控制下运作 外国网络攻击者使用商
深度学习是近年来人工智能领域的热门话题,它在图像识别、自然语言处理和推荐系统等任务中取得了显著的成就。深度信念网络(Deep Belief Networks,DBN)作为深度学习算法的一种,被广泛应用于无监督学习和特征学习任务中。本文将介绍深度信念网络的原理、结构和应用,并探讨其在深度学习领域的潜力。
CNCF 今天宣布,技术监督委员会[1](TOC)已经批准了 OpenTracing 项目的归档[2]。归档项目相当罕见,但这是一个健康的开源社区的标志。OpenTracing 是rkt[3]之后归档的第二个项目。
领取专属 10元无门槛券
手把手带您无忧上云