EHR（電子健康記錄）數(shù)據(jù)中的持續(xù)AKI（急性腎損傷）預(yù)測，全新、簡單的遷移學(xué)習(xí)，提高了圖像到圖像的翻譯，增強視頻中主體和行為分割，基于模型的強化學(xué)習(xí)應(yīng)用于Atari游戲，幾何感知的深度LiDAR測距，基于屬性的行人重識別，等等。

新模型可以不斷預(yù)測EHR數(shù)據(jù)中住院病人的AKI

一組來自美國的研究人員最近提出了一個模型，可以根據(jù)住院患者的EHR數(shù)據(jù)持續(xù)自動預(yù)測AKI。AKI是指住院患者在幾天內(nèi)腎功能突然喪失，可導(dǎo)致極為嚴重的醫(yī)療并發(fā)癥，因此需要立即治療。好消息是，如果被發(fā)現(xiàn)的及時，AKI是可以被預(yù)防的。更好的消息是，如果被快速診斷并治療，AKI或許是可痊愈的。

由于AKI的成功治療依賴于快速診斷，因此它是預(yù)測分析的完美候選。幾個機器學(xué)習(xí)預(yù)測模型已經(jīng)被建立，用于通過EHR數(shù)據(jù)預(yù)知住院病人AKI的情況。但是現(xiàn)有的模型只能在固定的時間范圍內(nèi)預(yù)測住院病人AKI，這個時間范圍可以是病人入院后24小時、48小時或更長時間。這是一個挑戰(zhàn)，因為病人情況在幾個小時內(nèi)就可以顯著變化，這使得很多的AKI情況變得難以預(yù)測。

模型為住院病人持續(xù)預(yù)測AKI

在上述挑戰(zhàn)的激勵下，研究人員開發(fā)了一種新的模型，可以在患者住院期間出現(xiàn)AKI之前不斷預(yù)測AKI。新的模型方法可以在病人的數(shù)據(jù)每次發(fā)生變化時預(yù)測AKI，而不需要“等待”特定的時間來做出預(yù)測。這個模型被設(shè)計成使用EHR數(shù)據(jù)自動工作，在需要時可以觸發(fā)警報，因此不需要持續(xù)監(jiān)控。測試結(jié)果顯示，對比之前的傳統(tǒng)預(yù)測模型，該模型具有較高的預(yù)測精度和實時性。

潛在應(yīng)用與效果

這是醫(yī)療診斷里令人印象深刻的研究！由于能夠進行連續(xù)的AKI預(yù)測，新模型可以應(yīng)用于回避過去的預(yù)測模型所面臨的諸多缺點，將住院患者從直接腎衰竭引起的眾多痛苦中拯救出來，并從根本上降低之后的醫(yī)療成本。另外，該框架具有廣譜性，也可用于從EHR數(shù)據(jù)持續(xù)預(yù)測其他疾和障礙。

原文：

https://arxiv.org/abs/1902.10228v1

SiATL——最新、最簡易的遷移學(xué)習(xí)方法

許多傳統(tǒng)的遷移學(xué)習(xí)方法都是利用預(yù)先訓(xùn)練好的語言模型（LMs）來實現(xiàn)的，這些模型已經(jīng)非常流行，并且具有翻譯上下文信息的能力、高級建模語法和語義語言特性，能夠在對象識別、機器翻譯、文本分類等許多任務(wù)中生成高質(zhì)量的結(jié)果。

然而，現(xiàn)有的LMs也面臨著一些缺點，包括計算成本高和對特定任務(wù)架構(gòu)的需求。另外，很多模型需要對手頭任務(wù)進行預(yù)訓(xùn)練和參數(shù)調(diào)整。然而，現(xiàn)在情況不同了，因為研究人員最近發(fā)布了一種新的單步遷移學(xué)習(xí)方法，不需要預(yù)訓(xùn)練或參數(shù)調(diào)整。此外，新方法在所有任務(wù)中都優(yōu)于包括ULMFiT在內(nèi)的最先進的轉(zhuǎn)移學(xué)習(xí)方法。

單步輔助損失遷移學(xué)習(xí)（SiATL）

SiATL是一種簡單而有效的遷移學(xué)習(xí)方法，它解決了災(zāi)難性遺忘的問題。SiATL結(jié)合了一個特定任務(wù)的函數(shù)和一個在訓(xùn)練過程中進行調(diào)整的、基于預(yù)訓(xùn)練的LM的輔助LM損失，并將其權(quán)重重新分配給分類器。這項改變使得它能夠保存由語言模型捕獲的語言規(guī)則，同時為解決任務(wù)提供足夠的適應(yīng)性。

正如在介紹中提到的，SiATL并不要求預(yù)訓(xùn)練或參數(shù)調(diào)整，因此要使用起來真的非常便捷。該模型已經(jīng)在大量有挑戰(zhàn)性的文本分類任務(wù)中進行測試，并且產(chǎn)生了相當(dāng)有競爭力的結(jié)果，表現(xiàn)出其優(yōu)于尋常遷移學(xué)習(xí)方法的能力。

潛在應(yīng)用與效果

正如你已經(jīng)知道的，模型訓(xùn)練不必從零開始。SiATL能夠利用為一個任務(wù)訓(xùn)練的模型，并以一種相對直接的方式將其應(yīng)用到另一個領(lǐng)域。在數(shù)據(jù)不充分的情況下，它也可以派上用場。

對數(shù)據(jù)科學(xué)家和開發(fā)人員來說，SiATL提供了一種簡單、廉價和實用的方法來加速模型訓(xùn)練，并具有遷移學(xué)習(xí)能力，從而為各種應(yīng)用程序（如語音識別、智能視頻分析、問題回答系統(tǒng)、醫(yī)學(xué)成像等）提供了更高的性能。

原文：

https://arxiv.org/abs/1902.10547v1

用一個簡單的查詢分割視頻的主體和行為

受CV和NLP對對象檢索、對象跟蹤、人員搜索等領(lǐng)域的最新進展啟發(fā)，研究人員新提出了一種算法，能夠?qū)⒁曨l中的參與者及其動作從自然語言查詢輸入中分割出來?，F(xiàn)存的模型主要是通過主體或成對動作的固定詞匯表來學(xué)習(xí)分割的，而新方法則是從自然語言輸入的查詢來推斷出分割的。不論你的輸入是一只飛翔的鳥或者跳躍的人，這一新模型都能結(jié)合視頻和語言信息來進行高層次的像素級分割。

通過一個句子分割視頻中主體和行為

提出的全卷積模型實現(xiàn)了一種針對視頻進行優(yōu)化的編解碼器體系結(jié)構(gòu)，主要組件包括文本編碼器、視頻編碼器和解碼器。新模型不是在圖像分割中，而是在視頻分割中對參與者及其行為進行優(yōu)化，使其能夠同時利用流和RGB。

研究人員擴展了A2D和J-HMDB標準數(shù)據(jù)集，其中包含7000多個描述視頻內(nèi)容中出現(xiàn)的角色和動作的文本語句，以展示新模型的潛在能力。結(jié)果表明，句子引導(dǎo)的像素級性能明顯優(yōu)于最先進的算法。

潛在效果與效應(yīng)

實驗證明了模型的實用性和魯棒性，這一成果能夠幫助研究人員和實踐者理解視頻中分割成對的主體和行為。該模型具有泛化特征，是實現(xiàn)在視覺信號處理、高級視頻分析與處理、醫(yī)學(xué)成像、三維結(jié)構(gòu)等方面更高效應(yīng)用的重要資源工具。

原文：

https://arxiv.org/abs/1803.07485v1

針對Atari游戲的基于模型的強化學(xué)習(xí)

當(dāng)涉及到學(xué)習(xí)執(zhí)行復(fù)雜任務(wù)的有效策略時（例如玩Atari游戲）無模型的強化學(xué)習(xí)很合適。然而，雖然人類玩家可以在幾分鐘內(nèi)學(xué)會如何玩Atari游戲，但為機器開發(fā)基于模型的RL模型是復(fù)雜的，因為它需要無數(shù)的交互和大量的訓(xùn)練時間。

雖然這些方法的復(fù)雜性在近年來有了很大的降低，但與人類玩家學(xué)習(xí)Atari游戲所需的經(jīng)驗相比，它的復(fù)雜性仍然要高得多。有一些基于模型的RL成功案例，比如TD-gammon。但是，后來的大多數(shù)嘗試，包括國際象棋和圍棋，都沒有這么成功。

針對Atari的模擬策略強化學(xué)習(xí)（SimPLe）

研究人員專注于探索學(xué)習(xí)視頻模型如何在Atari學(xué)習(xí)環(huán)境（ALE）基準中實現(xiàn)學(xué)習(xí)，預(yù)算限制在10萬步（大約2小時游戲時間）。

他們提出了一個完整的基于模型的深度RL算法SimPLe，它在基于模型的強化學(xué)習(xí)中超越了最先進的模型。經(jīng)過與現(xiàn)有方法的簡單測試和比較，新方法只用10萬次交互即可獲得有競爭力的結(jié)果，相當(dāng)于兩個小時的實時游戲。

潛在應(yīng)用與效果

SimPLe有潛在的隨機隱變量并因此可以被應(yīng)用于隨機領(lǐng)域?；陔S機預(yù)測模型的基于模型的RL是一種很有前途的、高效的替代無模型RL的方法，因為它可以用于生成高保真的模擬環(huán)境，以及用于機器人和自動駕駛等高端應(yīng)用的真實世界數(shù)據(jù)。

原文：

https://arxiv.org/abs/1903.00374v1

幾何感知的深度激光雷達測程法

通常，測程法模塊是基于模型的，主要使用RGB-D相機和激光雷達。雖然這樣的模塊具有很高的性能，但基于模型的方法面臨著很多挑戰(zhàn)，包括易受環(huán)境干擾和參數(shù)選擇問題等等。也就是說，在使用激光雷達進行基于學(xué)習(xí)的測距問題上，人們的努力已經(jīng)達到一定瓶頸了。

基于學(xué)習(xí)的激光雷達深度學(xué)習(xí)方法已經(jīng)在過去的許多研究工作中得到了回顧，研究人員使用一個有監(jiān)督的學(xué)習(xí)框架，并面臨著將密集點云處理成深度神經(jīng)網(wǎng)絡(luò)的挑戰(zhàn)。由于以前的方法依賴于有監(jiān)督的學(xué)習(xí)，這種學(xué)習(xí)需要有標記序列的基本事實，因此研究人員現(xiàn)在已經(jīng)提出了一種無監(jiān)督的深度激光雷達測程法。

深度學(xué)習(xí)測程方法

DeepLo是一種新的方法，它代表了LiDAR中第一個無監(jiān)督的基于學(xué)習(xí)的測程法。DeepLo將迭代最近點（ICP）技術(shù)整合到深度學(xué)習(xí)框架中，可以使用有監(jiān)督或無監(jiān)督的方法進行訓(xùn)練。它還集成了兩個損失函數(shù)，允許在訓(xùn)練階段中根據(jù)參數(shù)將模型在有監(jiān)督和無監(jiān)督學(xué)習(xí)之間切換。為了有效的進行無監(jiān)督訓(xùn)練和預(yù)測，研究人員將頂點和法向圖作為輸入，并將其用于損失計算。

DeepLo已經(jīng)使用著名的Kitti和牛津Robotcar標準基準數(shù)據(jù)集進行了評估。新的方法被證明具有更高的性能和效率。

潛在應(yīng)用及效果

自主的研究人員和工程師，以及整個人工智能社區(qū)，無論配置或硬件類型如何，都可以將DeepLo用于激光雷達點云，以在模型訓(xùn)練期間實現(xiàn)可擴展性和靈活性。

DeepLo還為他們提供了實現(xiàn)有效的同時定位和繪圖（SLAM）的能力，可用于各種應(yīng)用，如自動汽車、機器人、3D繪圖等。

原文：

https://arxiv.org/abs/1902.10562v1

統(tǒng)一集成方法提高Q-Learning性能

集成方法通過裝袋或增強來減少誤差或提高準確性，從而改善機器學(xué)習(xí)（ML）模型。集成方法也被用于強化學(xué)習(xí)（RL），即在不同的RL操作上使用聚合機制來實現(xiàn)穩(wěn)定性，提高收斂速度或改進探索行為。

但是，如果你能使用集成方法來獲得更高的性能和準確性呢？新的研究表明，你可以通過社會理論來改善Q-Learning。

組合集成方法有助于提高模型性能

一組研究者已經(jīng)證明，可以通過平行引入社會選擇理論中的委員會投票規(guī)則來實現(xiàn)很多集成方法。他們已經(jīng)將在集成方法中設(shè)計動作聚合機制的挑戰(zhàn)映射到具有不同投票規(guī)則的投票問題中，這些投票規(guī)則已經(jīng)產(chǎn)生了流行的基于集成的RL算法，例如多數(shù)投票Q-Learning或自舉Q-Learning。

與傳統(tǒng)方法不同，新的統(tǒng)一方法允許人工智能設(shè)計者創(chuàng)建性能更好的集成RL算法。例如，研究人員將兩個以多樣性為中心的委員會投票規(guī)則（包括單一不可轉(zhuǎn)讓投票規(guī)則和Chamberlin-Courant規(guī)則）映射到全新的RL算法中，這些算法在測試實驗中表現(xiàn)出了出色的探索性行為。

潛在應(yīng)用及效果

由于計算能力不斷增強，開發(fā)人員可以在合理的時間范圍內(nèi)訓(xùn)練大型集成學(xué)習(xí)模型，因此其應(yīng)用潛力會不斷增強。

統(tǒng)一集成方法可用于減少訓(xùn)練數(shù)據(jù)過度擬合的挑戰(zhàn)。此外，它們還可用于增強遙感，航拍制圖，計算機安全，欺詐檢測，人臉識別，基于財務(wù)的決策，健康應(yīng)用，災(zāi)害監(jiān)測中的變更檢測等方面。

原文：

https://arxiv.org/abs/1902.10646v1

屬性輔助部分檢測和人員再識別的改進

近年來，人員的再識別受到了研究界和業(yè)界的廣泛關(guān)注。而且，雖然這一領(lǐng)域已經(jīng)相對成熟并吸引了許多人工智能研究人員，但視覺視角的變化、被檢測者姿態(tài)的不確定性仍然給它的應(yīng)用帶來了巨大的挑戰(zhàn)。當(dāng)試圖判斷兩個圖像是否具有相同的身份時，這些挑戰(zhàn)可能會使結(jié)果出現(xiàn)較大偏差。

此外，由于人體目標檢測仍然使用傳統(tǒng)的方法，邊界框可能是不準確的，當(dāng)這一缺陷結(jié)合到人體的姿勢變化時，會導(dǎo)致兩個圖像之間出現(xiàn)空間錯位。同樣，我們也不能忽視在現(xiàn)實的視頻監(jiān)控場景中經(jīng)常出現(xiàn)的遮擋問題。

為了解決這些問題，研究人員一直在繼續(xù)尋找更好的人員再識別模型，包括采用深度學(xué)習(xí)特征表示。

屬性輔助部分檢測和改進（APDR）模型

在過去的研究中，人員再識別任務(wù)的屬性學(xué)習(xí)已經(jīng)被研究過了，并且在被視為中級語義特征時顯示出了巨大的潛力。

研究人員使用屬性學(xué)習(xí)過程作為定位器來處理偏差問題。這是算法史上首次將屬性學(xué)習(xí)的感知能力公開地運用到人的識別任務(wù)中。

他們設(shè)計了一個簡單但有效的模型來通過屬性識別人。為了進行有效的表示，模型會利用融合后的屬性信息過濾掉不可用的信息。APDR已經(jīng)在兩個流行的基準上進行了全面的測試，其中包括Market-1501和DukeMTMC-reID。與最先進的模型相比，該模型具有有效性和競爭力。

潛在應(yīng)用及效果

這一新方法能夠促進人員再識別任務(wù)的執(zhí)行。它對正在進行的研究工作、圖像檢索任務(wù)和視頻監(jiān)控應(yīng)用具有重要意義。

原文：

https://arxiv.org/abs/1902.10528v1

通過轉(zhuǎn)換矢量學(xué)習(xí)實現(xiàn)圖像到圖像的轉(zhuǎn)換

過去一段時間里人們對圖像到圖像的轉(zhuǎn)換越來越感興趣。這主要是因為基于循環(huán)一致性假設(shè)的無監(jiān)督模型成功地推動了這一領(lǐng)域的發(fā)展。然而，上述成功僅限于特定的子領(lǐng)域類別，如以樣式或紋理差異為標志的領(lǐng)域。

最近，一組研究人員已經(jīng)解決了這個具有挑戰(zhàn)性的問題，并通過一個全新的模型證明了域可以通過樣式和紋理來定義，從而包含任何圖像混亂和異質(zhì)性。

轉(zhuǎn)換矢量學(xué)習(xí)GAN（TraVeLGAN）

TraVeLGAN是研究人員最近發(fā)布的一種全新方法，用于實現(xiàn)無監(jiān)督域映射。還記得傳統(tǒng)的GAN網(wǎng)絡(luò)嗎？

它引入了一個鑒別器網(wǎng)絡(luò)來引導(dǎo)生成器在目標域生成圖像。TraVeLGAN在原始的兩個網(wǎng)絡(luò)中添加了第三個網(wǎng)絡(luò)——一個siamese網(wǎng)絡(luò)——作為生成器的指導(dǎo)，這樣每個原始圖像都可以與其相應(yīng)的生成版本共享語義。

因此，這三個網(wǎng)絡(luò)系統(tǒng)使得生成器網(wǎng)絡(luò)不必受到當(dāng)前周期一致性限制的約束。最終的結(jié)果是，生成器模型可以學(xué)習(xí)復(fù)雜域之間的映射，這些復(fù)雜域之間的映射在樣式和紋理方面有所不同。

潛在應(yīng)用及效果

TraVeLGAN無疑將圖像和對象操作提升到了另一個層次。人工智能社區(qū)可以應(yīng)用這一方法在一個圖像集合中捕獲特殊特征，并將它們轉(zhuǎn)換為完全不同的圖像集合。

其他應(yīng)用還包括繪畫中的圖片生成、一般圖像處理、圖像增強、圖像中的顏色和紋理變化、對象變形、自動駕駛場景的翻譯、采集樣式轉(zhuǎn)換等。