亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

主題： Opportunities and Challenges in Explainable Artificial Intelligence (XAI): A Survey

摘要： 如今，深度神經網絡已廣泛應用于對醫療至關重要的任務關鍵型系統，例如醫療保健，自動駕駛汽車和軍事領域，這些系統對人類生活產生直接影響。然而，深層神經網絡的黑匣子性質挑戰了其在使用中的關鍵任務應用，引發了引起信任不足的道德和司法問題。可解釋的人工智能（XAI）是人工智能（AI）的一個領域，它促進了一系列工具，技術和算法的產生，這些工具，技術和算法可以生成對AI決策的高質量，可解釋，直觀，人類可理解的解釋。除了提供有關深度學習當前XAI格局的整體視圖之外，本文還提供了開創性工作的數學總結。我們首先提出分類法，然后根據它們的解釋范圍，算法背后的方法，解釋級別或用法對XAI技術進行分類，這有助于建立可信賴，可解釋且自解釋的深度學習模型。然后，我們描述了XAI研究中使用的主要原理，并介紹了2007年至2020年XAI界標研究的歷史時間表。在詳細解釋了每種算法和方法之后，我們評估了八種XAI算法對圖像數據生成的解釋圖，討論了其局限性方法，并提供潛在的未來方向來改進XAI評估。

題目： Generative Adversarial Networks (GANs): An Overview of Theoretical Model, Evaluation Metrics, and Recent Developments

摘要：

統計信號處理和機器學習中最重要的挑戰之一是如何獲得一個生成模型，它可以生成大規模數據分布的樣本，例如圖像和演講。生成式對抗網絡(GAN)是解決這一問題的有效方法。GANs提供了一種適當的方法來學習深層表示，而不需要廣泛使用標記的訓練數據。該方法無需對概率密度函數進行精確建模就能生成大量數據，引起了計算機視覺領域眾多研究者的關注。在GANs中，生成模型是通過同時訓練生成器和鑒別器網絡的競爭過程來估計的。生成器學習生成可信的數據，鑒別器學習將生成器生成的虛假數據與真實數據樣本區分開來。鑒于近年來GANs的快速發展及其在各個領域的應用，有必要對這些網絡進行準確的研究。本文在介紹GAN的主要概念和理論的基礎上，對兩種新的深層生成模型進行了比較，并對文獻中使用的評價指標和GANs面臨的挑戰進行了說明。此外,最引人注目的GAN架構被分類和討論。最后，討論了計算機視覺的基本應用。

題目： Generative Adversarial Networks (GANs): Challenges, Solutions, and Future Directions

簡介：

生成對抗網絡（GANs）是一類新型的深度生成模型，最近受到了廣泛的關注。 GAN隱式地學習圖像，音頻和數據上的復雜和高維分布。然而，由于網絡架構的不適當設計，目標函數的使用和優化算法的選擇，在GAN的訓練中存在主要挑戰，即模式崩潰，不收斂和不穩定性。最近，為了解決這些挑戰，已經基于重新設計的網絡體系結構，新的目標函數和替代的優化算法，研究了幾種用于GAN更好設計和優化的解決方案。據我們所知，沒有現有的調查特別關注這些解決方案的廣泛而系統的開發。在這項研究中，我們對為解決GAN挑戰而提出的GAN設計和優化解決方案的進步進行了全面的調查。我們首先確定每種設計和優化技術中的關鍵研究問題，然后提出一種新的分類法，以根據關鍵研究問題構建解決方案。根據分類法，我們對每種解決方案中提出的不同GAN變體及其關系進行了詳細討論。最后，基于所獲得的見解，我們提出了這個快速發展領域中充滿希望的研究方向。

主題： GANs in computer vision: Introduction to generative learning

主要內容： 在這個綜述系列文章中，我們將重點討論計算機視覺應用程序的大量GANs。具體地說，我們將慢慢地建立在導致產生性對抗網絡(GAN)進化的思想和原則之上。我們將遇到不同的任務，如條件圖像生成，3D對象生成，視頻合成。

目錄：

• 對抗學習
• GAN(生成對抗網絡)
• 條件生成對抗網
• 基于深度卷積
• 生成對抗網絡的無監督表示學習
• Info GAN: Info最大化生成對抗網的表征學習

一般來說，數據生成方法存在于各種各樣的現代深度學習應用中，從計算機視覺到自然語言處理。在這一點上，我們可以用肉眼生成幾乎無法區分的生成數據。生成性學習大致可分為兩大類:a)變分自編碼器(VAE)和b)生成性對抗網絡(GAN)。

簡介： 生成對抗網絡（GANs）是最近的熱門研究主題。自2014年以來，人們對GAN進行了廣泛的研究，并且提出了許多算法。但是，很少有全面的研究來解釋不同GAN變體之間的聯系以及它們是如何演變的。在本文中，我們嘗試從算法，理論和應用的角度對各種GAN方法進行敘述。首先，詳細介紹了大多數GAN算法的動機，數學表示形式和結構。此外，GAN已與其他機器學習算法結合用于特定應用，例如半監督學習，遷移學習和強化學習。本文比較了這些GAN方法的共性和差異。其次，研究了與GAN相關的理論問題。第三，說明了GAN在圖像處理和計算機視覺，自然語言處理，音樂，語音和音頻，醫學領域以及數據科學中的典型應用。最后，指出了GAN未來的開放研究問題。

目錄：

報告主題： Generative adversarial networks and adversarial methods in biomedical image analysis

報告摘要： 生成對抗網絡(GANs)是深度生成模型的一個強大的子類，目前不僅受到計算機視覺和機器學習社區的廣泛關注，而且還受到醫學成像社區的廣泛關注。GANs背后的關鍵思想是兩個神經網絡共同優化:一個網絡試圖合成與真實數據點相似的樣本，而另一個網絡評估結果與樣本參考數據庫的一致性。使用GANs進行樣本合成可能用于解決大型和不同的帶注釋數據庫的不足。此外，在對抗性博弈中優化的兩個網絡的概念被用來提供額外的損失項，以提高現有圖像分析方法的性能。對抗性方法已成功地應用于典型的醫學圖像分析中，如去噪、重建、分割和檢測。此外，對抗性訓練在半監督學習和異常檢測等領域也有新的應用。在本教程中，我們將在五個部分中提供關于GANs和醫學圖像分析中的對抗方法的基礎和高級材料。我們將著重于機器學習和計算機視覺文獻中最先進的核心論文，以及它們與醫學影像分析作品的關系。為了使這些概念具體化，我們將提供一些醫學成像應用的例子，這些應用都來自我們自己的工作和其他人的工作。

邀請嘉賓：

Anirban Mukhopadhyay，達姆施塔特工業大學（德國）

Jelmer Wolterink，阿姆斯特丹大學醫學中心（荷蘭）

Konstantinos Kamnitsas，帝國理工學院（英國）

Jelmer Wolterink，阿姆斯特丹大學醫學中心（荷蘭）

A Survey on GANs for Anomaly Detection

異常檢測是當前研究領域面臨的一個重要問題。檢測和正確分類看不見的異常樣本是一個具有挑戰性的問題，多年來已經有很多方式在解決。

生成式對抗網絡(GANs)和對抗訓練過程最近已被用于面對這一任務，并產生了顯著的結果。在本文中,我們調研了主要GAN-based異常檢測方法,突出優點和缺點。我們的貢獻是主要的實證驗證GAN異常檢測模型,在不同的數據集實驗結果的增加和公眾發布一個完整的開源工具箱使用GAN進行異常檢測。

題目：High-performance medicine: the convergence of human and artificial intelligence

摘要： 人工智能的使用，尤其是深度學習子類型的使用。在醫學上，人工智能在三個層面產生影響：對臨床醫生而言，主要是通過快速，準確的圖像解釋；通過改善工作流程和減少醫療錯誤的潛力來改善衛生系統；對于患者而言，使他們能夠處理自己的數據以促進健康。本文將討論當前的局限性，包括偏見，隱私和安全性以及缺乏透明度，以及這些應用程序的未來發展方向。隨著時間的推移，準確性，生產力和工作流程的顯著改善可能會實現，但是否會用于改善患者與醫生之間的關系仍有待觀察。

作者介紹： Topol博士在Modern Healthcare 2012年的民意調查中被選為美國最具影響力的內科醫生執行官，致力于基因組和無線數字創新技術，以重塑醫學的未來。他是加利福尼亞州拉霍亞市斯克里普斯市的一名實踐心臟病專家，并因克利夫蘭診所作為心臟保健領先中心的地位而廣受贊譽。在那里，他開了一所醫學院，領導了世界范圍內的臨床試驗，以改善心臟病的治療，并率先發現了增加心臟病發作易感性的基因。