EHR（電子健康記錄）數據中的持續AKI（急性腎損傷）預測，全新、簡單的遷移學習，提高了圖像到圖像的翻譯，增強視頻中主體和行為分割，基于模型的強化學習應用于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。

新模型可以不斷預測EHR數據中住院病人的AKI

一組來自美國的研究人員最近提出了一個模型，可以根據住院患者的EHR數據持續自動預測AKI。AKI是指住院患者在幾天內腎功能突然喪失，可導致極為嚴重的醫療并發癥，因此需要立即治療。好消息是，如果被發現的及時，AKI是可以被預防的。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，因此它是預測分析的完美候選。幾個機器學習預測模型已經被建立，用于通過EHR數據預知住院病人AKI的情況。但是現有的模型只能在固定的時間范圍內預測住院病人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，因為病人情況在幾個小時內就可以顯著變化，這使得很多的AKI情況變得難以預測。

模型為住院病人持續預測AKI

在上述挑戰的激勵下，研究人員開發了一種新的模型，可以在患者住院期間出現AKI之前不斷預測AKI。新的模型方法可以在病人的數據每次發生變化時預測AKI，而不需要“等待”特定的時間來做出預測。這個模型被設計成使用EHR數據自動工作，在需要時可以觸發警報，因此不需要持續監控。測試結果顯示，對比之前的傳統預測模型，該模型具有較高的預測精度和實時性。

潛在應用與效果

這是醫療診斷里令人印象深刻的研究！由于能夠進行連續的AKI預測，新模型可以應用于回避過去的預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療成本。另外，該框架具有廣譜性，也可用于從EHR數據持續預測其他疾和障礙。

原文：

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

SiATL——最新、最簡易的遷移學習方法

許多傳統的遷移學習方法都是利用預先訓練好的語言模型（LMs）來實現的，這些模型已經非常流行，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中生成高質量的結果。

然而，現有的LMs也面臨著一些缺點，包括計算成本高和對特定任務架構的需求。另外，很多模型需要對手頭任務進行預訓練和參數調整。然而，現在情況不同了，因為研究人員最近發布了一種新的單步遷移學習方法，不需要預訓練或參數調整。此外，新方法在所有任務中都優于包括ULMFiT在內的最先進的轉移學習方法。

單步輔助損失遷移學習（SiATL）

SiATL是一種簡單而有效的遷移學習方法，它解決了災難性遺忘的問題。SiATL結合了一個特定任務的函數和一個在訓練過程中進行調整的、基于預訓練的LM的輔助LM損失，并將其權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則，同時為解決任務提供足夠的適應性。

正如在介紹中提到的，SiATL并不要求預訓練或參數調整，因此要使用起來真的非常便捷。該模型已經在大量有挑戰性的文本分類任務中進行測試，并且產生了相當有競爭力的結果，表現出其優于尋常遷移學習方法的能力。

潛在應用與效果

正如你已經知道的，模型訓練不必從零開始。SiATL能夠利用為一個任務訓練的模型，并以一種相對直接的方式將其應用到另一個領域。在數據不充分的情況下，它也可以派上用場。

對數據科學家和開發人員來說，SiATL提供了一種簡單、廉價和實用的方法來加速模型訓練，并具有遷移學習能力，從而為各種應用程序（如語音識別、智能視頻分析、問題回答系統、醫學成像等）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、人員搜索等領域的最新進展啟發，研究人員新提出了一種算法，能夠將視頻中的參與者及其動作從自然語言查詢輸入中分割出來。現存的模型主要是通過主體或成對動作的固定詞匯表來學習分割的，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了一種針對視頻進行優化的編解碼器體系結構，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標準數據集，其中包含7000多個描述視頻內容中出現的角色和動作的文本語句，以展示新模型的潛在能力。結果表明，句子引導的像素級性能明顯優于最先進的算法。

潛在效果與效應

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，是實現在視覺信號處理、高級視頻分析與處理、醫學成像、三維結構等方面更高效應用的重要資源工具。

原文：

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

針對Atari游戲的基于模型的強化學習

當涉及到學習執行復雜任務的有效策略時（例如玩Atari游戲）無模型的強化學習很合適。然而，雖然人類玩家可以在幾分鐘內學會如何玩Atari游戲，但為機器開發基于模型的RL模型是復雜的，因為它需要無數的交互和大量的訓練時間。

雖然這些方法的復雜性在近年來有了很大的降低，但與人類玩家學習Atari游戲所需的經驗相比，它的復雜性仍然要高得多。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的模擬策略強化學習（SimPLe）

研究人員專注于探索學習視頻模型如何在Atari學習環境（ALE）基準中實現學習，預算限制在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習中超越了最先進的模型。經過與現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果，相當于兩個小時的實時游戲。

潛在應用與效果

SimPLe有潛在的隨機隱變量并因此可以被應用于隨機領域。基于隨機預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境，以及用于機器人和自動駕駛等高端應用的真實世界數據。

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，包括易受環境干擾和參數選擇問題等等。也就是說，在使用激光雷達進行基于學習的測距問題上，人們的努力已經達到一定瓶頸了。

基于學習的激光雷達深度學習方法已經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督的學習框架，并面臨著將密集點云處理成深度神經網絡的挑戰。由于以前的方法依賴于有監督的學習，這種學習需要有標記序列的基本事實，因此研究人員現在已經提出了一種無監督的深度激光雷達測程法。

深度學習測程方法

DeepLo是一種新的方法，它代表了LiDAR中第一個無監督的基于學習的測程法。DeepLo將迭代最近點（ICP）技術整合到深度學習框架中，可以使用有監督或無監督的方法進行訓練。它還集成了兩個損失函數，允許在訓練階段中根據參數將模型在有監督和無監督學習之間切換。為了有效的進行無監督訓練和預測，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已經使用著名的Kitti和牛津Robotcar標準基準數據集進行了評估。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，無論配置或硬件類型如何，都可以將DeepLo用于激光雷達點云，以在模型訓練期間實現可擴展性和靈活性。

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

原文：

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

統一集成方法提高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，從而改善機器學習（ML）模型。集成方法也被用于強化學習（RL），即在不同的RL操作上使用聚合機制來實現穩定性，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

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

與傳統方法不同，新的統一方法允許人工智能設計者創建性能更好的集成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則（包括單一不可轉讓投票規則和Chamberlin-Courant規則）映射到全新的RL算法中，這些算法在測試實驗中表現出了出色的探索性行為。

潛在應用及效果

由于計算能力不斷增強，開發人員可以在合理的時間范圍內訓練大型集成學習模型，因此其應用潛力會不斷增強。

統一集成方法可用于減少訓練數據過度擬合的挑戰。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，基于財務的決策，健康應用，災害監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界的廣泛關注。而且，雖然這一領域已經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、被檢測者姿態的不確定性仍然給它的應用帶來了巨大的挑戰。當試圖判斷兩個圖像是否具有相同的身份時，這些挑戰可能會使結果出現較大偏差。

此外，由于人體目標檢測仍然使用傳統的方法，邊界框可能是不準確的，當這一缺陷結合到人體的姿勢變化時，會導致兩個圖像之間出現空間錯位。同樣，我們也不能忽視在現實的視頻監控場景中經常出現的遮擋問題。

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

屬性輔助部分檢測和改進（APDR）模型

在過去的研究中，人員再識別任務的屬性學習已經被研究過了，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習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習的感知能力公開地運用到人的識別任務中。

他們設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。

潛在應用及效果

這一新方法能夠促進人員再識別任務的執行。它對正在進行的研究工作、圖像檢索任務和視頻監控應用具有重要意義。

原文：

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

通過轉換矢量學習實現圖像到圖像的轉換

過去一段時間里人們對圖像到圖像的轉換越來越感興趣。這主要是因為基于循環一致性假設的無監督模型成功地推動了這一領域的發展。然而，上述成功僅限于特定的子領域類別，如以樣式或紋理差異為標志的領域。

最近，一組研究人員已經解決了這個具有挑戰性的問題，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性。

轉換矢量學習GAN（TraVeLGAN）

TraVeLGAN是研究人員最近發布的一種全新方法，用于實現無監督域映射。還記得傳統的GAN網絡嗎？

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

因此，這三個網絡系統使得生成器網絡不必受到當前周期一致性限制的約束。最終的結果是，生成器模型可以學習復雜域之間的映射，這些復雜域之間的映射在樣式和紋理方面有所不同。

潛在應用及效果

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

其他應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、采集樣式轉換等。