- Многозадачное обучение для улучшения обнаружения поздней механической активации сердца с помощью Cine DENSE MRI (arXiv)
Автор: Цзяруй Син, Шо Ван, Кеннет К. Билчик, Фредерик Х. Эпштейн, Амит Р. Патель, Мяомяо Чжан.
Резюме: Выбор оптимального места стимуляции, которое в идеале не должно иметь рубцов и поздно активируется, имеет решающее значение для ответа на сердечную ресинхронизирующую терапию (СРТ). Несмотря на успех современных подходов, формулирующих обнаружение таких областей поздней механической активации (LMA) как проблему регрессии времени активации, их точность остается неудовлетворительной, особенно в случаях, когда существует рубец миокарда. Чтобы решить эту проблему, в этой статье представлена многозадачная система глубокого обучения, которая одновременно оценивает количество LMA и классифицирует области LMA без рубцов на основе кодирования смещения кинофильма со стимулированным эхом (DENSE) и магнитно-резонансной томографии (МРТ). Благодаря недавно представленной вспомогательной подсети классификации областей LMA предложенная нами модель демонстрирует большую устойчивость к сложному паттерну, вызываемому рубцом миокарда, значительно устраняет их негативные эффекты при обнаружении LMA и, в свою очередь, повышает эффективность классификации рубцов. Чтобы оценить эффективность нашего метода, мы тестируем нашу модель на реальных МР-изображениях сердца и сравниваем прогнозируемую LMA с современными подходами. Это показывает, что наш подход позволяет существенно повысить точность. Кроме того, мы используем градиентно-взвешенное отображение активации классов (Grad-CAM) для визуализации карт признаков, изученных всеми методами. Экспериментальные результаты показывают, что предложенная нами модель лучше распознает структуру региона LMA.
2. Точное сопоставление и создание пакетов посредством многозадачного обучения с частично общими параметрами (arXiv).
Автор: Хёнсик Чон, Чон Ги Чан, Тэхун Ким, Ю Кан
Аннотация: Как мы можем точно рекомендовать пользователям существующие пакеты? Как мы можем создавать новые индивидуальные пакеты для пользователей? Рекомендация пакета или группы различных товаров привлекла широкое внимание в электронной коммерции из-за возросшей удовлетворенности как пользователей, так и поставщиков. Сопоставление пакетов и создание пакетов — две характерные задачи в рекомендации пакетов. Задача сопоставления пакетов состоит в том, чтобы правильно сопоставить существующие пакеты с пользователями, а задача создания пакетов — создать новые пакеты, которые предпочтут пользователи. Хотя во многих недавних работах были разработаны модели рекомендаций по пакетам, они не могут достичь высокой точности, поскольку не эффективно обрабатывают разнородные данные и не изучают метод индивидуальной генерации пакетов. В этой статье мы предлагаем BundleMage — точный подход для сопоставления и генерации пакетов. BundleMage эффективно смешивает предпочтения пользователей в отношении предметов и пакетов, используя технику адаптивных ворот для достижения высокой точности сопоставления пакетов. BundleMage также генерирует персонализированный пакет, изучая модуль генерации, который использует предпочтения пользователя и характеристики данного неполного пакета, который необходимо завершить. BundleMage еще больше повышает свою производительность за счет многозадачного обучения с частично общими параметрами. Благодаря обширным экспериментам мы показываем, что BundleMage достигает до 6,6% более высокого уровня nDCG при сопоставлении пакетов и в 6,3 раза выше nDCG при создании пакетов, чем лучшие конкуренты. Мы также предоставляем качественный анализ того, что BundleMage эффективно генерирует пакеты, учитывая как вкусы пользователей, так и характеристики целевых пакетов.
