Human activity recognition based on time series analysis using U-Net
传统的基于时间序列的人类活动识别使用的是移动窗口分析法,这种方法面临多类窗口的问题,会对不同的采样点进行错误的标签分类。在这篇论文中,来自北邮的研究人员提出了基于U-Net的人类活动识别算法,可以在每个采样点对活动打上标签,并进行预测。
地址:https://arxiv.org/abs/1809.08113
Benchmarking Reinforcement Learning Algorithms on Real-World Robots
最近模拟、无模型的强化学习成为解决机器人控制任务的有效方法。受益于学习算法的开源和多种标准的模拟人物,很多研究者都能够重复生产学习算法,并大家自己的模型。为了进一步推动算法在现实中的实现,将模拟算法应用于现实的机器人之上是非常重要的。但是强化学习在现实中的应用很有限。在这篇论文中,研究人员提出了多种强化学习任务,可用于商用机器人,具备多个水平的学习难度、设置和可重复性。
地址:https://arxiv.org/abs/1809.07731
A universal SNP and small-indel variant caller using deep neural networks
虽然基因序列技术已有很大的进步,但是想从数十亿个短序列中精确找出基因变体是非常困难的任务。这里,我们提出了一种深度卷积神经网络,可以通过学习图像之间的数据关系,找出基因变体,这种方法称为DeepVariant,比目前其他的方法都要优秀。
地址:https://www.nature.com/articles/nbt.4235.epdf?author_access_token=q4ZmzqvvcGBqTuKyKgYrQ9RgN0jAjWel9jnR3ZoTv0NuM3saQzpZk8yexjfPUhdFj4zyaA4Yvq0LWBoCYQ4B9vqPuv8e2HHy4vShDgEs8YxI_hLs9ov6Y1f_4fyS7kGZ