首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

PNAS:描绘自杀想法的时间尺度

本研究旨在利用实时监测数据和多种不同的分析方法,确定自杀思维的时间尺度。参与者是105名过去一周有自杀念头的成年人,他们完成了一项为期42天的实时监测研究(观察总数=20,255)。参与者完成了两种形式的实时评估:传统的实时评估(每天间隔数小时)和高频评估(间隔10分钟超过1小时)。我们发现自杀想法变化很快。描述性统计和马尔可夫转换模型都表明,自杀念头的升高状态平均持续1至3小时。个体在报告自杀念头升高的频率和持续时间上表现出异质性,我们的分析表明,自杀念头的不同方面在不同的时间尺度上运作。连续时间自回归模型表明,当前的自杀意图可以预测未来2 - 3小时的自杀意图水平,而当前的自杀愿望可以预测未来20小时的自杀愿望水平。多个模型发现,自杀意图升高的平均持续时间比自杀愿望升高的持续时间短。最后,在统计建模的基础上,关于自杀思想的个人动态的推断显示依赖于数据采样的频率。例如,传统的实时评估估计自杀欲望的严重自杀状态持续时间为9.5小时,而高频评估将估计持续时间移至1.4小时。

03

CVPR 2020 | 一种频域深度学习

深度神经网络在计算机视觉任务中取得了显著的成功。对于输入图片,现有的神经网络主要在空间域中操作,具有固定的输入尺寸。然而在实际应用中,图像通常很大,必须被降采样到神经网络的预定输入尺寸。尽管降采样操作可以减少计算量和所需的通信带宽,但它会无意识地移除冗余和非冗余信息,导致准确性下降。受数字信号处理理论的启发,我们从频率的角度分析了频谱偏差,并提出了一种可学习的频率选择方法,可以在不损失准确性的情况下移除次相关的频率分量。在下游任务中,我们的模型采用与经典神经网络(如ResNet-50、MobileNetV2和Mask R-CNN)相同的结构,但接受频域信息作为输入。实验结果表明,与传统的空间降采样方法相比,基于静态通道选择的频域学习方法可以实现更高的准确性,同时能够减少输入数据的大小。具体而言,在相同的输入尺寸下,所提出的方法在ResNet-50和MobileNetV2上分别实现了1.60%和0.63%的top-1准确率提升。当输入尺寸减半时,所提出的方法仍然将ResNet-50的top-1准确率提高了1.42%。此外,我们观察到在COCO数据集上的分割任务中,Mask R-CNN的平均精度提高了0.8%。

04

学界 | 深度神经网络为什么不易过拟合?傅里叶分析发现固有频谱偏差

众所周知,过参数化的深度神经网络(DNN)是一类表达能力极强的函数,它们甚至可以以 100% 的训练准确率记住随机数据。这种现象就提出了一个问题:为什么它们不会轻易地过度拟合真实数据?为了回答这个问题,我们使用傅立叶分析研究了深度神经网络。我们证明了具有有限权重(或者经过有限步训练)的深度神经网络天然地偏向于在输入空间上表示光滑的函数。具体而言,深度 ReLU 网络函数的一个特定频率分量(k)的大小至少以 O(k^(-2))的速率衰减,网络的宽度和深度分别以多项式和指数级别帮助网络对更高的频率建模。这就说明了为什么深度神经网络不能完全记住 delta 型的峰函数。我们的研究还表明深度神经网络可以利用低维数据流形的几何结构来用简单的函数逼近输入空间中存在于简单函数流形上的复杂函数。结果表明,被网络分类为属于某个类的所有样本(包括对抗性样本)都可以通过一条路径连接起来,这样沿着该路径上的网络预测结果就不会改变。最后,我们发现对应于高频分量的深度神经网络(DNN)参数在参数空间中所占的体积较小。

01

智能分层存储,自动优化您的存储成本

关注腾讯云大学,了解行业最新技术动态 近日,腾讯云正式发布对象存储新品——智能分层存储,能够根据用户数据的访问模式,自动地转换数据的冷热层级,为用户提供与标准存储一致的低延迟和高吞吐的产品体验,同时具有更低的存储成本。 熟悉数据存储的用户都知道,访问频度高的数据为热数据,访问频度低的数据为冷数据。热数据使用标准存储类型存储,可以得到更优的访问体验;而冷数据一般用低频存储或归档存储类型,可以节省存储成本。 随着业务的发展,热数据会降冷,冷数据也有回热的可能性,虽然目前对象存储COS 持针对对象配置指定的规则

02

达观数据分享文本大数据的机器学习自动分类方法

随着互联网技术的迅速发展与普及,如何对浩如烟海的数据进行分类、组织和管理,已经成为一个具有重要用途的研究课题。而在这些数据中,文本数据又是数量最大的一类。文本分类是指在给定分类体系下,根据文本内容自动确定文本类别的过程(达观数据科技联合创始人张健)。文本分类有着广泛的应用场景,例如: ●新闻网站包含大量报道文章,基于文章内容,需要将这些文章按题材进行自动分类(例如自动划分成政治、经济、军事、体育、娱乐等) ●在电子商务网站,用户进行了交易行为后对商品进行评价分类,商家需要对用户的评价划分为正面评价和负面评价

011

科学瞎想系列之一一二 NVH那些事(15)

上一期讲了声波的一些传播特性,本期讲一讲声波的起源。众所周知,振动产生噪声,也就是说声波是由振动引起的,那么自然就会提出一个问题——振动和噪声的关系问题。即在介质的某处,若已知质点的振动,如何推算和评估所产生的噪声,或已知某处的噪声如何得知该点的振动。 1 振动与噪声的定量换算 我们知道,描述振动的特征量包括频率、振动位移、振动速度和振动加速度;描述噪声的特征量包括频率、声压、声强和声功率以及反映声音响度的声压级、声强级、声功率级等声级指标,振动作为噪声之母,振动和因之引起的噪声的频率自然就是一样的,这是它们之间的“遗传代码” 是它们的DNA,工程实践中也经常会用噪声的频谱来分析寻找振动源,这个不用换算。这里主要讲的是振动速度、加速度和噪声的声压、声强之间的换算关系,现就平面声波做一介绍。 假设介质中存在一个无穷大平面的振动,我们可以把它看作是一个无穷大平面的活塞在往复运动(振动),其振动的频率为f,振动的位移随时间按正弦规律变化,就会在介质中产生一个平面声波,设声波沿x轴方向传播,其波动方程为: y=Y•sin(ωt-Kx) ⑴ 式中:y为在x处的质点振动位移;Y为振幅;x为质点位置;ω为振动角频率,ω=2πf=2π/T,T为振动的周期;系数K=2π/λ,λ为声波的波长。则声速: C=ω/K=λ•f ⑵ 而振动速度为: y′=Эy/Эt=ω•Y•cos(ωt-Kx) ⑶ 振动速度的幅值: Y′=ω•Y ⑷ 由⑵、⑷式可见,振动速度和声速是两码事,二者不能混淆。振动形成的压强(声压)为: p=-E•ΔV/V=-E•Эy/Эx ⑸ 式中:E为介质的弹性模量,即介质中的应力与应变之比 ,它是材料的固有参数;ΔV/V为介质因受压力的变化而产生的体积变化率,数值上ΔV/V=Эy/Эx。 将⑴式代入⑸式得: p=E•K•Y•cos(ωt-Kx) =Pm•cos(ωt-Kx) ⑹ 式中:Pm=E•K•Y为最大声压。 我们知道,声强为单位面积上的声功率,而功率等于力与速度乘积,即声强等于单位面积上的压力(声压)乘以质点的振动速度,即声强: i=p•y′ =ω•E•K•Y²•cos²(ωt-Kx) ⑺ 平均声强为: I=(1/2)•ω•E•K•Y² =(1/2)•ω•Pm²/(E•K) ⑻ 将声速C=(E/ρ)^(1/2)代入⑻式,得: I=(1/2)•Pm²/(ρ•C) = P²/(ρ•C) ⑼ 式中:P为声压的有效值,即方均根值;ρ为介质的密度;ρ•C为介质的声学特性阻抗,20℃下空气的ρ•C=408 kg/(m²•s)。 综合以上各式,可得无穷大平面声波声强与振动的关系为: I=(1/2)•ω•E•K•Y² =(1/2)•2πf•C•ρ•(2π/λ)•Y² =2ρCπ²f²Y² =816π²f²Y² ⑽ 由⑽式可见,无穷大平面声波的声强与振动速度(f•Y)的平方成正比,由于声强是指单位面积上的声功率,代表了声波传递的能量,这就得出了我们前面所说的,振动速度是反映伴振动的能量。需要特别强调一下,⑽式是基于无穷大平面振动推导得到的振动与噪声的关系,适用于平面型辐射器,例如:当电机的尺寸远大于声波波长时,就可以把电机看作是一个平面型辐射器。对于其它类型的声波辐射器(如中小型电机)不适用,需要进行一定的修正(后续文章会详述),但⑽式是基础,是一个非常重要的公式,希望宝宝们牢记,后面还会经常用到。 这样枯燥的推导可能宝宝们很难直观感受多大的振动能够引起多大的噪声,为此我们举个例子来直观感受一下: 设一个振幅为Y=10^(-10)米、f=1000Hz的振动,则可以引起的声强为: I=816•π²•1000²•10^(-20) =8.05*10^(-11) 瓦/米² 其声强级为: Li=10•lg[8.05*10^(-11)/10^(-12)]=19.05dB。 也就是说当空气的振幅为1/10纳米(相当于分子直径级别的振幅)时,就会产生19.05dB的噪声,人耳可以清晰地听到。对于电机机壳的振动,通常振幅在微米级,假设是1微米吧,如果频率仍然是1000Hz,那么产生的声强为8.05*10^(-3)瓦/米²,对应的声强级可达99dB(A),99分贝是个什么概念啊,大概是在歌舞厅距离音响1米处的噪声,达到了非常吵闹的环境级别,我国环境标准规定在这样的环境中,每天不得超过一刻到半个小时,否则经过二三十年的长期暴露,会严重损伤听觉!由此可见只要频率较高(中频),微小的振动都会引起强烈的噪声。 2 振动和噪声的关系 上面

02

文本数据的机器学习自动分类方法(上)

【编者按】:随着互联网技术的迅速发展与普及,如何对浩如烟海的数据进行分类、组织和管理,已经成为一个具有重要用途的研究课题。而在这些数据中,文本数据又是数量最大的一类。以统计理论为基础,利用机器学习算法对已知的训练数据做统计分析从而获得规律,再运用规律对未知数据做预测分析,已成为文本分类领域的主流。InfoQ联合“达观数据“共同策划了《文本数据的机器学习自动分类方法》系列文章,为您详细阐述机器学习文本分类的基本方法与处理流程。 本文为第一部分,着重介绍文本预处理以及特征抽取的方法。第二部分将会着重介绍特征向量

06
领券