Using Causal Information and Local Measures to Learn Bayesian Networks
University of Waterloo(滑铁卢大学)
在以前的工作中,我们开发了一种从原始数据中学习贝叶斯网络模型的方法。这种方法依赖于众所周知的最小描述长度(MDL)原则。MDL原则特别适合这项任务,因为它允许我们以原则性的方式权衡学习网络的准确性与其实际有用性。在本文中,我们提出了一些新的结果,从我们的工作。特别是,我们提出了一种新的本地计算描述长度的方法。这使我们能够对搜索算法进行重大改进。此外,我们修改了我们的算法,以便它可以考虑领域专家可能提供的部分领域信息。描述长度的局部计算也为现有网络的局部精化打开了大门。我们的方法的可行性证明了涉及网络的实际规模的实验。
2013-03-06 cs.AI
A Bayesian Approach to Learning Causal Networks
Microsoft Research(微软研究院)
因果贝叶斯网络表示概率独立性,而因果贝叶斯网络表示因果关系。在本文中,我们将研究学习这两种类型网络的贝叶斯方法。贝叶斯方法学习因果网络是相当发达的。这些方法通常使用假设来促进先验的构建,包括参数独立性、参数模块性和似然等价性的假设。我们表明,虽然这些假设也可以适用于学习因果网络,我们需要额外的假设,以学习因果网络。我们引入了两个充分的假设,称为{em机制独立性}和{em组件独立性}。我们表明,这些新的假设,结合参数独立性,参数模块化,和似然等价,使我们能够应用学习因果网络的方法来学习因果网络。
2015-05-16 cs.AI
On tensor rank of conditional probability tables in Bayesian networks
Institute of Information Theory and Automation of the AS CR(捷克科学院信息理论与自动化研究所)
贝叶斯网络建模的一个难点是贝叶斯网络参数的获取。需要大量参数来指定具有较大父集的条件概率表(CPT)。在本文中,我们表明,贝叶斯网络的实际应用中的大多数CPT实际上可以很好地近似表,需要少得多的参数。这一观察不仅对模型启发,而且对使用这些网络进行有效的概率推理具有实际意义。
2014-09-22 cs.AI
A Knowledge Acquisition Tool for Bayesian-Network Troubleshooters
Hewlett-Packard Customer Support R&D(惠普客户支持研发部);Hewlett-Packard Company(惠普公司)
本文描述了一种基于贝叶斯网络的智能自动推理机领域知识获取工具。使用该工具不需要贝叶斯网络知识,并且可以尽可能自然和直观地指定故障排除信息。概率可以在领域专家最自然的方向上指定。因此,知识获取有效地消除了传统的知识获取贝叶斯网络的瓶颈。
2013-01-16 cs.AI
Measuring the Hardness of Stochastic Sampling on Bayesian Networks with Deterministic Causalities: the k-Test
Florida State University(佛罗里达州立大学)
近似贝叶斯推理是NP难的。Dagum和Luby定义了局部方差界(Local Variance Bound,LVB)来衡量贝叶斯网络上贝叶斯推理的近似硬度,假设网络模型严格为正的联合概率分布,即不允许零概率。本文介绍了k-检验来衡量贝叶斯网络上的推理的近似硬度与确定性的因果关系的概率分布,即当零条件概率是允许的。通过随机采样的近似是一种广泛使用的推断方法,已知该方法由于样本拒绝而效率低下。k检验预测贝叶斯网络随机抽样的拒绝率何时会低,适度,高,或者当抽样是棘手的。
2012-02-14 cs.AI
A Channel-based Exact Inference Algorithm for Bayesian Networks
Radboud University Nijmegen(奈梅亨拉德堡德大学)
本文介绍了一种新的算法,精确贝叶斯推理的基础上,最近提出的组合语义的贝叶斯网络的渠道。本文集中在这个算法背后的想法,涉及线性化(“拉伸”)的贝叶斯网络,其次是一个组合的前向状态变换和后向谓词变换,而证据是积累的道路上。在Python中的算法的原型实现的性能进行了简要的比较,一个标准的实现(pgmb):第一个结果显示竞争力的性能。
2018-04-21 cs.AI
Improved Sampling for Diagnostic Reasoning in Bayesian Networks
RMIT(皇家墨尔本理工大学)
贝叶斯网络在自动化大规模诊断推理任务中提供了巨大的潜力。吉布斯抽样是在大型的、高度互联的贝叶斯网络中进行诊断推理的主要技术。不幸的是,吉布斯采样可能需要过多的时间来生成代表性样本。在本文中,我们描述并测试了一些启发式策略,以提高采样噪声或贝叶斯网络。这些策略包括蒙特卡洛马尔可夫链抽样技术以外的吉布斯抽样。重点放在可以在分布式系统中实现的策略。
2013-02-20 cs.AI
Improving Neural Network Verification through Spurious Region Guided Refinement
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Institute of Intelligent Software(智能软件研究所);Zhejiang University(浙江大学);Singapore Management University(新加坡管理大学)
提出了一种伪区域引导的深度神经网络鲁棒性验证方法。我们的方法首先应用DeepPoly抽象域来分析网络。如果无法验证稳健性,则结果不确定。由于过度近似,抽象中的计算区域可能是虚假的,因为它不包含任何真正的反例。我们的目标是识别这种虚假的区域,并使用它们来指导抽象细化。其核心思想是利用获得的抽象约束来推断神经元的新边界。这是通过线性规划技术实现的。有了新的边界,我们迭代地应用DeepPoly,旨在消除虚假区域。我们已经在一个原型工具DeepSRGR中实现了我们的方法。实验结果表明,该算法能够有效地识别出大量虚假区域,从而显著提高了DeepPoly的精度。作为一个侧面的贡献,我们表明,我们的方法可以应用于验证定量鲁棒性。
2020-10-15 cs.AI
Improving the Accuracy of Community Detection on Signed Networks via Community Refinement and Contrastive Learning
Chungbuk National University(Chungbuk国立大学);Ulsan National Institute of Science and Technology (UNIST)(乌山国立科学技术研究院)
ReCon通过社区细化和对比学习提升带符号网络社区检测的准确性,有效增强社区检测的可靠性。
2026-01-23 cs.AI cs.SI
Bayesian Neural Networks: Essentials
IBM(国际商业机器公司)
贝叶斯神经网络利用概率层来捕获权重和激活的不确定性,并使用贝叶斯推理进行训练。由于这些概率层被设计成其确定性对应部分的直接替代,贝叶斯神经网络提供了一种直接和自然的方式来扩展传统的深度神经网络以支持概率深度学习。然而,由于贝叶斯神经网络的复杂性,理解、设计和训练贝叶斯神经网络是非常重要的。我们讨论了贝叶斯神经网络的本质,包括对偶(深度神经网络,概率模型),近似贝叶斯推理,贝叶斯先验,贝叶斯后验和深度变分学习。我们使用TensorFlow Probability API和代码示例进行说明。贝叶斯神经网络的主要问题是,深度神经网络的架构使得考虑大量连续层的不确定性变得非常冗余和昂贵。混合贝叶斯神经网络,它使用很少的概率层,公正地定位在网络中,提供了一个实用的解决方案。
2021-06-22 cs.AI cs.LG
Probabilistic Inferences in Bayesian Networks
Interdisciplinary Center for Security, Reliability and Trust(安全、可靠性与信任跨学科中心);University of Luxembourg(卢森堡大学)
贝叶斯网络是一个关于变量及其关系的完整模型,它可以用来回答关于它们的概率查询。因此,贝叶斯网络可以被认为是一种自动将贝叶斯定理应用于复杂问题的机制。在贝叶斯网络的应用中,大部分的工作都与概率推理有关。贝叶斯网络中任何一个节点的变量更新都可能导致证据在贝叶斯网络中的传播。总结了贝叶斯网络中的各种推理技术,为贝叶斯网络概率推理的算法计算提供了指导。
2010-11-05 cs.AI cs.NI
Efficient Training of Physics-Informed Neural Networks with Direct Grid Refinement Algorithm
Amphos 21 Consulting S.L.(Amphos 21咨询有限公司)
本研究针对物理 informed 神经网络(PINNs)现有自适应采样技术的局限,提出直接网格细化的自适应采样算法,兼顾计算效率与点布置,验证表明其与基准结果一致,且在高细化因子下性能优于现有方法,可提升PINNs仿真精度。
2023-06-14 cs.AI cs.LG
CEG4N: Counter-Example Guided Neural Network Quantization Refinement
Federal University of Amazonas(亚马逊联邦大学)
神经网络是基于学习的软件系统的重要组成部分。然而,它们的高计算、内存和功耗要求使得在低资源域中使用它们具有挑战性。出于这个原因,神经网络通常在部署之前被量化。现有的量化技术往往会降低网络的精度。我们提出了反例引导的神经网络量化细化(CEG 4 N)。这种技术结合了基于搜索的量化和等价性验证:前者最大限度地减少了计算需求,而后者保证了网络的输出在量化后不会改变。我们在一组不同的基准上评估CEG 4 N ~,包括大型和小型网络。我们的技术成功地量化了评估中的网络,同时生成的模型比最先进的技术准确率高出72%。
2022-07-09 cs.AI cs.LG cs.SE
BoxRL-NNV: Boxed Refinement of Latin Hypercube Samples for Neural Network Verification
Indian Institute of Technology Gandhinagar(印度理工学院甘地纳格尔分校)
BoxRL-NNV 是一个 Python 工具,通过拉丁超立方采样和 L-BFGS-B 局部优化计算输出变量边界,以检测神经网络中的安全违规,并在 ACAS Xu 基准子集上验证了有效性。
2025-02-25 cs.AI cs.LG
The Computational Power of Dynamic Bayesian Networks
University of Maryland(马里兰大学)
本文研究了定长动态贝叶斯网络的计算能力。虽然离散动态贝叶斯网络并不比隐马尔可夫模型更强大,但具有连续随机变量和连续父节点的离散子节点的动态贝叶斯网络能够执行图灵完备计算。利用现有的用于置信度传播的算法的修改版本,可以实时的进行这样的模拟。这一结果表明,动态贝叶斯网络可能比以前认为的更强大。因果模型和递归神经网络的关系也进行了讨论。
2016-03-19 cs.AI stat.ML
Learning Discrete Bayesian Networks from Continuous Data
Stanford University(斯坦福大学)
从原始数据中学习贝叶斯网络可以帮助深入了解变量之间的关系。虽然真实数据通常包含离散和连续值变量的混合,但许多贝叶斯网络结构学习算法假设所有随机变量都是离散的。因此,在学习贝叶斯网络时,连续变量经常被离散化。然而,离散化策略的选择对所得到的模型的准确性、速度和可解释性具有显著影响。针对贝叶斯网络中连续变量的离散化问题,提出了一种基于贝叶斯离散化原理的离散化方法,该方法具有二次复杂度,而不是其他标准方法中的三次复杂度。实验结果表明,该方法优于已有的最小描述长度算法。此外,本文还展示了如何将现有的方法融入到结构学习过程中,以离散化所有连续变量,同时学习贝叶斯网络结构。
2018-09-18 cs.AI cs.LG
Inference in Graded Bayesian Networks
Hamburg University of Technology(汉堡工业大学)
机器学习提供了可以从数据中学习并对数据进行推断或预测的算法。贝叶斯网络是一类图形模型,它允许通过有向无环图来表示随机变量的集合及其条件依赖关系。本文利用观测变量边际分布的热带化,给出了贝叶斯网络隐随机变量的一种推断算法。通过限制分级网络的拓扑结构,将建立分级贝叶斯网络的推理算法,该算法逐级评估隐随机变量,并以这种方式产生隐变量的最可能状态。该算法可以看作是分级贝叶斯网络的Viterbi算法的推广版本。
2018-12-23 cs.AI stat.ML
On the Relative Expressiveness of Bayesian and Neural Networks
University of California, Los Angeles(加州大学洛杉矶分校);Zhejiang University(浙江大学)
神经网络计算函数。神经网络的一个核心特性是它们是“通用逼近器“:对于给定的连续函数,存在一个神经网络,它可以任意地逼近它,只要有足够的神经元(和一些额外的假设)。相比之下,贝叶斯网络是一个模型,但它的每个查询都可以被视为计算一个函数。在本文中,我们确定了由神经网络计算的函数和由边缘贝叶斯网络查询计算的函数之间的一些关键区别,表明前者比后者更具表达力。此外,我们提出了一个简单的增强贝叶斯网络(一个测试运营商),这使得他们的边缘查询成为“通用近似。"
2018-12-21 cs.AI cs.LG
Learning Bayesian Networks with Incomplete Data by Augmentation
University of Amsterdam(阿姆斯特丹大学)
我们提出了新的算法,学习贝叶斯网络的缺失值的数据,使用数据增强的方法。通过将该问题转化为一个无数据缺失的标准贝叶斯网络学习问题,得到了一个精确的贝叶斯网络学习算法。据我们所知,这是这个问题的第一个精确算法。正如预期的那样,精确算法不能扩展到大的域。我们建立在精确的方法,使用爬山技术创建一个近似算法。该算法可扩展到大的域,只要一个合适的标准结构学习方法的完整的数据是可用的。我们进行了广泛的实验,以证明学习贝叶斯网络的好处,这种新的方法。
2016-10-09 cs.AI stat.ML
Bayesian Model Averaging Using the k-best Bayesian Network Structures
Iowa State University(爱荷华州立大学)
我们研究了从数据中学习贝叶斯网络结构的问题。我们开发了一个算法来寻找k-最好的贝叶斯网络结构。我们建议通过贝叶斯模型在k-best贝叶斯网络上平均来计算感兴趣的假设的后验概率。我们提出的实证结果结构发现几个真实的和合成数据集,并表明该方法优于模型选择方法和最先进的MCMC方法。
2012-03-15 cs.AI cs.LG stat.ML
Quasi-optimal $hp$-finite element refinements towards singularities via deep neural network prediction
Jagiellonian University(雅盖隆大学);AGH University of Science and Technology(AGH科技大学);Pontificia Universidad Católica de Valparaíso(瓦尔帕莱索天主教大学)
我们展示了如何构建深度神经网络(DNN)专家来预测给定计算问题的准最优$hp$ -细化。其主要思想是在执行自适应$hp$ -有限元法($hp$ -FEM)算法期间训练DNN专家,并在以后使用它来预测进一步的$hp$细化。对于训练,我们使用两个网格范例自适应$hp$ -FEM算法。它采用细网格为粗网格单元提供最佳的$hp$细化。我们的目标是构建DNN专家来识别粗网格元素的准最优$hp$细化。在训练阶段,我们使用直接求解器来获得细网格的解决方案,以指导粗网格单元的最佳细化。训练结束后,我们关闭自适应$hp$ -FEM算法,并继续进行DNN专家训练后提出的准最优优化。我们测试我们的方法对三维Fichera和二维L形域的问题。我们验证了收敛的数值精度相对于网格步长。我们表明,指数收敛提供的自适应$hp$ -FEM可以保留,如果我们继续细化与适当训练的DNN专家。因此,在本文中,我们表明,从自适应$hp$ -FEM,它是可能的训练DNN专家的奇异点的位置,并继续选择准最佳的$hp$细化,保持指数收敛的方法。
2022-09-13 cs.AI cs.NA math.NA
A Bayesian Approach to Learning Bayesian Networks with Local Structure
Microsoft Research(微软研究院)
最近,一些研究人员研究了使用数据来学习贝叶斯网络的技术,该网络包含存储在每个节点处的条件概率分布(CPD)的紧凑表示。这项工作的大部分集中在使用决策树表示的CPD。此外,研究人员通常应用非贝叶斯(或渐近贝叶斯)评分函数(如MDL)来评估网络对数据的拟合优度。在本文中,我们研究了贝叶斯方法来学习贝叶斯网络,包含更一般的决策图表示的CPD。首先,我们描述了如何评估后验概率,也就是这样一个网络的贝叶斯得分,给定一个数据库的观察情况。其次,我们描述了各种搜索空间,可以使用,结合评分函数和搜索过程,以确定一个或多个高分网络。最后,我们提出了一个实验评估的搜索空间,使用贪心算法和贝叶斯评分函数。
2015-05-16 cs.AI cs.LG stat.ML
The Relevance of Bayesian Layer Positioning to Model Uncertainty in Deep Bayesian Active Learning
Stanford University(斯坦福大学);NVIDIA(英伟达)
深度学习工具的主要挑战之一是它们无法捕捉模型的不确定性。虽然贝叶斯深度学习可以用来解决这个问题,但贝叶斯神经网络通常需要比确定性网络更多的时间和计算能力来进行训练。我们的工作探讨是否需要完全贝叶斯网络来成功地捕捉模型的不确定性。我们改变贝叶斯层在网络中的数量和位置,并将它们在主动学习上的性能与MNIST数据集进行比较。我们发现,我们可以充分捕捉模型的不确定性,只需使用几个贝叶斯层附近的网络输出,结合确定性和贝叶斯网络的优势。
2018-11-29 cs.AI cs.LG stat.ML
A Note on Bayesian Networks with Latent Root Variables
IDSIA(伊迪西亚研究所)
本文研究含潜在根变量的贝叶斯网络,提出经验贝叶斯网络概念,并证明原始模型似然受经验模型全局最大值支配且一致性条件等价。
2024-02-26 cs.AI cs.LG stat.ML
First-Order Bayesian Network Specifications Capture the Complexity Class PP
本文的重点是证明一种语言在复杂性类PP中,当且仅当该语言的字符串在使用无函数一阶逻辑定义的贝叶斯网络中编码有效推理。
2016-09-12 cs.AI cs.CC cs.LO
Syntactic vs Semantic Linear Abstraction and Refinement of Neural Networks
Technische Universität Dresden(德累斯顿工业大学);Technical University of Munich(慕尼黑工业大学);Masaryk University(马萨里克大学)
针对现有神经网络抽象方法规模缩减效果有限的问题,提出基于神经元线性组合的句法与语义抽象框架及精化方法,可在缩减程度与精度间实现更优平衡。
2023-07-20 cs.AI cs.LG cs.LO
ART: Abstraction Refinement-Guided Training for Provably Correct Neural Networks
Purdue University(普渡大学);Rutgers University(罗格斯大学)
人工神经网络(ANN)在各种具有挑战性的机器学习应用中已经表现出显著的实用性。虽然他们的行为的正式验证的属性是高度期望的,他们已经证明是出了名的难以推导和执行。现有的方法通常将此问题表述为事后分析过程。在本文中,我们提出了一种新的学习框架,确保这种正式的保证,强制执行的建设。我们的技术能够训练可证明正确的网络,这些网络具有广泛的安全属性,这种能力远远超出了现有的方法,而不会影响准确性。我们的关键见解是,我们可以将基于优化的抽象细化循环集成到学习过程中,并在动态构建的输入空间分区上进行操作,以协同考虑准确性和安全性目标。细化过程迭代地分割从中提取训练数据的输入空间,由这样的分区实现安全验证的功效指导。我们已经在一个工具(ART)中实现了我们的方法,并将其应用于无人驾驶飞行员防撞系统ACAS Xu数据集和碰撞检测数据集的一般安全属性。重要的是,我们的经验表明,实现安全并不以牺牲准确性为代价。我们的方法表明,抽象细化方法为构建准确和正确的机器学习网络提供了一条有意义的途径。
2020-10-01 cs.AI cs.LG cs.PL
BOREx: Bayesian-Optimization--Based Refinement of Saliency Map for Image- and Video-Classification Models
Kyoto University(京都大学)
解释由图像和视频分类模型产生的分类结果是计算机视觉中重要但具有挑战性的问题之一。已经提出了许多方法用于为此目的产生基于热图的解释,包括基于使用模型的内部信息的白盒方法的方法(例如,LRP、Grad-CAM和Grad-CAM++)和基于不使用任何内部信息的黑盒方法(例如,LIME、SHAP和RISE)。我们提出了一种新的黑盒方法BOREx(贝叶斯优化优化细化视觉模型解释)来细化任何方法产生的热图。我们的观察是,基于热图的解释可以被视为基于贝叶斯优化的解释方法的先验。基于这一观察,BOREx进行高斯过程回归(GPR),以估计给定图像中每个像素的显着性,从另一种解释方法产生的图像开始。我们的实验从统计学上证明,BOREx的改进改进了图像和视频分类结果的低质量热图。
2022-10-31 cs.AI cs.CV
Learning Hierarchical Procedural Memory for LLM Agents through Bayesian Selection and Contrastive Refinement
School of Engineering, Royal Melbourne Institute of Technology University(皇家墨尔本理工学院工程学院)
MACLA通过贝叶斯选择和对比细化方法,实现LLM代理的高效学习与持续改进,无需参数更新。
2025-12-22 cs.AI cs.LG
GRAPE: Gradient Refinement and Progress-Aware Exploitation for Query-Efficient High-Dimensional Bayesian Optimization
School of Artificial Intelligence(人工智能学院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
针对高维黑箱函数优化的查询效率问题,提出GRAPE两阶段框架,经理论与实验验证,在黑箱对抗攻击和大语言模型提示优化任务中表现优于基线方法。
2026-08-27 cs.AI cs.LG stat.ML
Connectionist Theory Refinement: Genetically Searching the Space of Network Topologies
从一组示例中学习的算法理想地应该能够利用(a)丰富的计算能力和(b)特定领域知识的可用资源来提高其泛化能力。连接主义理论细化系统,使用背景知识来选择神经网络的拓扑结构和初始权重,已被证明是有效的利用特定领域的知识,但是,大多数不利用可用的计算能力。之所以会出现这种弱点,是因为它们缺乏改进所生成的神经网络拓扑结构的能力,从而限制了泛化,特别是在给定贫乏的领域理论时。我们提出了REGENT算法,它使用(a)特定领域的知识,以帮助创建一个初始人口的知识为基础的神经网络和(b)遗传算子的交叉和变异(专为知识为基础的网络),以不断寻找更好的网络拓扑结构。三个现实世界的域上的实验表明,我们的新算法是能够显着增加泛化相比,一个标准的连接主义理论的细化系统,以及我们以前的算法不断增长的知识为基础的网络。
1997-05-01 cs.AI
A Bayesian Method for Constructing Bayesian Belief Networks from Databases
Stanford University(斯坦福大学);University of Pittsburgh(匹兹堡大学)
本文提出了一种从案例数据库中构造贝叶斯信度网的贝叶斯方法。潜在的应用包括计算机辅助假设检验、自动科学发现和概率专家系统的自动构造。结果提出了一个初步评估的算法,用于构建一个信念网络的数据库的情况下。我们在本文中的方法,以前的工作,我们讨论开放的问题。
2013-03-20 cs.AI
Knowledge Graph Refinement based on Triplet BERT-Networks
LISN, CNRS (UMR 9015), Paris Saclay University(巴黎萨克雷大学、法国国家科学研究中心LISN实验室(UMR 9015));LIPN, CNRS (UMR 7030), University Sorbonne Paris Nord(索邦巴黎北大学、法国国家科学研究中心LIPN实验室(UMR 7030))
知识图谱嵌入技术被广泛用于知识图谱细化任务,例如图完成和三重分类。这些技术旨在将知识图谱的实体和关系嵌入到低维连续特征空间中。本文采用基于transformer的三元组网络,创建一个嵌入空间,将KG中的实体或关系的信息进行聚类。它从事实中创建文本序列,并微调预先训练的基于transformer的语言模型的三元组网络。它坚持一个评估范式,依赖于一个有效的空间语义搜索技术。我们表明,这种评估协议更适合于关系预测任务的Few-Shot设置。我们提出的GilBERT方法在多个知名的基准知识图谱(如FB13,WN11和FB15K)上进行了三元组分类和关系预测任务的评估。我们表明,GilBERT实现了更好的或可比的结果,这两个细化任务的最先进的性能。
2022-11-18 cs.AI cs.CL
Bayesian Logic Programs
贝叶斯网络提供了一个优雅的形式主义表示和推理的不确定性使用概率论。它们是命题逻辑的概率扩展,因此继承了命题逻辑的一些局限性,例如难以表示对象和关系。我们引入了贝叶斯网络的一般化,称为贝叶斯逻辑程序,以克服这些限制。为了表示对象和关系,它通过在基础原子和随机变量之间建立一对一的映射,将贝叶斯网络与确定性子句逻辑相结合。我们表明,贝叶斯逻辑程序结合了确定子句逻辑和贝叶斯网络的优点。这包括模型的定量和定性方面的分离。此外,贝叶斯逻辑程序推广贝叶斯网络以及逻辑程序。所以,很多想法
2001-11-23 cs.AI cs.LO
Recursive Refinement Network for Deformable Lung Registration between Exhale and Inhale CT Scans
Columbia University(哥伦比亚大学);Columbia University Medical Center(哥伦比亚大学医学中心);University of Iowa(爱荷华大学)
近年来,基于无监督学习的医学图像配准方法得到了迅速发展。我们建议重新审视一个通常被忽视,而简单和完善的原则:递归细化变形向量场跨尺度。本文提出了一种用于无监督医学图像配准的递归精化网络(RRN),提取多尺度特征,构造归一化局部代价相关体,递归精化体变形向量场。RRN实现了CT肺部扫描的呼气-吸气对的3D配准的最新性能。在DirLab COPDGene数据集上,RRN返回的平均目标配准误差(TRE)为0.83 mm,这相当于从排行榜中呈现的最佳结果减少了13%的误差。除了与传统方法进行比较外,与基于深度学习的对等方法相比,RRN还减少了89%的错误。
2021-06-14 cs.AI cs.CV cs.LG