map-diff: progressive 3d pet denoising with multi-anchor guided diffusion

MAP-Diff: Multi-Anchor Guided Diffusion for Progressive 3D Whole-Body Low-Dose PET Denoising

MAP-Diff – это многоякорный механизм диффузии, предназначенный для прогрессивной 3D реконструкции целого тела при использовании низкодозной позитронно-эмиссионной томографии (ПЭТ). Он направлен на снижение уровня шума и количественных погрешностей, возникающих при низких дозах облучения. MAP-Diff использует клинически наблюдаемые промежуточные сканы с разными дозами в качестве якорей траектории и применяет временную надстройку для регуляризации процесса восстановления. Калибровка временных якорей осуществляется посредством сопоставления деградации между смоделированным диффузионным искажением и реальными парами ПЭТ с разными дозами. Модель требует только ультра-низкодозный вход и обеспечивает прогрессивное восстановление, соответствующее дозе. Эксперименты показали улучшение PSNR с 42.48 dB до 43.71 dB, увеличение SSIM до 0.986 и снижение NMAE с 0.115 до 0.103 по сравнению с 3D DDPM на внутреннем наборе данных. View on Hugging Face Read PDF

Noise-Calibrated Inference from Differentially Private Sufficient Statistics in Exponential Families

Исследователи разработали метод для анализа данных, защищенных дифференциальной конфиденциальностью, который позволяет получить достоверные результаты и оценить неопределенность. Система выпускает статистически значимые данные, а не синтетические данные, что позволяет избежать ошибок при анализе. Решение основано на освобождении конфиденциально защищенных статистических данных и последующем использовании скорректированных оценок правдоподобия. Теория, лежащая в основе метода, позволяет создавать правила для выпуска конфиденциально защищенных данных с принципиальной оценкой неопределенности. Результаты были проверены на трех экспоненциальных семействах и реальных данных переписи населения. View on Hugging Face Read PDF

According to Me: Long-Term Personalized Referential Memory QA

Представлен ATM-Bench, первый тест для вопросов и ответов с использованием памяти, который учитывает многомодальность и разнообразие источников личных данных, таких как изображения, видео и электронные письма. Он содержит около четырех лет анонимизированных личных данных и аннотированные пары вопросов и ответов с подтверждениями из памяти, включая запросы, требующие разрешения личных отсылок. Для структурирования элементов памяти из разных источников предложен Schema-Guided Memory (SGM). Эксперименты показали, что SGM превосходит Descriptive Memory. View on Hugging Face Read PDF Code

LOCUS: A Distribution-Free Loss-Quantile Score for Risk-Aware Predictions

Представлен LOCUS – инструмент для оценки надежности предсказаний машинного обучения, который не зависит от конкретного распределения данных. Он оценивает возможные потери, связанные с предсказанием, вместо неопределенности в отношении метки. LOCUS генерирует шкалу надежности для каждого входного значения и может использоваться для ранжирования, а также для определения порогового значения для отслеживания потенциально больших потерь. Эксперименты на 13 регрессионных бенчмарках показали, что LOCUS эффективно ранжирует риски и снижает частоту больших потерь. View on Hugging Face Read PDF