Dipolar Data Aggregation in the Context of Deep Learning

2018 ◽  
pp. 574-583 ◽  
Author(s):  
Leon Bobrowski ◽  
Magdalena Topczewska
Keyword(s):  
Deep Learning ◽  
Data Aggregation

scholarly journals Ordered Weighted Averaging (OWA), Decision Making Under Uncertainty, and Deep Learning: How Is This All Related?

2022 ◽  
Author(s):  
Vladik Kreinovich
Keyword(s):  
Decision Making ◽  
Deep Learning ◽  
Data Aggregation ◽  
Deep Neural Networks ◽  
Approximation Property ◽  
Weighted Averaging ◽  
Universal Approximation ◽  
Decision Making Under Uncertainty ◽  
Ordered Weighted Averaging ◽  
Research Areas

Among many research areas to which Ron Yager contributed are decision making under uncertainty (in particular, under interval and fuzzy uncertainty) and aggregation – where he proposed, analyzed, and utilized the use of Ordered Weighted Averaging (OWA). The OWA algorithm itself provides only a specific type of data aggregation. However, it turns out that if we allows several OWA stages one after another, we get a scheme with a universal approximation property – moreover, a scheme which is perfectly equivalent to deep neural networks. In this sense, Ron Yager can be viewed as a (grand)father of deep learning. We also show that the existing schemes for decision making under uncertainty are also naturally interpretable in OWA terms.

Deep Learning

2009 ◽  
Author(s):  
Stellan Ohlsson
Keyword(s):  
Deep Learning

Intelligence artificielle : le futur de l’Orthodontie ?

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau
Keyword(s):  
Big Data ◽  
Deep Learning ◽  
Intelligence Artificielle ◽  
Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Vollautomatische Quantifizierung der Volumina und Funktion des linken Ventrikels in der kardialen MRT: Evaluation eines Deep-Learning basierten Algorithmus

2020 ◽  
Author(s):  
B Böttcher ◽  
E Beller ◽  
A Busse ◽  
F Streckenbach ◽  
M Weber ◽  
...  
Keyword(s):  
Deep Learning

Primäre ZNS-Lymphome: Vollautomatisierte Detektion und Segmentierung auf multiparametrischen MRT-Datensätzen mittels Deep-Learning

2020 ◽  
Author(s):  
L Pennig ◽  
L Lourenco Caldeira ◽  
C Hoyer ◽  
L Görtz ◽  
R Shahzad ◽  
...  
Keyword(s):  
Deep Learning

Computertomografie: Bildrekonstruktion mit Deep Learning in der klinischen Routine

2020 ◽  
Author(s):  
A Heinrich ◽  
M Engler ◽  
D Dachoua ◽  
U Teichgräber ◽  
F Güttler
Keyword(s):  
Deep Learning

AUTOMATED POLYP SIZE ESTIMATION WITH DEEP LEARNING REDUCES OVERESTIMATION BIAS

2020 ◽  
Author(s):  
J Suykens ◽  
T Eelbode ◽  
J Daenen ◽  
P Suetens ◽  
F Maes ◽  
...  
Keyword(s):  
Deep Learning ◽  
Size Estimation ◽  
Polyp Size
Sign in / Sign up

Export Citation Format

Share Document