**
1.Multi-task Learning with Weak Class Labels: Leveraging iEEG to Detect Cortical Lesions in Cryptogenic Epilepsy
**
使用弱类标签的多任务学习：利用iEEG检测癫痫中的皮层病变
论文的模型提出一个多任务的学习方式，它主要在于计算了标签的可靠性，并且根据这个值进行更好的多任务学习。采用了DCNN网络结构，但是DCNN技术不是皮肤病学家在皮肤病变分析中广泛使用的工具。 这是由于皮肤镜检数据集中的人为因素，畸变和噪声所引起的挑战，这阻碍了黑色素瘤的强大检测。 此外，皮肤病变数据集中有很大变化，其中皮肤病变可能包含相似的结构特征和颜色。 例如，作为良性疾病的脂溢性角化病（SK）可能难以与黑素瘤区分开来。 因此，在传统DCNN模型的训练中必须使用大量的训练数据集，为DCNN技术的实际应用创造了障碍。
所以论文采用了多任务学习的DCNN，这个模型允许在运用不同属性做不同分类任务时共享他们提取到的特征。
主要的任务有两个：（1）皮肤损伤的分类，（2）病变形状的描绘。
该网络由用于对皮肤数据集的鲁棒分析的三个组件组成：
（1）用于皮肤病变数据中皮肤损伤边界的分割。
（2）用于将皮肤数据分类为（a）黑素瘤和（b）痣和脂溢性角化病。
（3）使用检测到的特征将皮肤镜像图像分类为（a）脂溢性角化病（b）痣和黑素瘤。
多任务网络的输出包括（a）皮肤病变的二进制掩模，（b）属于黑素瘤的皮肤病变的概率，（c）属于脂溢性角化病的皮肤病变的概率。
论文采用的模型如下图：（基于GoogleNet & U-Net ）
GoogleNet的网络：
综上，论文包含三个任务，第三个任务包含两个分类：第一个分类是分离出（a）黑色素瘤和（b）痣和脂溢性角化病；第二个分类是分离出（a）脂溢性角化病和（b）痣和黑色素瘤。
评估标准：
（1）分割是通过计算自动分割和人工分割的重叠区域来评估的（Intersection-over-Union (IoU)），该值0-1；越高越好。
（2）分类是通过计算AUC。
批注：AUC是什么？
ROC的全名叫做Receiver Operating Characteristic，其主要分析工具是一个画在二维平面上的曲线——ROC curve。平面的横坐标是false positive rate(FPR)，纵坐标是true positive rate(TPR)。对某个分类器而言，我们可以根据其在测试样本上的表现得到一个TPR和FPR点对。这样，此分类器就可以映射成ROC平面上的一个点。调整这个分类器分类时候使用的阈值，我们就可以得到一个经过(0, 0)，(1, 1)的曲线，这就是此分类器的ROC曲线。AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的performance。
实验结果：
**
Comparison of multi-task convolutional neural network (MT-CNN) and a few other methods for toxicity prediction
**
多任务卷积神经网络（MT-CNN）与其他几种毒性预测方法的比较
这篇论文主要是做毒性分析。
背景：大多数毒性试验旨在抗议人类免受化学物质引起的有害影响，传统上是以体内或体外方式进行的。然而，这种实验通常非常耗时和费力，甚至在动物试验中引起伦理问题。因此，已经开发了计算机辅助方法或计算机辅助方法来提高预测效率，而不会牺牲太多的精度。定量结构活动关系（QSAR）方法是最受欢迎和常用的方法之一。基本的QASR假设是相似的分子具有相似的活性。因此，通过研究化学结构与生物活性之间的关系，可以预测新分子的活性，而无需实际进行实验室实验。
目前已有模型大多为基于线性回归和线性判别分析的线性模型; 非线性模型，包括最近邻，支持向量机和随机森林。这些方法由于其统计性质各有优缺点。例如，线性模型忽略不同特征之间的相关性，而最邻近方法在很大程度上取决于描述符的选择。为了克服这些困难，引进了更精细，先进的机器学习方法。部分提出了多任务学习（MTL）来处理上述数据稀疏问题。 MTL的想法是从相关任务中学习所谓的“归纳偏差”，以使用相同的表示来提高准确性。换句话说，MTL旨在从多个任务中学习共享和广义的特征表示。因此，有希望在不同任务中学习共享信息，并提供更好的预测。
模型结构如下图：
**
Multi-Objective Deep Q-Learning with Subsumption Architecture
**
多目标融合subsumption框架的深度学习
…….
未完待续