机构名称：
¥ 3.0
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
主要关键词
![用于人工智能和神经形态计算的硅光子学 Bhavin J. Shastri 1,2、Thomas Ferreira de Lima 2、Chaoran Huang 2、Bicky A. Marquez 1、Sudip Shekhar 3、Lukas Chrostowski 3 和 Paul R. Prucnal 2 1 加拿大安大略省金斯顿皇后大学物理、工程物理和天文学系，邮编 K7L 3N6 2 普林斯顿大学电气工程系，邮编 新泽西州普林斯顿 08544，美国 3 加拿大不列颠哥伦比亚大学电气与计算机工程系，邮编 BC 温哥华，邮编 V6T 1Z4 shastri@ieee.org 摘要：由神经网络驱动的人工智能和神经形态计算已经实现了许多应用。电子平台上神经网络的软件实现在速度和能效方面受到限制。神经形态光子学旨在构建处理器，其中光学硬件模拟大脑中的神经网络。 © 2021 作者 神经形态计算领域旨在弥合冯·诺依曼计算机与人脑之间的能源效率差距。神经形态计算的兴起可以归因于当前计算能力与当前计算需求之间的差距不断扩大 [1]、[2]。因此，这催生了对新型大脑启发算法和应用程序的研究，这些算法和应用程序特别适合神经形态处理器。这些算法试图实时解决人工智能 (AI) 任务，同时消耗更少的能量。我们假设 [3]，我们可以利用光子学的高并行性和速度，将相同的神经形态算法带到需要多通道多千兆赫模拟信号的应用，而数字处理很难实时处理这些信号。通过将光子设备的高带宽和并行性与类似大脑中的方法所实现的适应性和复杂性相结合，光子神经网络有可能比最先进的电子处理器快至少一万倍，同时每次计算消耗的能量更少 [4]。一个例子是非线性反馈控制；这是一项非常具有挑战性的任务，涉及实时计算约束二次优化问题的解。神经形态光子学可以实现新的应用，因为没有通用硬件能够处理微秒级的环境变化 [5]。](/simg/d/d0b24e3de4e984953fcbe1080336ba472eefd4f9.png)
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
![人工智能在预测整形外科皮瓣结果中的作用：系统评价方案 Sabreena Moosa，医学博士候选人 [1]*，Robert Dydynsky，医学博士候选人 [1] [1] 麦克马斯特大学 Michael G. DeGroote 医学院，汉密尔顿，ON L8S 4K1 *通讯作者：sabreena.moosa@medportal.ca 简介：游离皮瓣手术包括重建各种组织缺损。皮瓣失败和感染、缺血等并发症仍然是皮瓣手术后令人担忧的问题，目前的术后标准护理是频繁的床边监测。机器学习模型等人工智能可以帮助外科医生进行术后监测和预测并发症。本系统评价的目的是为分析使用人工智能评估皮瓣手术结果和预测术后并发症的现有文献提供框架。方法：将使用 EMBASE 和 MEDLINE（1974 年至 2021 年 10 月）进行系统评价以确定相关文献。这将包括研究皮瓣手术术后环境中使用的人工智能和机器学习模型。主要结果将包括评估基于这些模型评估皮瓣手术后结果的准确性，包括：皮瓣成功率、愈合情况和术后 1 个月内的并发症。次要结果包括效益分析](/simg/e/e9689b8e3c5cc5a4c1f68e573ab7a476c9a26886.png)
![第 9 章 巴甫洛夫、斯金纳和其他行为主义者对人工智能的贡献 *** Witold Kosinski 和 Dominika Zaczek-Chrzanowska 波兰-日本信息技术研究所，波兰-日本计算机技术研究中心 ul. Koszykowa 86, 02-008 Warszawa wkos@pjwstk.edu.pl mado@pjwstk.edu.pl 摘要 将在真实和人工系统的背景下提供一种智能行为的定义。将简要介绍学习原理，从巴甫洛夫的经典条件作用开始，到桑代克和斯金纳的强化反应和操作性条件作用，最后到托尔曼和班杜拉的认知学习。本文将描述行为主义中最重要的人物，尤其是那些对人工智能做出贡献的人物。本文将介绍一些根据这些原理行事的人工智能工具。本文将尝试说明何时一些简单的行为修改规则可以导致复杂的智能行为。 1. 智能：描述 毫无疑问，行为主义者对人工智能的发展做出了巨大贡献。动物学习理论的证据，尤其是行为主义者发现的学习规律，多年来吸引了人工智能领域的研究人员，许多模型都以此为基础。智能是一个复杂而有争议的概念，因此很难用一个简单的定义来概括它。根据 Jordan 和 Jordan [1] 的说法，将智能视为我们用来描述具有一定质量的行为的概念是恰当的。在这方面应该使用两个标准，即速度（即代理执行需要智力的特定任务的速度）和能力（即代理可以执行的任务的难度）。另一方面，我们可以找到另一种智能定义，即执行认知过程的能力。有三个基本的认知过程：1) 抽象，2) 学习，3) 处理新颖性。该领域的杰出研究人员对智力给出了许多定义，例如，它被定义为：](/simg/6/627f48c0041fd2d34b503b6ed02bb4f19b9f3644.png)
![征文：教育和教育研究中的人工智能国际研讨会 (AIEER) AIEER 2024 教育和教育研究中的人工智能国际研讨会是第 27 届欧洲人工智能会议 ECAI 2024 [https://www.ecai2024.eu/] 的一部分。本次研讨会定于 2024 年 10 月 19 日至 20 日星期六和星期日举行。 研讨会范围 本次研讨会有两个不同的重点，旨在更广泛地面向教育人工智能领域。 第 1 部分。由社会科学主导的讨论，讨论人工智能应用可能有助于解决的教育中的实际问题。这包括教育和教学人工智能的研究，也包括社会科学、经济学和人文学科，包括所有学科，如教育和教学实际行动、以教育需求为重点的劳动力市场研究、教育史和相关教育文化遗产，以及决策和行为科学观点的信息预测。一方面，我们关注人工智能、教育和社会之间的联系。这包括定量和定性研究、分析教育和劳动力市场数据的数据科学方法、推荐系统的人工智能方法以及数字化学习。另一方面，我们关注如何使用人工智能来突破该领域的界限。这包括开发新方法（包括使用人工智能的方法）、寻找和提供可访问的新数据源、丰富数据等等。在这两种情况下，不同观点之间的沟通和相互理解至关重要，这也是本次研讨会的目标之一。更广泛地说，我们感兴趣的是人工智能方法如何影响教育的所有领域以及企业和劳动力市场。这包括从小学到高等教育的所有教育部门如何受到人工智能方法的影响和对其作出反应的方法。用人工智能方法设计数字化未来为教育提出了几个问题：在最广泛的层面上，立法和规范问题；在公司层面，关于投资决策以及如何保持生产力和劳动力的问题；在个人层面，关于资格以及哪些技能需要应用和可能重新学习的问题。因此，技能和资格是教育和教育研究中人工智能的核心。第 2 部分。关于可以开发哪些人工智能应用程序（以及如何开发）来解决第 1 部分提出的问题的（计算机科学主导）讨论。使用基于人工智能的系统来支持教学或学习已经发展了 40 多年，但近年来，由于 COVID-19 大流行期间电子学习工具的使用增加以及最近生成人工智能的爆炸式增长，其增长显着增加。我们正处于这一领域发展的关键时刻，人工智能专家和教育专家必须携手合作，以在教学过程中最佳地利用这项技术。本次研讨会旨在为展示新提案和反思这一具有如此社会意义的领域的最新技术创造空间。在第一部分中，我们特别关注人工智能的技术方面，重点关注用于内容创建（生成式人工智能）、学生分析（机器学习）、学习分析或教师可解释的人工智能方法的具体技术](/simg/9/997626a7f59d17e25a28a70110fbadb440a4a51a.png)
![初步沟通 基于人工智能的车载自动列车障碍物距离估计 Ivan ĆIRIĆ*、Milan PAVLOVIĆ、Milan BANIĆ、Miloš SIMONOVIĆ、Vlastimir NIKOLIĆ 摘要：本文提出了一种新方法，利用图像平面单应性矩阵来改进对摄像机和成像物体之间距离的估计。该方法利用两个平面（图像平面和铁轨平面）之间的单应性矩阵和一个人工神经网络，可根据收集的实验数据减少估计误差。SMART 多传感器车载障碍物检测系统有 3 个视觉传感器——一个 RGB 摄像机、一个热成像摄像机和一个夜视摄像机，以实现更高的可靠性和稳健性。虽然本文提出的方法适用于每个视觉传感器，但所提出的方法是在热成像摄像机和能见度受损场景下进行测试的。估计距离的验证是根据从摄像机支架到实验中涉及的物体（人）的实际测量距离进行的。距离估计的最大误差为 2%，并且所提出的 AI 系统可以在能见度受损的情况下提供可靠的距离估计。 关键词：人工神经网络；自动列车运行；距离估计；单应性；图像处理；机器视觉 1 简介 通过遵循自动化趋势，可以大大提高铁路货运的质量和成本竞争力，以实现经济高效、灵活和有吸引力的服务。今天，自动化和自主操作已经在公路、航空和海运中变得普遍。现代港口拥有自动导引车 (AGV)，可将集装箱从起重机运送到轨道旁、仓库、配送中心，而自动驾驶仪是航空公司和大型货船的标准配置，不需要大量机上人员。自动驾驶汽车和卡车的发展已经进入了一个严肃的阶段。此外，轨道交通自主系统的发展主要出现在公共交通服务领域（无人驾驶地铁线路、轻轨交通 (LRT)、旅客捷运系统和自动引导交通 (AGT)）。基本思想是使用一定程度的自动化，将操作任务从驾驶员转移到列车控制系统（例如 ERTMS）。根据国际电工委员会 (IEC) 标准 62290-1，列车自主运行 (ATO) 是高度自动化系统的一部分，减少了驾驶员的监督 [1]。对于完全自主的列车运行，列车操作员的所有活动和职责都需要由多个系统接管，这些系统可以感知环境并俯瞰现场，检测列车路径上的潜在危险物体并做出相应的正确反应 [2-6]。障碍物检测系统作为 ATO 系统的主要部分，障碍物检测系统需要根据货运特定和一般用例（例如 EN62267 和/或自动化领域的相关项目）来监控环境。为了满足严格的铁路标准和法规，障碍物检测系统 (ODS) 应在具有挑战性的环境和恶劣的能见度条件下工作。ODS 是一种具有硬件和软件解决方案的机器视觉系统（图 1），用于提供有关铁路上和/或其附近障碍物的可靠信息，并估算从系统到检测到的障碍物的距离 [7]。该系统需要实时运行，并在不同的光照条件下运行（白天、](/simg/4/4b79ebb2e692147077c5f05290fe6b1288b2aad1.png)
