OpenFGL: A Comprehensive Benchmark for Advancing Federated Graph Learning
图神经网络 (GNN) 已成为捕获现实世界实体中复杂交互并在各个业务领域中找到应用程序的强大工具。这些网络擅长通过对节点特征和结构洞察进行编码来生成有效的图实体嵌入，这使得它们对于许多下游任务非常有用。GNN 已成功实现节点级金融欺诈检测，文章 OpenFGL：推进联邦图学习的综合基准首先出现在 AI Quantum Intelligence 上。
Heatmap for Confusion Matrix in Python | by Michał Marcińczuk, Ph.D. | Sep, 2024
一张图片胜过千言万语。 图片来自作者 混淆矩阵是一种方便的方式来呈现机器学习模式所犯的错误类型。 它是一个带有数字的 N x N 网格，其中 [n, m] 单元格中的值表示用第 n 个注释的示例数。 帖子 Python 中混淆矩阵的热图 | 作者 Michał Marcińczuk，博士 | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
DriveGenVLM: Advancing Autonomous Driving with Generated Videos and Vision Language Models VLMs
将先进的预测模型集成到自动驾驶系统中对于提高安全性和效率至关重要。基于摄像头的视频预测成为关键组件，提供丰富的现实世界数据。人工智能生成的内容目前是计算机视觉和人工智能领域的一个主要研究领域。然而，生成照片般逼真和连贯的视频帖子 DriveGenVLM：使用生成的视频和视觉语言模型 VLM 推进自动驾驶首先出现在 AI Quantum Intelligence 上。
Why Ratios Trump Raw Numbers in Business Health | by Shirley Bao, Ph.D. | Sep, 2024
了解比率是深入了解企业健康状况和推动更明智决策的关键 图片来自 Pixabay 的 Jill Wellington 想象你是一个有两个苹果园的农民。有一天，你决定数一数每个果园里的苹果。果园 A 有 1,000 个苹果，而果园 B 只有 500 个。乍一看，文章为什么比率在商业健康中胜过原始数字 | 作者 Shirley Bao，博士 | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
混沌顺序传播 (SPoC) 是一种用于求解平均场随机微分方程 (SDE) 及其相关非线性福克-普朗克方程的最新技术。这些方程描述了受随机噪声影响的概率分布的演变，在流体动力学和生物学等领域至关重要。解决这些 PDE 的传统方法面临着挑战，因为它们的 DeepSPoC：将混沌顺序传播与深度学习相结合以有效解决平均场随机微分方程首先出现在 AI Quantum Intelligence 上。
Guided Reasoning: A New Approach to Improving Multi-Agent System Intelligence
来自 Logikon AI, KIT 的 Gregor Betz 介绍了引导推理。如果一个代理（称为引导）主要与其他代理合作以改进其推理能力，则具有多个代理的系统就是引导推理系统。具有引导代理和至少一个客户端代理的多代理系统称为引导推理。引导推理：一种改进多代理系统智能的新方法一文首先出现在 AI Quantum Intelligence 上。
Guided Reasoning: A New Approach to Improving Multi-Agent System Intelligence
来自 Logikon AI, KIT 的 Gregor Betz 介绍了引导推理。如果一个代理（称为引导）主要与其他代理合作以改进其推理，则具有多个代理的系统是引导推理系统。具有引导代理和至少一个客户端代理的多代理系统称为引导推理帖子引导推理：一种改进多代理系统智能的新方法首先出现在 AI Quantum Intelligence 上。
An Introduction to Bayesian A/B Testing | by Laurin Brechter | Sep, 2024
从数据中获取更好的见解 A/B 测试（也称为拆分测试）允许企业尝试不同版本的网页或营销资产，以确定哪个版本在用户参与度、点击率以及最重要的转化率方面表现更好。转化率——完成预期目标的访问者百分比 帖子《贝叶斯 A/B 测试简介》| 作者 Laurin Brechter | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
An Introduction to Bayesian A/B Testing | by Laurin Brechter | Sep, 2024
从数据中获取更好的见解 A/B 测试（也称为拆分测试）允许企业尝试不同版本的网页或营销资产，以确定哪个版本在用户参与度、点击率以及最重要的转化率方面表现更好。转化率——完成预期任务的访客百分比 帖子《贝叶斯 A/B 测试简介》| Laurin Brechter | 2024 年 9 月首次出现在 AI Quantum Intelligence 上。
大气环流模型 (GCM) 构成了天气和气候预测的支柱，利用数值求解器进行大规模动力学计算，并利用参数化进行小规模过程（如云形成）。尽管不断改进，GCM 仍面临重大挑战，包括长期气候预测和极端天气事件中持续存在的错误、偏差和不确定性。最近的机器学习 (ML) 模型取得了显著的成功。Google AI 推出 NeuralGCM：一种基于机器学习 (ML) 的模拟地球大气的新方法，该文章首次出现在 AI Quantum Intelligence 上。
Medical Image Denoising with CNN. In this article, I will discuss… | by Rabeya Tus Sadia | Jul, 2024
在本文中，我将讨论使用 CNN 对 CT 图像进行去噪的不同方法以及一些传统方法。Daniel Öberg 在 Unsplash 上的照片使用卷积神经网络 (CNN) 对 CT 图像进行去噪代表了医学成像技术的重大进步。CT（计算机断层扫描）扫描对于诊断和监测各种医疗状况非常有用，文章使用 CNN 对医学图像进行去噪。在本文中，我将讨论……| 作者 Rabeya Tus Sadia | 2024 年 7 月首次出现在 AI Quantum Intelligence 上。
Visualizing Data: A Statology Primer
作者 | Midjourney & Canva KDnuggets 的姊妹网站 Statology 拥有由专家撰写的广泛可用的统计相关内容，这些内容是在短短几年内积累起来的。我们决定通过组织文章“可视化数据：Statology 入门”来帮助我们的读者了解这个统计、数学、数据科学和编程内容的绝佳资源，该文章首次出现在 AI Quantum Intelligence 上。
Visualizing Data: A Statology Primer
图片作者 | Midjourney & Canva KDnuggets 的姊妹网站 Statology 拥有大量由专家撰写的统计相关内容，这些内容是在短短几年内积累起来的。我们决定通过组织文章《可视化数据：Statology 入门》来帮助我们的读者了解这个统计、数学、数据科学和编程内容的宝贵资源，该文章首先出现在 AI Quantum Intelligence 上。
Spatial Index: Space-Filling Curves | by Adesh Nalpet Adimurthy | Jun, 2024
多维数据的空间索引和空间填充曲线 12 分钟阅读 · 2024 年 6 月 11 日 由于 Web 服务跟踪用户在何时何地做事，空间数据迅速增长（/正在增长）。大多数应用程序都会添加位置标签，并且通常允许用户在特定地点和时间签到。这种激增很大程度上归功于智能手机，文章空间索引：空间填充曲线 | 作者：Adesh Nalpet Adimurthy | 2024 年 6 月首次出现在 AI Quantum Intelligence 上。
ProcTag: A Data-Oriented AI Method that Assesses the Efficacy of Document Instruction Data
有效评估文档指令数据以训练文档视觉问答 (VQA) 中的大型语言模型 (LLM) 和多模态大型语言模型 (MLLM) 是一项重大挑战。现有方法主要是面向文本的，侧重于指令的文本内容而不是执行过程，这限制了它们全面评估质量和功效的能力。文章 ProcTag：一种评估文档指令数据功效的数据导向型 AI 方法首先出现在 AI Quantum Intelligence 上。
How to Convert Image to Text in Microsoft Word
图像无处不在 - WhatsApp 转发、餐厅收据、客户电子邮件和您的员工身份证。图像是跨渠道沟通的最常见形式。但如何将这些图像转换为可编辑的 Word 文件？在本文中，我们将学习如何使用 Microsoft Word 将图像转换为文本。虽然这种方法文章《如何在 Microsoft Word 中将图像转换为文本》首先出现在 AI Quantum Intelligence 上。
在计算化学中，分子通常表示为分子图，必须将其转换为多维向量才能进行处理，特别是在机器学习应用中。这是使用将分子结构编码为向量的分子指纹特征提取算法实现的。这些指纹对于化学信息学中的任务至关重要，例如化学空间多样性、聚类、虚拟筛选、Scikit-fingerprints：用于高效分子指纹计算和与机器学习管道集成的高级 Python 库首先出现在 AI Quantum Intelligence 上。
研究人员正在努力应对异构时间序列数据中因果关系发现的挑战，其中单一因果模型无法捕捉到不同的因果机制。基于结构因果模型、条件独立性检验和 Granger 因果关系的传统时间序列数据因果发现方法通常假设整个数据集的因果结构统一。然而，现实世界的场景 UCSD 研究人员提出了一种基于通用变分推理的框架 (MCD) 来推断潜在的因果模型以及每个样本的混合概率 这篇文章首先出现在 AI Quantum Intelligence 上。
