A number with no recorded reason may end up deciding for a patient
Error 500 (Server Error)!!1500.That’s an error.There was an error. Please try again later.That’s all we know.
Contemporary AI lacks the imagination to diverge or negate in science
style="text-indent: 2em; "Bold projections that artificial intelligence will accelerate scientific discovery have raced ahead of evidence from working scientists, and the field still lacks large-scale, scientist-in-the-loop tests of these claims. Here we mount the largest such evaluation to date and map what AI cannot yet do
顺序推荐是推荐系统的核心任务，最近的研究越来越多地转向利用顺序模式和语义项目信息的生成推荐器。然而，这些方法通常是在一小组广泛使用的基准上进行评估的。这就提出了一个自然的问题：这些基准测试实际上需要现代生成推荐器的高级建模功能吗？我们使用有意简单的图启发式进行基准审核：仅从最后一个或两个交互的项目开始，它从几跳项目转换图中检索候选者，并根据项目特征相似性对它们进行排名。令人惊讶的是，尽管它很简单，但这种启发式方法在各种流行的顺序推荐基准上匹配或优于一组广泛的现代基线。例如，与广泛使用的 Amazon Review Sports 和 CD 数据集上的最佳竞争基线相比，它的 NDCG@10 相对改
When silence is safer: a review and decision-theoretic framework for LLM abstention in healthcare
大型语言模型 (LLM) 旨在生成用户提示的答案，这通常会促使他们做出响应，即使不确定性很高、信息不完整或拒绝更合适。在医疗保健领域，这种倾向可能是危险的：自信地陈述但不准确的医疗建议可能会造成重大伤害，因此戒烟的能力尤其重要。在本文中，我们回顾了调查医疗保健领域法学硕士放弃行为的研究。文献强调了两个主要动机：（1）不确定性驱动的弃权，即模型在置信度较低时拒绝做出响应；（2）安全驱动的弃权，即模型拒绝提供潜在有害的信息。大多数现有机制都是外在的，依赖辅助工具来确定何时弃权。我们发现最先进的法学硕士仍然难以拒绝不适当的提示，而且很少有基准评估现实医疗场景中的弃权，其表现落后于其他领域。基于这些发
Not yet: the third answer in machine intelligence
构建人工智能最困难的并不是准确性。这是克制。从结构上讲，当代系统会因为给出答案（标签、分数、自信的句子）而获得奖励，因为流利的回答被视为能力，而犹豫则被视为失败。然而，在这些系统将......还没有：机器智能的第三个答案 阅读更多 »
Not yet: the third answer in machine intelligence
构建人工智能最困难的并不是准确性。这是克制。从结构上讲，当代系统会因为给出答案（标签、分数、自信的句子）而获得奖励，因为流利的回答被视为能力，而犹豫则被视为失败。然而，在这些系统将[...]
Advancing regulatory variant effect prediction with AlphaGenome
根据 DNA 序列预测功能基因组测量结果的深度学习模型是破译遗传调控密码的强大工具。现有方法涉及输入序列长度和预测分辨率之间的权衡，从而限制了它们的模态范围和性能1,2,3,4,5。我们推出了 AlphaGenome，这是一个统一的 DNA 序列模型，它以 1 Mb 的 DNA 序列作为输入，并通过不同的模式预测数千个功能基因组轨迹，最高可达单碱基对分辨率。这些模式包括基因表达、转录起始、染色质可及性、组蛋白修饰、转录因子结合、染色质接触图、剪接位点使用以及剪接连接坐标和强度。 AlphaGenome 在人类和小鼠基因组上进行训练，在 26 项变异效应预测评估中的 25 项中匹配或超过了最强的
External validation is not a bureaucratic detail
胡安·安东尼奥·略雷特 | DOI：https://doi.org/10.21428/39829d0b.eb850608 |一个在它诞生的医院表现良好的模型只证明了一件事：它在家里也能发挥作用。考虑一下最近临床人工智能中最具启发性的失败。 Epic 脓毒症模型是一种专有的早期预警工具，已集成到数百个电子健康记录中……外部验证不是官僚细节 阅读更多 »
External validation is not a bureaucratic detail
用于诊断、预后和成像的系统已被多次部署或推广，其性能在独立测试中被证明是脆弱的。一个在它诞生的医院表现良好的模型只证明了一件事：它在家里也能发挥作用。考虑一下最近临床人工智能中最具启发性的失败。 [...]
A medical algorithm must not confuse cost with health
胡安·安东尼奥·略雷特 | DOI：https://doi.org/10.21428/39829d0b.557cee94 | 2019 年，由医生兼经济学家 Ziad Obermeyer 领导的研究团队对一种已经在美国卫生系统中悄悄运行的商业算法进行了逆向工程。该工具由 Optum 出售，帮助确定每年大约 2 亿人口中的哪些患者会……医疗算法不得将成本与健康混淆 Leer más »
A medical algorithm must not confuse cost with health
2019 年，由医生兼经济学家 Ziad Obermeyer 领导的研究团队对一种已经在美国医疗系统中悄悄运行的商业算法进行了逆向工程。该工具由 Optum 出售，帮助确定每年大约 2 亿人口中的哪些患者将被标记为需要额外的医疗护理。为了……医疗算法不得将成本与健康混淆 Leer más »
When AI sounds certain but should say “I do not know”
Juan Antonio Lloret DOI：https://doi.org/10.21428/39829d0b.6b61c462 在后来公开的内部审查中，IBM 的 Watson for Oncology 看到了一位与每天接受治疗的数千名患者非常相似的患者：一名患有肺癌的 65 岁男性，还患有严重出血。系统推荐贝伐珠单抗——一种带有明确警告的药物，禁止在……当人工智能听起来确定但应该说“我不知道”时 Leer más »
When AI sounds certain but should say “I do not know”
在后来公开的内部审查中，IBM 的 Watson for Oncology 看到了一位与每天接受治疗的数千名患者很相似的患者：一名患有肺癌的 65 岁男性，还患有严重出血。该系统推荐贝伐珠单抗——一种明确警告不要在严重出血患者中使用的药物，确切地说是[...]
Sequence Feature Extraction for Malware Family Analysis via Graph Neural Network
恶意软件对我们的设备和生活造成了很大的危害。我们迫切希望了解恶意软件的行为及其造成的威胁。恶意软件的大多数记录文件都是可变长度的、带有时间戳的基于文本的文件，例如事件日志数据和动态分析配置文件。利用时间戳，我们可以将这些数据分类为基于序列的数据，以便进行后续分析。然而，处理可变长度的基于文本的序列很困难。此外，与自然语言文本数据不同，信息安全中的大多数序列数据都具有特定的属性和结构，例如循环、重复调用、噪声等。为了深入分析 API 调用序列及其结构，我们使用图来表示序列，这可以进一步研究信息和结构，例如马尔可夫模型。因此，我们设计并实现了一个注意力感知图神经网络 (AWGCN) 来分析 API
«AutoQML，自组装电路，超参数化量子 ML 平台，使用 cirq、tensorflow 和 tfq。数以万亿的可能的量子比特注册表、门组合和矩序列，随时可以适应您的 ML 流程。在这里，我展示了气候变化、詹姆斯韦伯太空望远镜和微生物学视觉应用……[到目前为止，根据我的指标混合，具有 16 个量子比特和 [ YY ] - [ XX ] - [CNOT] 门序列的电路表现最佳...]。
Federated Learning: Issues in Medical Application
在本演讲中，将简要概述使联邦学习在现实世界中完美发挥作用的当前问题。它们与数据/系统异构性、客户端管理、可追溯性和安全性有关。此外，我们还介绍了我们目前正在开发的模块化联邦学习框架，以试验各种技术和协议来寻找上述问题的解决方案。该框架将在开发完成后向公众开放。
CNN Explainer: Learning Convolutional Neural Networks with Interactive Visualization
CNN Explainer 紧密集成了总结 CNN 结构的模型概述和按需，动态的可视化解释视图，帮助用户理解 CNN 的底层组件。通过跨抽象层次的平滑过渡，我们的工具使用户能够检查低级数学运算和高级模型结构之间的相互作用。
Between words and characters: A Brief History of Open-Vocabulary Modeling and Tokenization in NLP
在本次调查中，我们通过展示如何提出和评估基于学习分割的单词和字符混合方法以及基于子词的方法，将前神经和神经时代的几条工作线联系起来。我们得出的结论是，对于所有应用程序来说，可能永远不会有万能的解决方案，而且认真考虑标记化对于许多应用程序来说仍然很重要
