Accidental Breakthrough As Supercooled Wires Detect Near-Light-Speed Protons
研究人员发现，最初设计用于检测光子的超导纳米线光子检测器（SNSPD）也可以准确检测高能量质子。这种意外的发现可能会改变核物理，从而在极端环境中实现超敏感的测量。 Fermilab粒子探测器的突破性突破是研究宇宙基本组成部分的重要工具。他们帮助科学家分析[...]
Bioinert coated YMC Accura columns: Ideal for precise LC-MS analysis
YMC Accura 柱是研究人员处理具有挑战性的富含磷酸盐的分子或金属配位化合物的解决方案。这些生物惰性柱采用先进的惰性涂层，旨在防止峰拖尾和残留，同时提供最佳回收率。正如本技术说明中所示，它们与 MS 检测器的无缝兼容性可确保提高工作流程的准确性，使其成为高灵敏度应用的不可或缺的工具...
Solvent recycler helps big pharma improve sustainability
Biotech Fluidics 报告称，一家大型制药客户已购买 17 台 SPR-200 溶剂回收器，以提高其分析实验室中 HPLC 系统的溶剂可持续使用率。独立的 SPR-200 溶剂回收器采用外部供电，无需外部计算机，从而避免了与用户 IT 系统的潜在连接问题。SPR-200 与大多数 HPLC 系统兼容，可持续监测液相色谱仪检测器的输出信号
这篇文章演示了如何使用 Amazon Bedrock Agents、Amazon Knowledge Bases 和 RAGAS 评估指标来构建自定义幻觉检测器并使用人机交互对其进行修复。代理工作流可以通过不同的幻觉补救技术扩展到自定义用例，并提供使用自定义操作检测和缓解幻觉的灵活性。
A Simple Example Using PCA for Outlier Detection
在异常值检测之前执行 PCA 转换可提高准确性、速度和内存使用率本文继续介绍使用 PCA（主成分分析）进行异常值检测的一系列应用，紧随其后的是使用 PCA 进行异常值检测。那篇文章描述了 PCA 本身，并介绍了使用 PCA 进行异常值检测的两种主要方法：评估重构误差，以及在 PCA 转换空间上运行标准异常值检测器。它还给出了第一种方法的示例，即使用重构误差，使用 PyOD 提供的 PCA 和 KPCA 检测器可以轻松完成。本文介绍了第二种方法，我们首先使用 PCA 转换数据空间，然后在此上运行标准异常值检测。正如上一篇文章所述，在某些情况下，这可能会降低可解释性，但在准确性、执行时间和内存使用
Using PCA for Outlier Detection
一种识别数值数据中异常值的令人惊讶的有效方法PCA（主成分分析）通常用于数据科学，通常用于降维（通常用于可视化），但它实际上对于异常值检测也非常有用，我将在本文中描述它。本文延续了我的异常值检测系列，其中还包括关于 FPOF、计数异常值检测器、距离度量学习、共享最近邻和兴奋剂的文章。这还包括我书《Python 中的异常值检测》的另一段摘录。PCA 背后的想法是大多数数据集在某些列中的方差比其他列大得多，并且特征之间也存在相关性。其中一个含义是：为了表示数据，通常不需要使用尽可能多的特征；我们通常可以使用更少的特征（有时要少得多）很好地近似数据。例如，对于包含 100 个特征的数值数据表，我们可
Benchmarking Hallucination Detection Methods in RAG
评估增强 LLM 生成响应可靠性的方法。未经检查的幻觉仍然是当今检索增强生成应用中的一个大问题。本研究评估了 4 个公共 RAG 数据集中流行的幻觉检测器。使用 AUROC 和精确度/召回率，我们报告了 G-eval、Ragas 和可信语言模型等方法自动标记不正确的 LLM 响应的能力。使用各种幻觉检测方法识别 RAG 系统中的 LLM 错误。我目前在 Cleanlab 担任机器学习工程师，我为本文讨论的可信语言模型的开发做出了贡献。我很高兴介绍这种方法并在以下基准测试中与其他方法一起对其进行评估。问题：RAG 系统中的幻觉和错误众所周知，当被问到训练数据中没有很好支持的问题时，大型语言模型
Dropout: A Revolutionary Approach to Reducing Overfitting in Neural Networks
过度拟合和 Dropout 简介：在有限的数据上训练大型神经网络时，过度拟合是一个常见的挑战。当模型在训练数据上表现异常出色但无法推广到看不见的测试数据时，就会发生这种情况。出现此问题的原因是网络的特征检测器对于训练数据来说变得过于专业化，从而产生了复杂的依赖关系 Dropout：一种减少神经网络过度拟合的革命性方法首先出现在 AI Quantum Intelligence 上。
我上周在 Twitter 上发布的一些有趣链接（我也在 Mastodon、Threads、Newsmast、Bluesky 和 Post 上发布了这些链接）：难以与真人互动的青少年发现与人工智能互动更容易：https://futurism.com/the-byte/lonely-teens-friends-with-ai 关于使用人工智能生成的数据训练人工智能是否会导致问题的不同意见：https://www.theregister.com/2024/05/09/ai_model_collapse/ 澳大利亚正在认真对待深度伪造和其他人工智能生成的内容：https://www.techrep
YOLOX: Exceeding YOLO Series in 2021
我们将 YOLO 检测器切换到无锚方式，并采用其他高级检测技术，即解耦头和领先的标签分配策略 SimOTA，以在大型数据集上实现最先进的结果模型规模范围：对于只有 0.91M 参数和 1.08G FLOPs 的 YOLO-Nano，我们在 COCO 上获得了 25.3% 的 AP，比 NanoDet 高出 1.8% AP；对于业界使用最广泛的检测器之一 YOLOv3，我们对其进行了提升在 COCO 上达到 47.3% AP，比当前最佳实践高出 3.0% AP；对于参数量与 YOLOv4-CSP、YOLOv5-L 大致相同的 YOLOX-L，我们在 COCO 上以 68.9 FPS 的速度实现了
如上一篇文章所示，命名和定位图像中的单个对象是一项可以直接完成的任务。然而，这与一般的物体检测不同——一次命名和定位多个物体，没有关于应该检测多少个物体的先验信息。在这篇文章中，我们解释了编写一个基本的单次物体检测器所涉及的步骤：与 SSD（单次多框检测器）不同，但经过简化，设计不是为了获得最佳性能，而是为了易于理解。
