XiaoMi-AI文件搜索系统
World File Search System两类
本文件是评审团批准的长期工作成果...
我们的工作是在自动说话人识别的背景下。我们认为该领域的研究可以分为两类。第一组包括在自动语音识别背景下开发或验证的技术的实现，例如动态规划、隐马尔可夫模型或神经网络。这些方法隐式地使用了对话者可变性。第二类包括试图从语音信号中提取最能描述说话者的声学和语音参数的研究。这些研究试图明确地利用对话者之间的差异和说话者自身的差异。我们的工作属于后一类。
单次试验脑电图分类研究
研究已经证实，在导航任务中，可以区分大脑对观察正确和错误动作的反应。此外，这些分类可以用作基于学习的 BCI 的反馈，让真实或虚拟机器人找到到达目标的准最佳路线。然而，在导航时，不仅要知道我们正朝着正确的方向朝着目标前进，还要知道我们何时到达目标。我们要求参与者观察一个虚拟机器人执行一维导航任务。我们记录了脑电图，然后对两类正确动作的反应进行了神经生理学分析：靠近目标但未到达目标的动作和到达目标的动作。此外，我们使用了时域特征的逐步线性分类器，在单次试验的基础上区分类别。第二个数据集也用于进一步测试这种单次试验分类。我们发现，在运动到达目标的情况下，P300 的幅度明显更大。有趣的是，我们能够对观察两类正确运动时引起的脑电图信号进行分类，两组数据的平均总体准确率分别为 66.5% 和 68.0%，所有参与者的准确率都高于偶然水平。作为概念验证，我们证明了使用单次试验脑电图可以对观察这些不同正确运动时产生的脑电图反应进行分类。这可以用作基于学习的 BCI 的一部分，并为更自主的 BCI 导航系统打开了一扇新的大门。
一个单级分类器，用于检测GAN操纵多光谱卫星图像
摘要：当前的图像生成模型已经实现了非常现实的图像质量，提供了许多学术和工业应用。但是，为了确保这些模型用于良性目的，必须开发最终检测图像是否已合成生成的工具。因此，已经开发了几个在计算机视觉应用中表现出色的检测器。但是，这些检测器不能直接应用，因为它们是多光谱卫星图像，因此需要对新模型进行训练。虽然两类分类器通常达到高检测精度，但它们努力将图像域和与训练过程中遇到的形象不同的生成体系结构推广。在本文中，我们提出了一个基于量化量化的变异自动编码器2（VQ-VAE 2）功能的单级分类器，以克服两类分类器的局限性。我们首先要突出二进制分类器所面临的概括问题。通过在多个多光谱数据集中训练和测试有效网络架构来证明这一点。然后，我们说明，基于VQ-VAE 2的分类器，该分类器仅在原始图像上进行了培训，可以检测来自不同领域的图像，并由训练过程中未遇到的体系结构生成。最后，我们在同一生成的数据集上的两个分类器之间进行了面对面的比较，强调了基于VQ-VAE 2的检测器的出色概括能力，在使用vQ-ve-vae 2的探测器时，我们在使用蓝色和红色通道的0.05误报率为1时以1.05的误报率进行了检测。
关于人工智能中的对抗性示例和隐形攻击......
摘要 — 在本文中，我们提出了一个正式的理论框架，用于评估和分析针对通用人工智能 (AI) 系统的两类恶意行为。我们的结果适用于从输入空间映射到决策空间的通用多类分类器，包括深度学习应用中使用的人工神经网络。考虑两类攻击。第一类涉及对抗性示例，涉及引入导致错误分类的输入数据的小扰动。第二类是首次引入的，称为隐形攻击，涉及对 AI 系统本身的小扰动。在这里，受扰动的系统会在特定的小数据集（甚至可能是单个输入）上产生攻击者想要的任何输出，但在验证集（攻击者不知道）上表现正常。我们表明，在两种情况下，即在基于对抗性示例的攻击和隐形攻击的情况下，人工智能决策空间的维数是人工智能易受攻击的主要原因。对于基于对抗性示例的攻击，第二个关键参数是数据概率分布中不存在局部集中，这一属性称为“弥散绝对连续性”。根据我们的研究结果，对抗性示例的鲁棒性要求 (a) 人工智能特征空间中的数据分布具有集中的概率密度函数，或 (b) 人工智能决策变量的维数足够小。我们还展示了如何构建对高维人工智能系统的隐形攻击，除非验证集呈指数级增长，否则很难发现这些攻击。索引术语 — 对抗性示例、对抗性攻击、随机分离定理、人工智能、机器学习
关于父母和看护者使用的人工智能
在当今世界，了解人工智能非常重要。父母可以通过不同的方式与孩子分享这些知识。大多数课程分为两类：职业优势和人工智能设计、科学与技术。在这些课程中，您的孩子将学会确保他们找到和使用的信息是值得信赖的。还有其他课程可以培养孩子的数字技能。您的孩子可以了解数字设备的工作原理、计算机如何做出决策以及如何独立。隐私和匿名等问题属于网络安全的一部分。学习人工智能可以帮助学生做出明智的选择，确定何时使用人工智能，何时不想使用人工智能。
2021 年重新评估规则、标准时间表...
房地产可分为两类：土地和改良物。土地可定义为地球表面及其边界内和边界上无限延伸的一切。一块土地的形状可描述为一个倒金字塔，其顶点位于地球中心，向上延伸穿过地表进入太空。多年来，法院施加了某些法律限制，例如飞机飞越土地的权利。改良物（土地改良物，例如铺路、围栏、建筑物和景观）由固定于房地产并成为房地产一部分的不可移动物品组成。“永久固定”是指所有者的初衷和改良物的经济寿命，而不是永久固定。
外包首席投资官的演变...
这两类客户都希望实现这一点。即使是市场上最大的参与者（按资产管理规模计算），只要他们有专注的战略，这一点也显而易见。例如，贝莱德 9 利用阿拉丁的风险管理能力，在固定收益和固定缴款领域脱颖而出，在这些领域，降低投资组合风险和负债驱动投资方面的帮助是关键。而在捐赠和基金会领域，先锋 10 和罗素投资 11 已开始通过投资提供实时分配、建议和风险视图的技术来脱颖而出，这些对于这一客户领域来说都很重要。
废水资产管理计划 - 斯坦顿市
我们的废水账单涵盖了我们的成本。我们将废水账单分为两类：服务准备 (RTS) 费用和商品费用。RTS 费用用于支付我们对实物资产的投资，包括我们的收集系统、抽水站和废水处理厂。我们需要在收集和处理废水之前就位这些资产。无论我们产生的废水量有多少，我们都必须维护它们。商品费用基于用水量，它反映了收集、泵送和处理废水的成本。它是两个成本类别中较小的一个。住宅、商业、工业等用户类别根据他们产生的废水量和类型付费。
比较胰高血糖素样肽-1 受体激动剂与钠-葡萄糖协同转运蛋白-2 抑制剂在射血分数保留的心力衰竭中的疗效：
射血分数保留的心力衰竭 (HFpEF) 是充血性心力衰竭的一种亚型，其特点是射血分数正常。与其发展相关的合并症通常包括糖尿病、高血压和肥胖等限制心脏充盈压的慢性疾病。由于射血分数降低的心力衰竭 (HFrEF) 一直是大量研究的主题，医生在治疗 HFpEF 患者时一直面临着缺乏有效治疗干预措施的问题。近年来，越来越多的研究旨在确定 HFpEF 的有效治疗药物。钠-葡萄糖协同转运蛋白-2 (SGLT-2) 抑制剂和胰高血糖素样肽-1 (GLP-1) 受体激动剂最初是为治疗糖尿病而开发的，即使在没有糖尿病的情况下，也显示出对 HFpEF 的临床结果有所改善。本系统综述旨在收集和分析对这两类药物的随机对照试验和观察性研究的证据。在进行这项全面的系统评价时，我们遵循了系统评价和荟萃分析的首选报告项目 (PRISMA) 2020 指南。为了查找所有相关研究，我们搜索了三个主要医学数据库，包括 Web of Science、Cochrane 临床对照试验中心注册库 (CENTRAL) 和 PubMed (NCBI)。我们已确定了 13 项关于这两类药物的研究，其中一些研究有助于制定当前的 HFpEF 管理指南。我们使用质量评估工具（包括 Cochrane 偏倚风险 2 工具和纽卡斯尔-渥太华量表工具）审查了纳入研究的质量，以确保透明度并限制偏见，从而获得更可靠的发现。大多数关于 SGLT-2 抑制剂的研究表明，住院率和症状负担（以堪萨斯城心肌病问卷 (KCCQ) 评分衡量）和功能能力（以 6 分钟步行测试距离衡量）显着降低。 GLP-1 受体激动剂也改善了症状评分和功能能力，特别是在肥胖患者中，尽管住院率的降低仍不清楚。两类药物的功能能力和症状评分均有所改善，尽管一些指标在各项研究中并不一致具有统计学显著性。由于缺乏对两种药物进行比较的试验，因此一种药物优于另一种药物仍无定论。此外，GLP-1 受体激动剂的研究较晚，因此有必要对这类药物进行进一步研究，以评估长期结果、对非肥胖患者的疗效以及与 SGLT-2 抑制剂的联合使用。
生物医学信号处理与控制 - MIP：实验室
脑电图 (EEG) 数据包含复杂的时空结构，可反映大脑活动的持续组织。空间模式表征是众多 EEG 处理流程中不可或缺的步骤。我们提出了一种将 EEG 数据转换为频谱表示的新方法。首先，我们从每个受试者的 EEG 数据中学习特定于受试者的图。其次，通过对每个受试者图的归一化拉普拉斯矩阵进行特征分解，获得正交基，使用该基可以分解受试者的任何给定 EEG 图，从而提供数据的频谱表示。我们表明 EEG 图的能量与学习基的低频分量密切相关，反映了 EEG 图的平滑地形。作为这种 EEG 数据替代视图的概念验证，我们考虑解码两类运动想象 (MI) 数据的任务。为此，首先将频谱表示映射到判别子空间中，以使用由福永-孔茨变换 (FKT) 获得的投影矩阵来区分两类数据。然后对 SVM 分类器进行训练和测试，以根据得到的特征区分 MI 类别。该方法针对从特定于受试者的功能连接矩阵中提取的特征以及 BCI 竞赛 III 的数据集 IVa 上的四种替代 MI 解码方法进行了基准测试。实验结果表明，所提出的方法在区分 MI 类别方面优于其他方法，反映了 (i) 使用数据驱动的、特定于受试者的谐波基分解 EEG 数据，以及 (ii) 考虑类别特定于频谱曲线的时间变化的额外好处。