XiaoMi-AI文件搜索系统
World File Search System候选模型
3D‐MASNet：针对 6 个月大婴儿脑部 MRI 图像的 3D 混合尺度非对称卷积分割网络
图 4 3D-MASNet 框架中五种候选 CNN 架构的分割性能改进箱线图。第一列显示 DICE 的测量值，以表示每种组织类型的分割准确度。第二列显示 MHD 的结果。在每个子图中，我们使用两个相邻箱线图来表示候选模型（第一条）及其对应的 3D-MASNet（第二条）。通过两重交叉验证评估模型比较的重要性。“ * ”表示 .01 ≤ p < .05，“ ** ”表示 .001 ≤ p < .01，“ *** ”表示 p < .001。
符号回归程序 AI-Feynman 在心理学中的应用
从自然科学到社会科学，发现数据中隐藏的规律是许多领域的核心挑战。然而，这项任务在历史上依赖于人类的直觉和经验，在许多领域，包括心理学。因此，使用人工智能 (AI) 发现规律有两个显著的优势。首先，它可以发现人类无法发现的规律。其次，它将有助于构建更准确的理论。一种名为 AI-Feynman 的人工智能在一个非常不同的领域发布，表现令人印象深刻。虽然 AI-Feynman 最初是为发现物理学规律而设计的，但它在心理学中也能很好地发挥作用。本研究旨在通过测试 AI-Feynman 是否可以发现双曲折现模型作为折现函数，来检验它是否可以成为跨期选择实验的一种新的数据分析方法。为了实现这些目标，进行了一项跨期选择实验，并将数据输入 AI-Feynman。结果，AI-Feynman 提出了七个折现函数候选。其中一个候选模型是双曲折现模型，目前认为该模型最为准确。三种均方根误差函数均优于双曲折现模型。此外，三种候选模型中有一种比标准双曲折现函数更“双曲”。这些结果表明了两点。一是 AI-Feynman 可以成为跨期选择实验的一种新数据分析方法。二是 AI-Feynman 可以发现人类无法发现的折现函数。
人工神经网络准确预测大脑中的语言处理
图 1：将语言处理的人工神经网络模型与大脑语言网络的活动进行比较。我们测试了不同模型预测人类在语言理解过程中神经活动测量值的能力。候选模型包括简单的嵌入模型、更复杂的循环和变压器网络。刺激包括句子、段落和故事，并且 1) 输入模型，2) 呈现给人类参与者（视觉或听觉）。然后，1) 从模型中捕获由此产生的内部表征，2) 使用 fMRI 或 ECoG 从人类那里记录下来。为了比较模型和人类表征，我们对 80% 的刺激的相应人类测量值对模型表征进行了回归，然后将模型对保留的 20% 刺激的预测与保留的人类数据进行比较，并使用 Pearson 相关性（交叉验证 5 倍），得出每个模型数据对的相似度分数。
量子线性分类器的结构风险最小化
基于参数化量子电路的量子机器学习 (QML) 模型经常被誉为量子计算近期“杀手级应用”的候选模型。然而，对这些模型的经验和泛化性能的理解仍处于起步阶段。在本文中，我们研究了如何平衡由 Havl´ıˇcek 等人 [ 1 ] 以及 Schuld 和 Killoran [ 2 ] 提出的两个著名 QML 模型的训练准确度和泛化性能（也称为结构风险最小化）。首先，利用与易于理解的经典模型的关系，我们证明两个模型参数（即图像和的维数和模型使用的可观测量的 Frobenius 范数）密切控制着模型的复杂性，从而控制着其泛化性能。其次，利用受过程层析成像启发的思想，我们证明这些模型参数也密切控制着模型捕捉训练示例集中相关性的能力。总之，我们的结果为 QML 模型的结构风险最小化提供了新的选择。
大语言模型的对抗性进化增强学习框架
大型语言模型（LLMS）传统上依赖手动及时工程，这可能是耗时且容易受到人类偏见的影响。在本文中，我们提出了一个基于进化增强学习原理（EVORL）的对抗性进化增强学习（AERL）框架[Lin等，2023]，以实现对AI剂的持续自我投资。我们的方法迭代生成，测试和完善了通过四个组件的提示或配置：（1）进化提示作者/改进器/改善者，（2）进化模型，（3）对抗模型和（4）法官。通过将候选模型暴露于对抗性的场景中，并通过进化运算符选择最佳变体，AERL促进了强大的，域特异性的解决方案，而无需重新进行过多的人类试验和错误。受到Evorl [Bai等，2023]中多目标优化技术的启发和对抗性训练方法[Goodfellow等人，2014]，我们的经验性和有意义的示例来自分散财务（DEFI）（DEFI），代码生成，并且数学推理说明了我们框架的多功能性。结果表明，对抗性的进化策略可以在维持高适应性和性能的同时，诱导地减少人驱动的猜测。
量子和经典的波动算子表示...
在描述物理系统时，数学表示的选择非常重要，而这种选择通常由手头问题的性质决定。在这里，我们研究了鲜为人知的量子动力学波算子表示，并探索了它与量子动力学标准方法（如维格纳相空间函数）的联系。该方法以密度矩阵的平方根为中心，因此比标准表示具有几个不寻常的优势。通过将其与从量子信息中引入的净化技术相结合，我们能够获得许多结果。这种形式不仅能够在量子和经典动力学的相和希尔伯特空间表示之间提供自然的桥梁，我们还发现波算子表示可以导致实时间和虚时间动力学的新型半经典近似，以及与经典极限的透明对应。然后证明存在许多场景（例如热化），其中波算子表示具有等效的幺正演化，这对应于密度矩阵的非线性实时动力学。我们认为，波算子提供了一种将以前不相关的表示联系起来的新视角，并且是无法以其他方式保证正性的场景（例如混合）的自然候选模型。
颊莺 (Setophaga chrysoparia) 密度
摘要。需要建立野生动物种群规模、空间分布和栖息地关系的稳健模型，以更有效地监测濒危物种并优先考虑栖息地保护工作。遥感数据（例如机载激光测高 (LiDAR) 和数字彩色红外 (CIR) 航空摄影）与精心设计的实地研究相结合，有助于填补这些信息空白。我们使用基于点计数的距离抽样调查数据和融合 LiDAR 的 CIR 航空摄影来模拟濒危鸣禽金颊莺 (Setophaga chrysoparia) 在 10 000 公顷的巴尔科内斯峡谷地国家野生动物保护区 (BCNWR) 的密度。我们开发了一套新颖的候选模型来解释金颊莺的检测概率和密度，使用栖息地协变量来表征植被结构、组成和复杂性以及栖息地破碎化、地形和人类基础设施。我们用代表 3.2 公顷领土面积（100 米半径）与 1.8 公顷和 7.0 公顷领土面积的焦点均值计算的协变量获得了最多的模型支持。检测概率随树冠覆盖率的增加而降低，随地形粗糙度的增加而增加。金颊莺的密度随树冠覆盖率的增加而增加，在阿什桧柏 (Juniperus ashei) 与阔叶树冠覆盖率之比为 7:3 时最高，随全球太阳辐射的增加而降低。使用 3 分钟点计数预测的莺密度与来自独立
暗路径完整量子计算
最常见的量子计算形式是电路模型，它类似于经典计算机中使用的电路。门被幺正变换（量子门）取代，位被量子位取代。为了获得计算优势，构建鲁棒且抗噪声的量子门非常重要。完整量子计算 [ 1 , 2 ] 就是一个候选模型，它基于绝热 [ 3 ] 或非绝热 [ 4 ] 演化中的非阿贝尔（矩阵值）几何相。此类完整门仅依赖于系统状态空间的几何形状，因此能够抵御量子演化中的局部错误。完整量子计算的最新理论和实验进展分别可参见参考文献 [ 5 – 13 ] 和 [ 14 – 21 ]。将计算元素限制为量子位的想法是一种任意选择，很可能是出于二进制逻辑的方便。那么为什么是二进制逻辑呢？它只是最简单的非平凡例子：在二进制逻辑中，事物可以是 0 或 1、True 或 False、开或关等等。由于其简单性，难怪第一台计算机就是这样设计的。但我们是否局限于比特？早在 1840 年，Fowler [ 22 ] 就制造出了一种机械三元（三值逻辑）计算设备，1958 年，苏联开发出第一台电子三元计算机 [ 23 ]。尽管三元计算机比二进制计算机有许多优势，但它从未取得过同样广泛的成功。然而，理论上没有什么可以禁止更高维度的计算基础，当涉及到量子计算时更是如此。
轻量级且可解释的 Deepfakes 检测框架
摘要 — 近期所谓的深度伪造的现实创作和传播对社会生活、公民休息和法律构成了严重威胁。名人诽谤、选举操纵和深度伪造作为法庭证据只是深度伪造的一些潜在后果。基于 PyTorch 或 TensorFlow 等现代框架、FaceApp 和 REFACE 等视频处理应用程序以及经济的计算基础设施的开源训练模型的可用性简化了深度伪造的创作。大多数现有检测器专注于检测换脸、口型同步或木偶大师深度伪造，但几乎没有探索用于检测所有三种类型深度伪造的统一框架。本文提出了一个统一的框架，利用混合面部标志和我们新颖的心率特征的融合功能来检测所有类型的深度伪造。我们提出了新颖的心率特征，并将它们与面部标志特征融合，以更好地提取假视频的面部伪影和原始视频中的自然变化。我们利用这些特征训练了一个轻量级的 XGBoost，以对 deepfake 和真实视频进行分类。我们在包含所有类型 deepfake 的世界领袖数据集 (WLDR) 上评估了我们框架的性能。实验结果表明，与比较 deepfake 检测方法相比，所提出的框架具有更优异的检测性能。将我们的框架与深度学习模型候选模型 LSTM-FCN 进行性能比较，结果表明，所提出的模型取得了类似的结果，但它更具可解释性。索引术语 —Deepfakes、多媒体取证、随机森林集成、树提升、XGBoost、Faceswap、Lip sync、Puppet Master。