XiaoMi-AI文件搜索系统
World File Search System准确性
提高基于深度学习的准确性和不确定性量化
Mehmet Yigit Avci 1,3 , Ziyu Li 2 , Qiuyun Fan 3,4,5 , Susie Huang 3,4 , Berkin Bilgic 3,4 , Qiyuan Tian 3,4,5*
多目标粪便 DNA 测试的诊断准确性......
结直肠癌 (CRC) 是全球第三大常见癌症，是医疗保健领域的重大挑战 [1]。有力证据支持筛查在降低 CRC 发病率和死亡率方面的有效性 [2]。尽管结肠镜检查是当前的筛查标准之一，但由于成本高、工作量大和患者依从性低（尤其是在资源有限的国家）而阻碍了其推广 [3-5]。粪便潜血检测作为一种非侵入性替代方法，存在某些缺点，特别是其对检测晚期腺瘤的灵敏度低（低至 7%）和对检测 CRC 的灵敏度中等（50% - 81%）[6, 7]。此外，在基于愈创木脂的粪便潜血检测中，由于在食物和上消化道血液中发现非人类血红素，因此假阳性率很高 [7]。
解决机动对 SSA 准确性和及时性的负面影响
机动是轨道运行、星座维护、轨道插入、处置和完成任务的命脉。正如动力和受控飞行对于莱特兄弟“实现飞行”至关重要一样，能够在太空中机动对于航天运行也至关重要。然而，尽管机动对轨道运行有诸多好处，但机动是实现 SSA 准确性、及时性、协方差真实性和安全性的最重要驱动因素和最薄弱环节。美国政府长期免费向航天器运营商提供的轨道和会合评估产品未能充分解决已知和非合作机动。多年来，航天器运营商一直敏锐地意识到这些 SSA 能力的差距，甚至迫使一些航天器运营商自组并资助空间数据协会，作为解决这些已知机动缺陷的权宜之计。
GPT-3 人工智能模型的诊断和分类准确性
重要性：医疗保健中的人工智能 (AI) 应用已在医学的许多领域中有效发挥作用，但它们通常使用标记数据进行单一任务训练，这使得部署和普遍性具有挑战性。通用 AI 语言模型是否可以执行诊断和分类尚不得而知。目标：将通用生成式预训练 Transformer 3 (GPT-3) AI 模型的诊断和分类性能与使用互联网的主治医生和非专业成年人进行比较。设计：我们比较了 GPT-3 对 48 个经过验证的常见（例如病毒性疾病）和严重（例如心脏病发作）病例小插图的诊断和分类能力与非专业人士和执业医师的准确性。最后，我们检查了 GPT-3 对诊断和分类的信心校准程度。设置和参与者：GPT-3 模型，一个具有全国代表性的非专业人士和执业医师样本。接触：经过验证的案例小插图（<60 字；<6 年级阅读水平）。主要结果和测量：正确诊断，正确分类。结果：在所有病例中，GPT-3 对 88%（95% CI，75% 至 94%）的病例的前 3 位做出了正确诊断，而普通人为 54%（95% CI，53% 至 55%）（p<0.001），医生为 96%（95% CI，94% 至 97%）（p=0.0354）。GPT-3 的分类（71% 正确；95% CI，57% 至 82%）与普通人（74%；95% CI，73% 至 75%；p=0.73）相似；两者都明显差于医生（91%；95% CI，89% 至 93%；p<0.001）。根据 Brier 评分，GPT-3 对其最佳预测的信心在诊断（Brier 评分 = 0.18）和分类（Brier 评分 = 0.22）方面相当准确。结论和相关性：通用 AI 语言模型无需任何内容特定训练即可执行接近但低于医生的诊断水平，并且优于普通人。该模型在分类方面的表现较差，其表现更接近普通人。
机器学习模型在欺诈中的预测准确性...
机器学习模型中用于健康保险中欺诈检测的预测准确性是保护财务损失和维持保险系统完整性的关键边界。在美国和英国等发达经济体中，由于复杂的机器学习算法和数据分析的整合，欺诈检测的预测准确性取得了重大进步。例如，Johnson（2018）的一项研究分析了美国的欺诈检测系统，发现近年来精确率从80％提高到95％以上。 这种改进意味着这些系统可以增强的能力准确识别欺诈活动，同时最大程度地减少误报。 同样，在英国，金融行为管理局（FCA）的报告表明，召回率从70％增加到85％，展示了该系统捕获更高比例实际欺诈案件的能力。 这些趋势强调了金融机构和监管机构的持续努力和投资，以增强发达经济体的欺诈检测机制。例如，Johnson（2018）的一项研究分析了美国的欺诈检测系统，发现近年来精确率从80％提高到95％以上。这种改进意味着这些系统可以增强的能力准确识别欺诈活动，同时最大程度地减少误报。同样，在英国，金融行为管理局（FCA）的报告表明，召回率从70％增加到85％，展示了该系统捕获更高比例实际欺诈案件的能力。这些趋势强调了金融机构和监管机构的持续努力和投资，以增强发达经济体的欺诈检测机制。
AI 和 CRISPR：提高基因编辑的准确性。
CRISPR（成簇的规律间隔的短回文重复序列）为基因编辑提供了一种精确而强大的工具，彻底改变了基因工程。切割和修改特定 DNA 区域的能力在医学、农业和生物技术等领域具有巨大的潜力。然而，与任何技术一样，CRISPR 也存在挑战——尤其是在脱靶效应方面，即基因组的非预期部分被改变。为了应对这些挑战，人工智能 (AI) 发挥着越来越重要的作用，提高了基于 CRISPR 的基因编辑的准确性、效率和可预测性。本文探讨了 AI 和 CRISPR 如何协同工作以改善基因编辑结果，并讨论了这种动态组合的未来潜力 [1]。
图1：准确性与CNN模型的时期图
摘要该项目提出了三种用于为EEG Net数据集创建神经网络模型的方法 - 使用CNN，CNN+LSTM和变异自动编码器（VAE）。研究评估并比较了两种方法在分类运动图像中的性能。结果表明，CNN+LSTM方法在准确性方面优于VAE方法。但是，VAE方法具有保留脑电图信号的关键特征的优势，同时降低其尺寸。两种方法都有其各自的优势和局限性，可以根据应用程序的特定要求使用。除了上述两种方法外，我们还为该数据集实施了随机森林，以对ML和DL模型的准确性成就进行比较分析。索引术语：机器学习（ML），深度学习（DL），VAE（变异自动编码器），长期短期存储网络（LSTM），脑电图（EEG）（EEG）
无线磁传感器在城市环境中的应用及其准确性验证
摘要：在智慧城市中，传感器是必不可少的元素——最新交通信息的来源。本文讨论连接到无线传感器网络 (WSN) 的磁传感器。它们投资成本低、使用寿命长且易于安装。但是，在安装过程中仍需要局部扰动路面。往返日利纳市中心的所有车道都配有传感器，每五分钟发送一次数据。它们发送有关交通流强度、速度和成分的最新信息。LoRa 网络确保数据传输，但在发生故障时，4G/LTE 调制解调器可实现备用传输。这种传感器应用的缺点是其准确性。研究任务是将 WSN 的输出与交通调查进行比较。在选定的道路剖面上进行交通调查的适当方法是使用 Sierzega 雷达进行视频录制和速度测量。结果显示值失真，主要是在短时间间隔内。磁传感器最准确的输出是车辆数量。另一方面，交通流组成和速度测量相对不准确，因为不容易根据动态长度识别车辆。传感器的另一个问题是频繁的通信中断，这会导致中断结束后值的累积。本文的第二个目标是描述交通传感器网络及其可公开访问的数据库。最后，有几种数据使用建议。
前驱额痴呆的研究标准的诊断准确性
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。Creative Commons公共领域奉献豁免（http：//creativecom- mons.org/publicdomain/zero/zero/1.0/）适用于本文中提供的数据，除非在数据信用额度中另有说明。
评估量子卷积神经网络的准确性和对抗鲁棒性
摘要 — 机器学习可以推动技术进步，造福不同的应用领域。此外，随着量子计算的兴起，机器学习算法已开始在量子环境中实现；现在称为量子机器学习。有几种尝试在量子计算机中实现深度学习。然而，它们并没有完全成功。然后，发现了一种结合了附加量子卷积层的卷积神经网络 (CNN)，称为量子卷积神经网络 (QNN)。QNN 的性能优于经典 CNN。因此，QNN 可以实现比经典神经网络更好的准确度和损失值，并显示出它们对从其经典版本生成的对抗性示例的鲁棒性。这项工作旨在评估 QNN 与 CNN 相比的准确度、损失值和对抗鲁棒性。索引术语 — 量子卷积神经网络、量子神经网络、卷积神经网络