XiaoMi-AI文件搜索系统
World File Search System分类的
ODL-BCI：通过超参数调整对学生困惑进行分类的脑机接口最佳深度学习模型
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2024 年 1 月 31 日发布。；https://doi.org/10.1101/2023.10.30.564829 doi：bioRxiv preprint
Élivágar：用于分类的高效量子电路搜索
为量子机器学习 (QML) 设计高性能、抗噪声的电路具有挑战性 — — 设计空间随着电路规模呈指数级增长，并且 QML 电路设计几乎没有得到良好支持的指导原则。尽管最近的量子电路搜索 (QCS) 方法试图搜索高性能且抗硬件噪声的 QML 电路，但它们直接采用经典神经架构搜索 (NAS) 的设计，而这些设计与量子硬件的独特约束不一致，导致搜索开销高昂和性能瓶颈严重。我们提出了一种新颖的资源高效、噪声引导的 QCS 框架 Élivágar。Élivágar 在 QCS 的所有三个主要方面 — — 搜索空间、搜索算法和候选评估策略 — — 进行了创新，以解决当前受经典启发的 QCS 方法中的设计缺陷。Élivágar 通过噪声和设备拓扑感知的候选生成实现了硬件效率，并避免了昂贵的电路映射协同搜索。通过引入两个计算成本低廉的预测器，即 Clifford 噪声弹性和表示容量，Élivágar 将噪声鲁棒性和性能评估分离，从而能够尽早拒绝低保真度电路并降低电路评估成本。由于其资源效率，Élivágar 可以进一步搜索数据嵌入，从而显著提高性能。根据对 12 个真实量子设备和 9 个 QML 应用程序对 Élivágar 的全面评估，与最先进的 QCS 方法相比，Élivágar 的准确率提高了 5.3%，速度提高了 271 倍。
糖尿病分类的比较...
当人体无法很好地使用胰岛素时，糖尿病是一种疾病。 从长远来看，在这种情况下，葡萄糖水平会损害人体的器官，即使是人体中器官和组织功能的失败，可能会导致并发症甚至死亡。 根据国际糖尿病联合会的说法，2021年，由糖尿病造成的死亡人数为236,7.1.11千人，年龄在20-79岁左右。 当前技术的发展可以帮助人类获取信息并预测疾病，并可以通过使用分类技术的机器学习方法来帮助治疗的发展，并为了防止某些糖尿病更深的疾病。 作者将使用的分类算法预测糖尿病是决策树算法，支持向量机算法和幼稚的贝叶斯算法。 Div>数据糖尿病预测收集了多达2768个数据，每种算法都有70％的培训数据和30％的数据测试。 具有最高评估值的算法是幼稚的贝叶斯算法，平均准确度为78％，精度为77％，召回78％，F1得分率为77％。糖尿病是一种疾病。从长远来看，在这种情况下，葡萄糖水平会损害人体的器官，即使是人体中器官和组织功能的失败，可能会导致并发症甚至死亡。根据国际糖尿病联合会的说法，2021年，由糖尿病造成的死亡人数为236,7.1.11千人，年龄在20-79岁左右。当前技术的发展可以帮助人类获取信息并预测疾病，并可以通过使用分类技术的机器学习方法来帮助治疗的发展，并为了防止某些糖尿病更深的疾病。作者将使用的分类算法预测糖尿病是决策树算法，支持向量机算法和幼稚的贝叶斯算法。Div>数据糖尿病预测收集了多达2768个数据，每种算法都有70％的培训数据和30％的数据测试。算法是幼稚的贝叶斯算法，平均准确度为78％，精度为77％，召回78％，F1得分率为77％。
基于SWIN的增强遥感图像分类的比较研究
遥感是通过技术设备获取有关所需位置的信息的过程，我们将我们从一定距离放置在选定位置，并在空间，光谱，辐射测量和时间分辨率中分析，显示和监视它，并通过任何距离进行测量，而无需进行任何距离[1]。遥感用于制图，水文学，地质，林业，农业，国防，安全和空间的领域。有具有数据集的平台，例如前哨，Landsat，Maxar，Planet，UC Merced，EuroSat，patternnet，Spacenet和Google Earth Engine。在图像处理和数据挖掘技术中进行了改进，以解决提供大数据和分析数据[2]的问题，而SATLASPRETRAIN [3]数据集是已使用的大数据集之一。
使用机器学习的多级阿尔茨海默氏病分类的基于语音的检测
采用，话语结构和语音错误。总的来说，痴呆症的Pitt Corpus数据集是研究神经退行性疾病的宝贵资源，尤其是阿尔茨海默氏病，并且已在该领域广泛使用，用于开发和评估机器学习模型，以诊断和预测这些疾病。我们与最初合作的数据集包含1200个条目和100多个功能，这些功能保存在CSV文件中。为了确保数据适合培训模型，您进行了大量清洁，包括删除冗余列以及处理缺失值和错误。此外，您将数据标准化，以防止任何功能对模型产生不成比例的影响。由于此预处理，您确定了50个用于训练模型的相关功能。
空间系统分类的成本 - 空军大学
保密和过度保密对作战的影响众所周知，正如时任参谋长联席会议副主席的约翰·E·海顿将军在 2020 年所强调的那样：“如果你拥有的一切都盈利，你就无法威慑人们。” 1 相比之下，采购流程作为支持功能在幕后运行，需要原始保密机构 (OCA) 层面的倡导，以确保保密对速度、成本和技术解决方案的影响与保护国家机密和某些能力的作战需要得到同等重视。对于仍需要保密的项目，政策、法规、技术和政府激励措施的变化将为与速度、成本和进入广泛行业基础相关的问题提供解决方案。
使用具有12铅心电图的深神经网络算法的肥厚性心肌病患者的心力衰竭严重程度分类的模型
肥厚性心肌病（HCM）中的抽象目标观察到了特定的心电图异常。因此，ECG是一种有价值的筛选工具。尽管有几项研究报告了从心电图发现估计致命心律不齐的风险，但尚未确定使用ECG来识别心力衰竭的严重程度（HF）通过应用深度学习（DL）方法尚未确定。我们评估了数据驱动的机器学习方法是否可以有效地识别HCM患者的HF严重程度。使用来自218例HCM患者和245例非HCM患者的12个铅ECG数据开发了一个基于神经网络的模型，将其分为两种（轻度至中度和重度）或三个（轻度，中度和重度）HF的HF。根据纽约心脏协会的功能类别定义了这些严重程度，以及脑纳替肽的N末端激素的水平。此外，根据堪萨斯城心肌病问卷（KCCQ）-12，将患者分为组。采用了一种转移学习方法来解决目标样本数量少的问题。使用PTB-XL提前训练该模型，PTB-XL是一个开放的ECG数据集。结果，使用我们的数据集训练的模型获得了温和的平均F1得分为0.745，而轻度至中度类样品的型号为0.745，精度为0.750。基于KCCQ-12的分组获得了相似的结果。结论我们使用具有12个铅ECG数据的深神经网络算法开发了用于HCM患者HF严重程度的模型。通过使用引导梯度加权级激活图和集成梯度的数据分析，QRS波在真实阳性的轻度至中度类别的情况下强烈强调，而突出显示的部分在真实正面的严重类别的案例中是高度可变的。我们的发现表明，该DL算法在使用12个铅ECG数据中的应用可能对HCM患者的HF状态分类很有用。
深欺诈网：一种用于网络安全和财务欺诈检测和分类的深度学习方法
鉴于对数字系统的依赖性日益增长以及财务欺诈事件的升级，必须实施有效的网络安全协议和欺诈检测方法。威胁的动态性质通常会挑战常规方法，因此需要采用更复杂的策略。个人依赖于预先建立的法规或解决问题的过程，这些法规在识别新颖和复杂的欺诈性趋势方面具有限制。传统技术需要帮助处理噪声数据以及误报和真实积极因素产生的巨额费用。为了应对这些障碍，本研究引入了深层欺诈网，该框架利用深度学习来检测和对财务欺诈和网络安全威胁的实例进行分类。深度欺诈网系统模型需要利用深度神经网络，以通过培训从广泛的数据集中获取复杂的模式和特征。框架集成了减少降噪方法，以增强欺诈检测的精度并提高输入数据的质量。深欺诈净方法的精度为98.85％，准确性为93.35％，灵敏度为99.05％，特异性为93.16％，误报率为7.34％，真正的正率为89.58％。这些发现表明，深欺诈网可以有效地检测和分类欺诈行为的实例，并减少错误分类。该方法对优先考虑强大安全性和欺诈检测的各个领域具有潜在的影响，包括但不限于银行业，电子商务和在线交易。
用于图像分类的混合量子-经典卷积神经网络模型
摘要 — 图像分类在遥感中起着重要作用。地球观测 (EO) 不可避免地进入了大数据时代，但对计算能力的高要求已经成为使用复杂机器学习模型分析大量遥感数据的瓶颈。利用量子计算可能有助于解决这一挑战，因为它可以利用量子特性。本文介绍了一种混合量子-经典卷积神经网络 (QC-CNN)，它应用量子计算有效地从 EO 数据中提取高级关键特征以进行分类。此外，采用振幅编码技术减少了所需的量子位资源。复杂度分析表明，与经典模型相比，所提出的模型可以加速卷积运算。通过 TensorFlow Quantum 平台，使用不同的 EO 基准（包括 Overhead-MNIST、So2Sat LCZ42、PatternNet、RSI-CB256 和 NaSC-TG2）对模型性能进行评估，结果表明，该模型能够取得比经典模型更优的性能，且具有更高的泛化能力，验证了 QC-CNN 模型在 EO 数据分类任务上的有效性。
用于数据高效图像分类的量子神经网络
在我们这个不断发展的世界里，海量的数据无时无刻不在涌入——无论是每天、每小时，甚至是每分每秒。我们交流、分享链接、图像和观点，留下一串串的痕迹，不仅代表着我们广阔的自然环境，也反映了我们的想法、喜好和情绪。认识到这些数据的重要性，数据科学领域应运而生，致力于揭示其中隐藏的洞见。机器学习 (ML) 已成为一个令人着迷的研究领域[8]，因其从大量数据集中提取知识的能力而备受瞩目[20]。机器学习在弥合我们对自然的理解与其复杂性之间的差距方面发挥了关键作用。深度学习 (DL)，尤其是神经网络 (NN)，彻底改变了经典的机器学习，成为建模统计数据的非线性结构[23]。 NN，尤其是卷积神经网络 (CNN)，可以模拟输入和输出之间的复杂关系[8]，在图像模式识别等任务上表现出色，而这些任务的灵感来自视觉皮层的结构。虽然 NN，尤其是多层 NN，已经展现出非凡的能力，但它们的可训练性却带来了挑战。反向传播的出现缓解了这个问题，但训练困难仍然存在，需要整流神经元激活函数和分层训练等解决方案。量子机器学习 (QML) 开辟了新途径，利用嘈杂的中型量子计算机来解决涉及量子数据的计算问题。变分量子算法 (VQA) 和量子神经网络 (QNN) 提供了有前景的应用，利用经典优化器来训练量子电路中的参数。QNN 通过分析具有多项式复杂度的系统[2][6]（在经典机器学习中，该系统的复杂度将呈指数级增长），与经典模型相比具有独特的优势，从而提供了计算优势。值得注意的是，与传统神经网络相比，QNN 表现出更快的学习能力，这归因于第 1 章和 A 章中讨论的纠缠。先前的研究强调了 QNN 在从有限数据中学习方面的有效性，从而减少了训练过程中的时间和精力。这篇硕士论文深入研究了使用用最少图像训练的各种量子模型进行有效图像分类的可能性，最后直接与经典 CNN 性能进行了比较。使用两个不同的数据集进行训练，随后缩小规模以探索 QNN 模型比 CNN 预测更多图像的潜力。