XiaoMi-AI文件搜索系统
World File Search System分类的
BT-CNN：一种利用 MRI 成像对脑肿瘤进行分类的平衡二叉树架构
深度学习是当今世界临床诊断和治疗中非常重要的技术。卷积神经网络 (CNN) 是深度学习的最新发展，用于计算机视觉。我们的医学研究重点是脑肿瘤的识别。为了提高脑肿瘤分类性能，提出了一种以二叉树结构为框架的平衡二叉树 CNN (BT-CNN)。它有两个不同的模块 - 卷积和深度可分离卷积组。使用卷积组可实现更短的时间和更高的内存，而深度可分离卷积组则相反。这种平衡二叉树启发的 CNN 平衡了两个组以在时间和空间方面实现最佳性能。在公共数据集上对所提出的模型以及 CNN-KNN 等最先进的模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行了实验。在将数据输入模型之前，我们使用 CLAHE、去噪、裁剪和缩放对图像进行预处理。预处理后的数据集根据 5 倍交叉验证分为训练数据集和测试数据集。对所提出的模型进行训练，并将其性能与 CNN-KNN 等最新模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行比较。与其他模型相比，所提出的模型报告的平均训练准确率为 99.61%。所提出的模型实现了 96.06% 的测试准确率，而其他模型分别实现了 68.86%、85.8%、86.88% 和 90.41%。此外，所提出的模型在所有折叠中获得了训练和测试准确率的最低标准差，使其对于数据集不变。
机器学习中统计学习和分类的概念：概述
摘要。统计学习理论是机器学习（ML）的基础基础，这反过来代表了人工智能的骨干，迎来了针对现实世界中挑战的创新解决方案。它的起源可以与统计数据和计算领域相遇的地步链接，从而发展为独特的科学学科。可以通过其基本分支来区分机器学习，包括监督的学习，无监督的学习，半监督学习和强化学习。在此挂毯中，有监督的学习是中心阶段，分为两种基本形式：分类和回归。回归是针对连续结果量身定制的，而分类专门研究分类结果，监督学习的总体目标是增强能够基于输入功能预测类标签的模型。这项评论努力提供了一本关于机器学习的简洁但有见地的参考手册，与统计学习理论（SLT）的挂毯交织在一起，阐明了他们的共生关系。它揭示了分类的基本概念，阐明了统治它的总体原则。这种全景观点旨在为分类提供整体观点，为研究人员，从业人员和爱好者提供有价值的资源，通过引入概念，方法和差异，从而进入机器学习，人工智能和统计的领域，从而增强对分类方法的理解。
用于文本分类的混合经典-量子迁移学习
量子机器学习 (QML) 是一个将量子计算与机器学习相结合的有前途的领域。变分量子电路（其中电路参数是通过经典方式学习的）已广泛应用于 QML 的许多近期应用中。这是一个混合量子-经典框架的实例，其中同时存在经典和量子组件。然而，将这些技术应用于涉及海量数据的应用是一项具有挑战性的任务。克服这一问题的一种方法是使用最近引入的修饰量子电路的经典量子迁移学习概念，其中底层神经架构是经过经典预训练的，但在最后一步（决策层），使用量子电路，然后进行量子测量和后处理以高精度对图像进行分类。在本文中，我们将混合经典量子迁移学习应用于另一项海量数据处理任务，即自然语言处理 (NLP)。我们展示了如何使用经典量子迁移学习对短文本（例如 SMS）进行（二进制）分类，该学习最初仅应用于图像处理。我们的量子网络由 Transformers (BERT) 模型中的双向编码器表示预先训练，其变分量子电路经过微调以用于文本处理。我们使用接收者操作特性 (ROC) 曲线评估了我们的混合神经架构的性能，该曲线通常用于评估分类问题。结果表明精度高，损失函数低。据我们所知，我们的工作是量子迁移学习在 NLP 领域的首次应用。最后，与使用学习但方式不同于迁移学习的工具进行了比较
在6G无单元的无线网络中进行调制分类的分布式深度学习
摘要 - 在第六代（6G）技术的发展中，无单元网络的出现呈现出范式的变化，彻底改变了分布式访问点协作的密集部署网络中的用户体验。但是，智能机制的整合对于优化这些6G无细胞网络的效率，可伸缩性和适应性至关重要。一个旨在优化频谱使用情况的应用程序是自动调制分类（AMC），这是用于分类和动态调整调制方案的重要组成部分。本文探讨了无细胞网络中AMC的不同分布解决方案，以解决两种实际方法的训练，计算复杂性和准确性。第一种方法解决了由于隐私问题或领先的限制而导致信号共享不可行的情况。我们的发现表明，保持可比较的准确性是可以实现的，但随着计算需求的增加。第二种方法考虑了中央模型和多个分离模型，将调制分类。该混合模型通过信号组合利用多样性增益，并需要同步和信号共享。混合模型表现出卓越的性能，并在同等的总计算负载下提高了准确性2.5％。值得注意的是，混合模型在多个设备上分配了计算负载，从而导致单个计算负载较低。索引术语 - 无细胞，自动调制分类，分布式处理，网络体系结构，深度学习
未分类的最终 DSD AARO 历史报告
本报告是全领域异常解决办公室 (AARO) 历史记录报告 (HR2) 的第一卷，该报告回顾了美国政府 (USG) 有关不明异常现象 (UAP) 的记录。在完成本报告时，AARO 回顾了自 1945 年以来所有官方 USG 调查工作，研究了机密和非机密档案，进行了大约 30 次采访，并与分别负责受控和特殊访问计划监督的情报界 (IC) 和国防部 (DoD) 官员合作。AARO 将根据《国防授权法》第 6802 节规定的 2023 财政年度 (FY23) 日期发布第二卷；第二卷将对 AARO 在第一卷发布日期之后获得的信息进行分析。
yolov8在各种图像下进行车辆分类的分析
摘要。目的：这项研究的目的是使用Yolov8n，Yolov8s和Yolov8M在各种图像条件下检测车辆类型，并进行增强。方法：本研究利用黎明数据集上的Yolov8方法。该方法涉及使用预训练的卷积神经网络（CNN）处理图像并输出所检测到的对象的边界框和类。此外，还应用了数据增强来提高模型从不同方向和观点识别车辆的能力。结果：测试结果的MAP值如下：没有数据扩展，Yolov8n达到了约58％，Yolov8S得分左右约为68.5％，而Yolov8M的MAP值约为68.9％。然而，在应用水平翻转数据扩大后，Yolov8n的地图增加到约60.9％，Yolov8s提高到约62％，而Yolov8M的地图卓越，地图约为71.2％。使用水平翻转数据增强提高了所有三种Yolov8模型的性能。Yolov8M模型达到了71.2％的最高地图值，表明其在应用水平翻转增强后检测物体的有效性很高。新颖性：这项研究通过采用最新版本的Yolo，Yolov8来介绍新颖性，并将其与Yolov8n，Yolov8s和Yolov8M进行比较。使用数据增强技术（例如水平翻转）增加数据变化的使用也很新颖，在扩展数据集并提高模型识别对象的能力方面。关键字：CNN，数据增强，黎明，对象检测，Yolov8于2023年11月收到 /修订2024年2月 / 2024年2月接受此工作，该工作已在创意共享署名4.0国际许可下获得许可。
对脑电图分类的不同数据集进行预培训
脑电图（EEG）分类任务由于其高应用值而引起了人们的关注。同时，语言处理领域中一般培训模型的巨大成功激发了我们挖掘EEG预先训练模型的功能。该模型有望适应各种下游任务。但是，当前的研究要么忽略EEG信号中的时间或空间域，要么仅在预训练中使用单个数据集。提出的时间空间预测（TSP）模型有效地解决了这些问题。具体来说，TSP endoer的输出用作两个任务的输入：空间预测，即屏蔽的自动编码器和时间预测，即，contrastive的预测编码。此外，为了提供更多多样化的信息，从而使下游微调受益，我们将TRAIN TSP预先在具有四个不同数量的渠道的六个大型脑电图数据集上。在三个公共下游数据集种子，种子-IV，TUEV上结果表明，TSP在不同的EEG分类任务上实现了最先进的性能。此外，根据消融实验，TSP的性能优于单域方法，即时间预测（TP）模型和空间预测（SP）模型。
基于AI语音交互和专业分类的安规题库快速查找系统
Key words : voice interaction; safety regulation question bank; quick find; text feature 中图分类号 : TM08 文献标识码 : A 文章编号 : 1008-6226 (2023) 12-0027-03
基于脑电图的运动想象分类的独立于主题的深度架构
摘要 —基于脑电图 (EEG) 的运动想象 (MI) 分类是非侵入式脑机接口 (BCI) 系统中广泛使用的技术。由于 EEG 记录在不同受试者之间具有异质性并且标记数据不足，因此设计一个使用有限的标记样本独立于受试者执行 MI 的分类器是可取的。为了克服这些限制，我们提出了一种新颖的独立于受试者的半监督深度架构 (SSDA)。所提出的 SSDA 由两部分组成：无监督和监督元素。训练集包含来自多个受试者的标记和未标记数据样本。首先，无监督部分，称为列时空自动编码器 (CST-AE)，通过最大化原始数据和重建数据之间的相似性从所有训练样本中提取潜在特征。采用维度缩放方法来降低表示的维数，同时保留其可辨别性。其次，监督部分使用在无监督部分获得的潜在特征，基于标记的训练样本学习分类器。此外，我们在监督部分使用中心损失来最小化类中每个点到其中心的嵌入空间距离。该模型以端到端的方式优化网络的两个部分。在训练阶段模型未见过的测试对象上评估了所提出的 SSDA 的性能。为了评估性能，我们使用了两个基于 EEG 的基准 MI 任务数据集。结果表明，SSDA 优于最先进的方法，并且少量的标记训练样本足以实现强大的分类性能。
采用旅行模型范式进行帕金森病分类的多中心分布式学习方法
分布式学习是机器学习 (ML) 模型训练中中心学习的一种有前途的替代方案，它解决了医疗保健中的数据共享问题。先前研究探索了用于基于医学图像的疾病分类的联邦学习 (FL) 或旅行模型 (TM) 设置，这些研究通常依赖于具有有限数量中心或模拟人工中心的大型数据库，这使人们对其在现实世界的适用性产生了怀疑。这项研究使用从世界各地 83 个不同的真实中心获取的数据（主要贡献小型训练样本）开发并评估了一种用于帕金森病分类的卷积神经网络 (CNN)。我们的方法特别利用了 TM 设置，该设置已被证明在数据可用性有限的场景中是有效的，但从未用于基于图像的疾病分类。我们的研究结果表明，即使在具有可变数据分布的复杂现实场景中，TM 也可有效训练 CNN 模型。经过足够的训练周期后，TM 训练的 CNN 的性能与集中训练的 CNN 相当或略胜一筹（AUROC 分别为 83% 和 80%）。我们的研究首次强调了 TM 在 3D 医学图像分类中的有效性，尤其是在训练样本有限和异构分布式数据的情况下。这些见解适用于使用来自小型或远程医疗中心的数据训练 ML 模型的情况，以及病例稀少的罕见疾病。这种方法简单易用，可广泛应用于许多深度学习任务，增强其在各种环境和医疗机构中的临床实用性。