XiaoMi-AI文件搜索系统
World File Search System判别
使用3D周期符合的对抗网络对脑PET的基于MR的衰减校正
衰减校正（AC）对于正电子发射断层扫描（PET）的定量优点很重要。但是，衰减系数不能直接来自PET/MR系统的磁共振（MR）图像。在这项工作中，我们旨在从Dixon MR图像中得出连续的AC图，而无需MR和计算机断层扫描（CT）图像注册。为了实现这一目标，开发了一个具有歧视性和周期抗性损失（Cycle-GAN）的3D生成对抗网络。修改后的3D U-NET被用作生成网络的结构来生成伪CT/MR图像。基于3D贴片的判别网络用于区分生成的伪CT/MR图像与真实的CT/MR图像。为了评估其性能，实验中使用了来自32名患者的数据集。供应商提供的Dixon分割和ATLAS方法和
通过Schrödinger桥改善基于生成模型的展开
基于机器学习的展开已实现了无链接和高维差异横截面测量值。该研究领域已经出现了两种主要方法。一个基于判别模型和基于生成模型的模型。歧视模型的主要优点是，他们学习对起始模拟的较小校正，而生成模型则可以更好地扩展到相位空间区域，而数据很少。我们建议使用Schrödinger桥和扩散模型来创建Sbunfold，这是一种结合了歧视性和生成模型的优势的展开方法。sbunfold的关键特征是，其生成模型将一组事件映射到另一组事件中，而无需经过已知的概率密度，就像使流量和标准扩散模型的正常情况一样。我们表明，与合成ZÞJETS数据集中的最新方法相比，Sbunfold取得了出色的性能。
时空脑电图数据分析调查
近年来，在机器学习和人工智能的融合推动下，脑电图 (EEG) 分析领域取得了显著进步。本综述旨在概括最新发展，重点介绍有望改变我们对大脑活动的理解和解释的新兴方法和技术。我们深入研究了能够稳健地表示大脑信号的自监督学习方法，这对于各种下游应用至关重要。我们还探索了新兴的判别方法，包括图神经网络 (GNN)、基础模型和基于大型语言模型 (LLM) 的方法。此外，我们还研究了利用 EEG 数据生成图像或文本的生成技术，为大脑活动可视化和解释提供了新的视角。本调查对这些前沿技术、其当前应用以及它们对未来研究和临床实践的深远影响进行了广泛的概述。相关文献和开源材料已汇编并不断更新，网址为 https://github.com/wpf535236337/LLMs4TS
基于CNN网络的运动意图脑电信号自动识别（端到端）
摘要：基于运动的脑机接口 (BCI) 很大程度上依赖于运动意图的自动识别。它们还允许患有运动障碍的患者与外部设备进行通信。提取和选择判别特征通常会增加计算机的复杂性，这是自动发现运动意图的问题之一。这项研究介绍了一种利用脑电图数据自动对二类和三类运动意图情况进行分类的新方法。在建议的技术中，原始脑电图输入直接应用于卷积神经网络 (CNN)，而无需提取或选择特征。根据先前的研究，这是一种复杂的方法。建议的网络设计包括十个卷积层，后面是两个完全连接的层。由于其准确性高，建议的方法可用于 BCI 应用。
RL-OPC：通过深度强化学习进行掩模优化
摘要 — 掩模优化是先进技术节点 VLSI 制造过程中的重要步骤。作为最具代表性的技术之一，光学邻近校正 (OPC) 被广泛应用于提高可印刷性。由于传统 OPC 方法消耗的计算开销过大，近期研究已将机器学习技术应用于高效的掩模优化。然而，现有的判别学习模型依赖给定的数据集进行监督训练，而生成学习模型通常利用代理优化目标进行端到端学习，这可能会限制可行性。在本文中，我们率先引入了用于掩模优化的强化学习 (RL) 模型，该模型无需利用可微代理即可直接优化首选目标。大量实验表明，我们的方法优于最先进的解决方案，包括学术方法和商业工具包。
RL-OPC：通过深度强化学习进行掩模优化
摘要 — 掩模优化是先进技术节点 VLSI 制造过程中的重要步骤。作为最具代表性的技术之一，光学邻近校正 (OPC) 被广泛应用于提高可印刷性。由于传统 OPC 方法消耗的计算开销过大，近期研究已将机器学习技术应用于高效的掩模优化。然而，现有的判别学习模型依赖给定的数据集进行监督训练，而生成学习模型通常利用代理优化目标进行端到端学习，这可能会限制可行性。在本文中，我们率先引入了用于掩模优化的强化学习 (RL) 模型，该模型无需利用可微代理即可直接优化首选目标。大量实验表明，我们的方法优于最先进的解决方案，包括学术方法和商业工具包。
Tara Emory，Jeremy Pickens＆Wilzette Louis，TAR 1参考模型：一个既定的框架，统一了传统和Genai技术的方法 -
我们提供了一个参考模型，以作为使用人工智能/机器学习将它们集成到焦油1的过程中的首次工作流程的基础。我们还提供了在判别性tar 1（使用歧视算法的tar 1（tar 1）和genai tar 1（使用生成AI算法的tar 1）的参考模型步骤中的任务图，以证明其相似性和差异。可以将预测算法视为发动机，而焦油1过程是车辆。发动机可能会有所不同，但是车辆的转向，座椅，车轮和其他关键功能未更改。要了解用于不同目标的引擎，需要在时间，成本，有效性，一致性和其他范围的指标方面进行比较益处的实证研究。TAR 1参考模型可以指导这些研究，并帮助从业者使用传统的歧视性al-gorithms和使用Genai的界限来了解TAR 1工作流之间的相似性和差异。
引用：Van Grootven B、Jepma P、Rijpkema C 等人。心脏病患者再入院预测模型：系统评价
摘要 目的 描述临床预测模型的判别和校准，确定有助于更好预测的特征，并研究与计划外再入院相关的预测因素。设计 系统评价和荟萃分析。数据来源 截至 2020 年 8 月 25 日，对 Medline、EMBASE、ICTPR（用于研究方案）和 Web of Science（用于会议论文集）进行了搜索。 选择研究的资格标准 如果研究报告了 (1) 患有急性心脏病的住院成年患者；(2) 具有 c 统计量的预测模型的临床表现；(3) 6 个月内计划外再入院，则符合条件。主要和次要结果测量 使用一致性 (c) 统计和模型校准来测量 6 个月内计划外再入院的模型判别。进行了元回归和亚组分析以调查预定义的异质性来源。汇总了多个独立队列报告的模型的结果测量值和类似定义的风险预测因子。结果 共纳入 60 项研究，描述 81 个模型：43 个模型是新开发的，38 个模型经过外部验证。纳入的人群主要是心力衰竭 (HF) 患者 (n=29)。平均年龄在 56.5 至 84 岁之间。再入院率为 3% 至 43%。几乎所有研究的偏倚风险 (RoB) 都很高。72 个模型的 c 统计量 <0.7，16 个模型的 c 统计量在 0.7 至 0.8 之间，5 个模型的 c 统计量 >0.8。研究人群、数据来源和预测因子数量是影响区分度的重要调节因素。27 个模型报告了校准情况。只有 GRACE（全球急性冠脉事件登记）评分在独立队列中具有足够的区分度（0.78，95% CI 0.63 至 0.86）。汇总了 18 个预测因子。 结论 一些有前景的模型在用于临床实践之前需要更新和验证。缺乏独立验证研究、高 RoB 和测量预测因子的低一致性限制了它们的适用性。PROSPERO 注册号 CRD42020159839。
通过AI
这项研究评估了人工智能（AI）通过使用SMARTPLS进行定量分析来增强自然资源管理的效率的作用。数据是从200名专业人士中收集的，在AI和自然资源管理方面具有重要的经验。描述性统计数据表明，在重音中，高水平的AI使用（X1）和技术能力（X2），平均得分分别为4.2和4.0。收敛性和判别有效性得到了证实，所有构建体的负载值均高于0.7，而AVE超过0.5。结构模型分析表明，AI的使用和技术能力对自然资源管理效率（Y1）的影响分别为0.45和0.38。这些发现强调了AI的关键作用以及技术培训的必要性，以最大程度地提高其收益。这项研究通过强调将AI纳入可持续资源管理实践的重要性，为未来的研究提供了强大的框架，从而为文献做出了贡献。