XiaoMi-AI文件搜索系统
World File Search System卷积
基于自旋轨道扭矩的交叉阵列用于抗错误二进制卷积神经网络
摘要 — 卷积神经网络 (CNN) 是最重要的深度神经网络 (DNN) 类别之一，有助于解决许多与图像识别和计算机视觉相关的任务。它们使用传统 CMOS 技术和数字设计技术的传统实现仍然被认为非常耗能。浮点 CNN 主要依赖于 MAC（乘法和累加）运算。最近，基于 XNOR 和位计数运算的经济高效的 Bite-wise CNN 已被视为可能的硬件实现候选。然而，由于内存和计算核心之间密集的数据提取导致的冯诺依曼瓶颈限制了它们在硬件上的可扩展性。XNOR-BITCOUNT 操作可以通过在忆阻交叉开关阵列上执行的内存计算 (IMC) 范例轻松实现。在新兴的忆阻设备中，自旋轨道扭矩磁随机存取存储器 (SOT-MRAM) 提供了具有更高导通电阻的可能性，从而可以降低读取电流，因为所有交叉开关阵列都是并行读取的。这有助于进一步降低能耗，为更大的交叉开关设计铺平道路。本研究提出了一种基于 SOT-MRAM 的交叉开关架构，能耗极低；我们研究了工艺变异性对突触权重的影响，并对整个交叉开关阵列进行了蒙特卡罗模拟，以评估错误率。模拟结果表明，与其他忆阻解决方案相比，此实现的能耗较低，每次读取操作的能耗为 65.89 fJ。该设计对工艺变化也具有很强的鲁棒性，读取误差极低，最高可达 10%。
loc-net：快速视觉位置识别的本地化卷积尖峰神经网络
4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国4美国加利福尼亚州斯坦福大学的神经外科系，5神经科学计划，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana-Champaign，伊利诺伊州Urbana，伊利诺伊州Urbana，美国伊利诺伊州伊利诺伊州乌尔巴纳大学的人工智能创新中心，6，伊利诺伊州工程学院，伊利诺伊州，伊利诺伊州乌里诺斯大学，伊利诺伊州乌里诺斯·塞拉纳，工程学院。伊利诺伊州Urbana-Champaign，伊利诺伊州乌尔巴纳大学，伊利诺伊州乌尔巴纳大学工程学，机械科学与工程学，美国伊利诺伊州乌尔巴纳 - 欧巴纳大学分子与综合生理学系8伊利诺伊州乌尔巴纳，美国
新兴股票市场分析的卷积深钢筋学习体系结构
在复杂而充满活力的股票市场格局中，投资者试图优化收益，同时与价格波动相关的微型风险。已经提出了各种创新方法，以通过考虑历史趋势和社会因素来实现高利润。尽管取得了进步，但预测市场动态仍然是一个持续的挑战。这项研究介绍了一种新颖的深入增强学习（DRL）体系结构，以有效地预测股票市场的回报。与需要手动功能工程的传统方法不同，拟议的模型利用卷积神经网络（CNN）直接处理每日股票价格和财务指标。该模型通过用卷积层替换传统的Q-表，解决了培训期间过度拟合和数据稀缺问题。优化过程最小化了平方误差的总和，从而提高了词典的准确性。实验评估证明了该模型的鲁棒性，在短期和长期视野中，在买卖策略上实现了67％的方向准确性。这些发现强调了该模型在浏览复杂市场环境中的适应性和有效性，从而在财务预测方面取得了重大进步。
深度卷积神经网络在脑电图中的应用：原始数据与光谱特征
摘要 — 深度学习在计算机视觉领域的成功启发了科学界探索新的分析方法。在神经科学领域，特别是在电生理神经成像领域，研究人员开始探索利用深度学习来预测他们的数据，而无需进行广泛的特征工程。本文使用两种不同的深度卷积神经架构比较了使用经过最低限度处理的 EEG 原始数据的深度学习与使用 EEG 光谱特征的深度学习。其中一个来自 Putten 等人 (2018)，专门用于处理原始数据；另一个来自 VGG16 视觉网络 (Simonyan and Zisserman, 2015)，旨在处理 EEG 光谱特征。我们应用它们对来自 1,574 名参与者的大型语料库的 24 通道 EEG 进行性别分类。我们不仅改进了此类分类问题的最新分类性能，而且还表明在所有情况下，与光谱 EEG 特征相比，原始数据分类可带来更出色的性能。有趣的是，我们表明，专门用于处理 EEG 频谱特征的神经网络在应用于原始数据分类时性能有所提高。我们的方法表明，用于处理 EEG 频谱特征的相同卷积网络在应用于 EEG 原始数据时可产生优异的性能。
gl-icnn：端到端解释的卷积...
摘要 - 基于卷积神经网络（CNN）的深度学习方法显示，基于成像数据，基于成像数据的痴呆症的早期和准确诊断的早期和准确诊断都很大。但是，这些方法尚未在临床实践中被广泛采用，这可能是由于深度学习模型的解释性有限。可解释的提升机（EBM）是玻璃框模型，但无法直接从输入成像数据中学习功能。在这项研究中，我们提出了一个可解释的新型模型，该模型结合了CNN和EBM，以诊断和预测AD。我们制定了一种创新的培训策略，该策略将CNN组件作为功能提取器和EBM组件作为输出块而交替训练CNN组件，以形成端到端模型。该模型将成像数据作为输入，并提供预测和可解释的特征重要性度量。我们验证了有关阿尔茨海默氏病神经影像学计划（ADNI）数据集的拟议模型，以及Health-Ri Parelsnoer神经疾病生成疾病生物库（PND）作为外部测试集。所提出的模型以AD和对照分类为0.956的面积为0.956，预测轻度认知障碍（MCI）在ADNI队列上进行AD的预测为0.694。所提出的模型是与其他最先进的黑盒模型相当的玻璃盒模型。我们的代码可在以下网址提供：https：//anonymon.4open.science/r/gl-icnn。索引术语 - Alzheimer氏病，MRI，深度学习，转换神经网络，可解释的提升机器，明显的人工智能
反卷积网络在癫痫检测中的特征可解释性应用
大脑中不规则的电活动会导致人的行为、运动、感官体验和对周围环境的意识发生深刻而暂时的变化（Nasiri 和 Clifferd，2021 年）。在早期阶段识别和治疗癫痫对患有这种疾病的人来说可以带来关键而有价值的变化。头皮脑电图 (EEG) 是一种测量大脑电活动的非侵入性技术，是诊断癫痫的广泛使用的补充检查（Liang 等人，2020 年）。在癫痫发作期间，患者的脑电图将显示出明显的异常模式（Staba 等人，2014 年）。医生可以通过检查脑电图来帮助确定是否发生癫痫。然而，审查长期脑电图需要医生投入大量的时间和精力。因此，开发自动癫痫检测算法至关重要（Si 等人，2023 年）。研究人员正积极致力于开发利用脑电图数据自动检测癫痫发作的方法。从最初使用硬件电路的尝试到后来利用时域信息和基于阈值的方法进行癫痫发作检测。后续发展涉及使用频域特征和提取时频特征（Xia 等人，2015 年）进行癫痫发作检测。自引入以来，深度学习模型在计算机视觉任务中比手动提取的特征更具弹性（Chen 等人，2024 年）、语音识别（Eris and Akbal，2024 年）和自然语言处理（Luo 等人，2024 年）。因此，利用深度学习技术自动使用脑电图信号检测癫痫发作已显示出在做出最合适和最快临床决策方面具有重大前景（Ahmad 等人，2023 年）。近几年来，各种深度学习模型已用于癫痫发作检测，包括循环神经网络（Tuncer 和 Bolat，2022 年）、生成对抗网络（Rasheed 等人，2021 年）、深度神经网络（Liu 和 Richardson，2021 年）、分层神经网络（Hu 等人，2021 年）和卷积神经网络。这些模型取得了令人鼓舞的结果（Kaur 等人，2022 年）。卷积网络在逐像素进行端到端训练后，性能得到了进一步提升。随着全卷积网络 (FCN) 的引入，神经网络设计可以处理不同大小的输入，并通过高效的推理和学习机制产生相应大小的输出（Chou 等人，2023 年）。然而，FCN 尚未广泛应用于癫痫发作检测。同时，以往的深度学习算法往往忽略了不同通道对分类任务的贡献，导致模型的可解释性有限。针对上述问题，本文提出了一种基于深度学习的独立癫痫检测算法。算法可以从多通道脑电图数据中自主提取时间和空间信息，从而能够精确识别不同患者的癫痫发作事件。本文做出了几个关键贡献，包括：λ 提出了一种结合 SE（挤压和激励）模块的 CNN 模型检测算法。该方法已在 CHB-MIT 数据集上进行了评估，并取得了优异的性能。λ 首次将 FCN 模型中的上采样方法应用于癫痫发作检测，通过利用反卷积实现，将降尺度的图像从
引用这项研究：Jain，R.，Bekele，S.K.，Palaniappan，D.，Parmar，K。，Premavathi，T。，（2025年）。采用深层卷积神经网络来增强
在人工智能中的图像处理和技术方面的进步使计算机可以看到和学习。本文介绍了一项技术，该技术已利用Mobilenetv2深卷积神经网络体系结构来自动识别和诊断图像中的植物疾病。植物疾病的识别和分类现在仅由人类专家 - 杂种延伸代理人和农民，昂贵的劳动力，容易犯错。这项研究依靠数据集收集作为分类和识别植物疾病的技术。这是一个多步骤过程，涉及有关原始集合的预处理数据，叶片的面罩绿色区域，删除绿色部分，转换为灰度，然后获得一些特征，选择并在疾病管理方面进行分类。考虑了两种不同类型的植物，即玉米和马铃薯，以显示拟议模型结果的有效性。混淆矩阵和分类性能报告用于评估系统。土豆和玉米的数据集分别包括6228和6878张叶子的图像。精确，召回和F1得分分别记录为95.15％，94.76％和94.93％，分别记录为马铃薯和玉米数据集的累积性能。这转化为在为这些农作物挑选大多数疾病的抵抗力，使其成为可以在农业疾病检测中信心使用的资源。Mobilenetv2模型在两种农作物中都表现良好，尤其是对于马铃薯早期的疫病和玉米共同生锈。在识别健康的马铃薯叶子方面的性能较低表明，健康和患病的叶子的特征空间可能会重叠。Mobilenetv2模型通常在检测大多数影响马铃薯叶和玉米叶子的疾病时具有强大的能力，但是需要将某些特定区域作为目标以进一步增强。
卷积神经网络的集成学习
我们在 2019 年预测分析大赛 (PAC) 中名列第三，通过 T1 加权 MRI 脑部图像预测年龄，平均绝对误差 (MAE) 达到 3.33 岁。我们的方法结合了七种算法，当特征数量超过观测值数量时，这些算法可以生成预测，特别是两个版本的最佳线性无偏预测器 (BLUP)、支持向量机 (SVM)、两个浅层卷积神经网络 (CNN) 以及著名的 ResNet 和 Inception V1。集成学习是通过在训练样本的保留子集中的线性回归估计权重而得出的。我们进一步评估并确定了可能影响预测准确性的因素：算法的选择、集成学习以及用作输入/MRI 图像处理的特征。我们的预测误差与年龄相关，年龄较大的参与者的绝对误差更大，这表明需要增加该子群的训练样本。我们的研究结果可用于指导研究人员建立健康个体的年龄预测指标，可用于研究和临床，作为疾病状况的非特异性预测指标。
neujeans：私人神经网络推断，卷积和引导的联合优化
完全同构加密（FHE）是一种有前途的加密原始原始性，用于实现私人神经网络推理（PI）服务，通过允许客户端将推理任务完全卸载到云服务器，同时使客户端数据不符合服务器。这项工作提出了Neujeans，这是一种基于深层卷积神经网络（CNN）PI的解决方案。neujeans解决了CNN评估的巨大计算成本的关键问题。我们介绍了一种称为系数中插槽（CINS）编码的新型编码方法，该方法可以在一个HE乘法中进行多次插入而无需昂贵的插槽排列。我们进一步观察到编码是通过在常规插槽编码中的密文上进行离散傅立叶变换（DFT）的前几个步骤来获得的。此属性使我们能够保存CINS和插槽编码之间的转换，因为启动绑带密文始于DFT。利用这一点，我们为各种二维卷积（Conv2D）操作设计了优化的执行流，并将其应用于端到端CNN启动。neujeans与基于最新的FHE PI工作相比，高达5.68倍的Conv2D激活序列的性能加速了，并在仅几秒钟内就可以在Imagenet的规模上执行CNN的PI。
患者来源的三阴性乳腺癌异种移植可实现反卷积和预测化疗反应
Jonathan T. Lei 1,2，Lacey E. Dobrolecki 1，Chen Huang 1,15，Ramakrishnan R. Srinivasan 1，Suhas V. Vasaikar 1,16，Alaina N. Lewis 1，Christina Sallas 1，Christina Sallas 1，Na Zhao 2，Na Zhao 2，Jin Cao 1，17，17，17，lia lia lia lia lia lia lia lian lian lion lion，kh yu。 ，C。KentOsborne 1，Mothaffar F. Rimawi 1，Matthew J. Ellis 1,18，Varduhi Petrosyan 3，Bo Wen 1,19，Kai Li 1,20，Alexander B. Saltz 14，Anna Malov，Anna Malov，Anna Malov 1,4,5 Ang 1，Senthil Damodaran 9，Xiaofeng Zheng 9，Funda Meric-Bernstam 9，Gloria V. Echeng，11，11，11，Anna Shie，XI Chen 1,9，Bryan E. Welm 12，Alana L.