XiaoMi-AI文件搜索系统
World File Search System参数优化
使用 Amazon Sagemaker 的预训练卷积神经网络在多模态 MRI 中分割 HGG 和 LGG 脑肿瘤
摘要：多模态 MRI 的自动脑肿瘤分割在辅助胶质母细胞瘤和下脑胶质瘤的诊断、治疗和手术方面发挥着重要作用。在本文中，我们提出应用 AWS SageMaker 框架中实现的几种深度学习技术。不同的 CNN 架构经过调整和微调，以达到脑肿瘤分割的目的。对实验进行评估和分析，以获得所创建模型的最佳参数。所选架构在公开的 BraTS 2017-2020 数据集上进行训练。分割区分了背景、健康组织、整个肿瘤、水肿、增强肿瘤和坏死。此外，还提出了一种随机搜索参数优化的方法，以进一步改进获得的架构。最后，我们还计算了由所述六个模型的加权平均值创建的集成模型的检测结果。集成的目标是改善肿瘤组织边界的分割。我们的结果与 BraTS 2020 竞赛和排行榜进行了比较，根据骰子分数的排名，我们的结果位列前 25%。
在可解释的AI中以生物启发的技术用于增强...
摘要：这项研究研究了在可解释的AI（XAI）中使用生物启发的技术来预测阿尔茨海默氏病（AD）。阿尔茨海默氏病是一种神经系统疾病，使早期发现变得困难。使用生物学功能的生物启发的算法的使用提高了人工智能模型的预测精度。主要目标是建立一个可以开放且易于访问的AI系统，以便研究人员和医生可以了解其中的决策过程。该研究利用了多种生物启发的算法，包括受生物系统影响的群智能，神经网络和遗传算法。这些方法有助于特征选择，模型参数优化以及改善AI系统的可预测性。除了准确预测疾病外，该研究还强调了为了在医疗专业人员之间建立接受和信心的原因，这是多么重要。通过生物启发的方法和可解释的AI的结合来增强阿尔茨海默氏病检测技术，可能会导致更好的患者结果和早期治疗。
通过与网格搜索超级参数使用深CNN的脑肿瘤MR图像分类的多类分类框架
活检标本的摘要组织病理学分析仍用于诊断和对当今脑肿瘤进行分类。可用的程序是侵入性的，耗时的，并且倾向于人为错误。要克服这些缺点，需要实施完全自动化的深度学习模型，以将脑肿瘤分为多个类别。将肿瘤分为五个类别，例如正常肿瘤，神经胶质瘤肿瘤，脑膜瘤肿瘤，垂体肿瘤和转移性肿瘤等五个类别，其精度为92.98％。使用网格搜索优化方法，立即分配了建议的CNN框架的所有关键超级参数。Alex Net，Inception V3，Res Net -50，VGG -16和Google -Net都是最先进的CNN模型的示例，这些示例与建议的CNN模型进行了比较。使用庞大的公开临床数据集，产生了令人满意的分类结果。医师和放射科医生可以使用建议的CNN模型来确认其首次筛查脑肿瘤多分类。关键词：多分类，CNN模型，网格搜索技术，超级参数优化
使用量子卷积的多类分类...
多类分类对于各种应用程序非常感兴趣，例如，它是计算机视觉中的常见任务，其中一个需要将图像分为三个或更多类。在这里，我们提出了一种基于量子卷积神经网络来解决多类分类问题的量子机学习方法。相应的学习过程是通过TensorFlowquantum作为混合量子 - 古典（变化）模型实现的，其中量子输出结果通过优化量子电路的参数优化跨熵损失的随后最小化量符号。我们在这里的构思改进包括量子感知器的新模型和量子电路的优化结构。我们使用建议的方法来解决MNIST数据集的4类分类问题，使用八个量子位用于数据编码和四个Ancilla Qubits；三级分类问题已经获得了先前的结果。我们的结果表明，解决方案的准确性类似于具有相当数量的可训练参数的经典卷积神经网络。我们期望我们的发现将为使用量子神经网络朝着解决NISQ时代及其他地区的相关问题提供新的一步。
d帽：针对创伤的头盔概念的硅藻启发的结构
头盔设计的主要目标继续阻止创伤性脑损伤。然而，实现了最佳的用户体验，包括适合性，舒适性，透气性，防水性和头盔可重复使用性等方面变得越来越重要。因此，设计具有多功能性能的头盔代表了这些安全设备的最新技术前沿。这项研究从特定物种的单细胞藻类的形态中汲取灵感，coscinodiscus sp。硅藻，设计一种能够复制其细胞结构和多功能性的仿生材料。与生物学对应物不同，合成材料专门设计为多发性头盔的内线，适用于城市运动和微型动力应用。该材料的架构是使用计算机辅助设计（CAD）工具建模的，并使用基于有限元元素建模和对3D打印的弹性样品进行的数值和准静态压缩测试来分析其吸收机械能的能力。然后，通过参数优化，其性能最大化。结果表明，设计的材料表现出与其他细胞材料（例如蜂窝）相当的能量吸收特征，同时提供了轻质，透气性和对大气剂的保护。关键字
sbiax：基于jax
我们提供的软件SBIAX旨在使用机器学习和物理研究人员使用密度估计SBI技术来运行贝叶斯推断。这些模型可以轻松地适合代码中的多加速器培训和推断。该软件 - 用JAX编写（Bradbury等，2018） - 允许将最先进的生成模型整合到SBI上，包括连续正常化的流量（Grathwohl等，2018），匹配流量（Lipman等人，2023年，2023年），掩盖了自动化的自动化型（papamakarian et aul ther and all。在代码中实现。该代码具有与Optuna（Akiba等，2019）的集成（Akiba et al。，2019年）的超参数优化框架，该框架将用于确保一致的分析，用于快速MCMC采样的BlackJax（Cabezas等，2024）用于Neural网络方法，用于快速MCMC采样（Kidger＆Garcia，2021）。SBIAX的设计允许训练和采样新的密度估计算法，只要它们符合SBIAX中所示的简单且典型的设计模式。
3D-QAE：3D 点云的全量子自动编码
现有的学习 3D 表示的方法是在经典硬件上训练和测试的深度神经网络。尽管理论上预测了量子机器学习架构在速度和表示容量方面的优势，但迄今为止，它还没有被考虑用于这个问题，也没有被考虑用于一般涉及 3D 数据的任务。因此，本文介绍了第一个用于 3D 点云的量子自动编码器。我们的 3D-QAE 方法是完全量子的，即其所有数据处理组件都是为量子硬件设计的。它在 3D 点云集合上进行训练以生成它们的压缩表示。除了找到合适的架构之外，设计这种完全量子模型的核心挑战还包括 3D 数据规范化和参数优化，我们为这两个任务提出了解决方案。在基于模拟门的量子硬件上的实验表明，我们的方法优于简单的经典基线，为 3D 计算机视觉的新研究方向铺平了道路。源代码可在 https://4dqv.mpi-inf.mpg.de/QAE3D/ 获得。
用于磁性皮层内神经刺激的微线圈探头
随着微纳米制造技术的发展，用于大脑皮层内神经调节的神经探针也得到了发展。这些用于皮层内刺激的技术大多依赖于通过电极或电极阵列进行的直接电刺激。利用时变磁场产生电场是一种较新的神经调节技术，已被证明对皮层内刺激更为有效。此外，电流驱动线圈不需要与组织进行导电接触，并能够精确调整磁场，不受生物组织和封装层非磁性的影响。可以根据操作所需的参数优化和定制此类微线圈制造的材料和设计参数空间，以提供理想的性能。在这项工作中，我们回顾了可植入微线圈的关键要求，包括探针结构和材料特性，并讨论了它们在皮层内神经调节应用中的特性和相关挑战。© 2021 作者。除非另有说明，本文的所有内容均根据知识共享署名 (CC BY) 许可证进行授权 (http://creativecommons.org/licenses/by/4.0/)。https://doi.org/10.1063/5.0023486
用于检测和分类恶意软件的框架...
抽象恶意软件构成了对网络基础架构的主要威胁，该威胁容易受到几种破坏性恶意软件攻击的影响，例如病毒和勒索软件。传统的Antimalware软件可提供有限的效率，以防止恶意软件删除，因为不断发展的恶意软件能力（例如多态性）。Antimalware仅删除了其签名的恶意软件，并且对零日间攻击无效和无助，几项研究工作利用了监督和无监督的学习算法来检测和分类恶意软件，但假阳性占上风。这项研究利用机器学习来通过采用机器学习技术（包括特征选择技术以及网格搜索超参数优化）来检测和对恶意软件进行分类。主成分分析与Chi Square结合使用，以治愈维数的诅咒。支持向量机，K最近的邻居和决策树用两个数据集分别训练模型。使用混乱矩阵，精度，召回和F1评分评估了研究模型。使用CICMALMEM数据集分别使用K最近的邻居，决策树和支持向量机获得了99％，98.64％和100％的精度，该数据集分别具有相等数量的恶意软件和良性文件，K最近的邻居无法实现误报。未来的作品包括采用深度学习和集成学习作为分类器以及实施其他超参数优化技术。关键字：恶意软件检测，功能选择，超参数调整，网格搜索，机器学习。Accuracy of 97.7%,70% and 96% was achieved with K Nearest Neighbor, Decision Tree and Support Vector Machine respectively with Dataset_Malware.csv dataset, K Nearest Neighbor achieved False Positives of 38.The Model was trained separately with default hyperparameters of the chosen algorithms as well as the optimal hyperparameters obtained from Grid Search and it was discovered that optimizing超参数和与主组件分析获得的功能和Chi Square获得的功能使用具有相等数量的良性和恶意文件（CICMALMEM数据集）的数据集训练模型，从而通过支持向量机获得了最佳性能。简介的使用互联网的使用兴起，这是一个全球互连计算机网络的网络，带来了新的风险和漏洞。网络安全面临的主要问题之一是恶意攻击（Abiola＆Marhusin，2018年）。恶意软件（也称为恶意软件）是侵入性软件，其设计具有伤害的特定目标，获得
混合可再生能源电网中的频率调节：利用负载频率控制和氧化还原液流电池的有效策略
可再生能源 (RES) 已成为电网不可或缺的组成部分，但它们的整合带来了系统惯性损失以及负载需求与发电能力不匹配等挑战。这些问题危及电网稳定性。为了解决这个问题，提出了一种有效的方法，将增强型负载频率控制 (LFC)（即模糊 PID-TID µ）与受控储能系统（特别是受控氧化还原液流电池 (CRFB)）相结合，以减轻 RES 整合带来的不确定性。该策略的参数优化是使用小龙虾优化算法 (COA) 实现的，该算法以其全局优化能力以及探索与利用之间的平衡而闻名。与传统控制器（PID、FO-PID、FO-(PD-PI)）的性能评估证实了所提出的方法在 LFC 中的优越性。在各种负载扰动、高可再生能源渗透率和通信延迟下进行的广泛测试确保了其在最大限度地减少中断方面的有效性。使用标准化 IEEE 39 总线系统进行验证进一步证明了其在应对大量可再生能源渗透的电网中的效率。总之，该综合战略为适应日益增加的可再生能源利用的现代电力系统提供了强有力的解决方案。