XiaoMi-AI文件搜索系统
World File Search System变形金刚
使用视频视觉变形金刚的婴儿溺水预防和警报系统
一个年轻人在独自一人或瞬间分散注意力时最有可能淹死（世界卫生组织，2023年）。大多数致命的溺水事件发生在受害者独自一人或目击者但无法拯救他们时发生的。世界卫生组织（WHO）和其他医疗组织将溺水描述为呼吸障碍，或者由于淹没而无法呼吸。WHO将“溺水”定义为致命和非致命性，尽管该术语历史上仅被用来描述在海中死亡的情况。每年，有3,957名印度新生儿因溺水而丧生，一到四岁的孩子最脆弱。实际上，仅次于车祸是1至14岁儿童无意死亡的主要原因。15岁以下儿童中发生了大量的溺水死亡和非致命伤害。在2018年至2023年之间，由于15岁以下儿童溺水受伤，平均有371人溺水死亡和8,300次住院。溺水的孩子可能非常悲惨，并对家庭产生持久影响。由于可能没有足够的时间来拯救溺水的孩子，因此所有努力都应集中在预防上。
定量最弱的超级pre：通过谓词变形金刚统一正确性和不正确性超副词
我们提出了一种新型最弱的微积分，用于对非确定性和概率程序的定量超普罗代理进行推理。现有的计算允许对数量从单个初始状态终止后假定的预期值进行推理，但我们这样做是为初始状态或初始概率分布的集合。因此，我们（i）获得了高hoare逻辑的最弱的前计算，（ii）启用有关所谓的高素质的推理，包括预期值但也包括数量（例如，差异）以前的工作范围。作为副产品，我们为加权程序获得了一个新颖的最强帖子，该职位既扩展了现有的最强和最强的自由主义后的计算。我们的框架揭示了前向和向后变压器之间的新颖二元性，正确性和不正确性以及不终止和不可收拾。
生物学启发的认知体系结构和生成的预训练的变形金刚是朋友或敌人？
bica*ai是一个悠久的长期研发企业，旨在创建旨在模仿人类水平人工智能的计算体系结构。最近，在其领域非常出乎意料的是，似乎是另一个竞争者 - 一种基于GPT的AI工具，旨在模仿用户友好的自然人类语言的人类计算机对话。正如其设计师所声称的那样，该设备展示了一般AI的迹象。在激动人心而快乐的接待之后，很明显，新竞争对手无法履行其预期的承诺 - 它会返回错误和误导性的回应，欺骗和虚假信息。该问题引发了一波公共反对意见，并要求停止并防止进一步的设备部署。另一方面，设备设计人员声称不完美是暂时的，很快该产品将富裕其备用的品质。不，这永远不会发生！本文的目的是说明最初基于GPT的AI工具设计的方法最初是有缺陷，错误和不合适的，因为它忽略了智能和信息专业人士的基本定义。该论文加入了普遍的意识，即对基于GPT的AI工具的不受限制和自由散布对人类社会构成威胁，类似于粗心的生物武器研究的威胁。
变形金刚和皮层波：编码器，用于跨时间在上下文中拉动
摘要：诸如ChatGpt和其他大型语言模型（LLM）等变压器网络的功能引起了世界的关注。其性能基础的至关重要的计算机制依赖于将完整的输入序列（例如，句子中的所有单词）转换为一个长的“编码向量”，该序列使变压器可以在自然序列中学习长距离的时间依赖性。具体来说，应用于此编码向量的“自我注意力”通过计算输入序列中的单词对之间的关联来增强变形金刚中的时间上下文。我们建议，跨单个皮质区域或以整个脑规模的多个区域传播的神经活动波可以实施类似的编码原理。通过将最新的输入历史记录到每个时间时刻，皮层波可以使时间上下文从感觉输入的序列中提取，这是变压器中使用的计算原理。
![[re] Birt：在视觉变形金刚中以生物风格的重播用于持续学习](/simg/4\4c1c4fb6909873de81a732fa517961b80c3e6721.webp)
[re] Birt：在视觉变形金刚中以生物风格的重播用于持续学习
持续学习（CL）构成了深层神经网络（DNN）的重大挑战，这是由于灾难性的忘记在引入新的任务时对先前获得的任务的灾难性忘记。人类在学习和适应新任务的情况下擅长而无需忘记，这是通过大脑中的融合学习系统归因于抽象体验的彩排的能力。这项研究旨在复制和验证Birt的发现，Birt的发现是一种新型方法，利用视觉变压器来增强表示练习的代表性，以进行持续学习。birt在视觉变压器的各个阶段引入了建设性噪声，并与工作模型的指数移动平均值（以减轻过度拟合并增强鲁棒性）相加。通过复制Birt的方法，我们试图验证其声称的改善，比传统的原始图像排练和香草代表对几个具有挑战性的CLENCHM分析进行排练。此外，这项研究还研究了Birt对自然和对抗性腐败的记忆效率和稳健性，旨在增强其实际适用性。复制将提供对原始论文中介绍的思想的可这种可总合性和普遍性的关键见解。
在平等中偏爱一个 - 不是一个好主意：基于变形金刚的人行人检测的多对一匹配
与基于卷积神经网络（CNN）相比，我们研究了基于变压器的行人检测模型较低性能的原因。CNN模型会产生密集的行人建议，单独完善每个建议，然后对其进行非最大抑制（NMS）的跟进，以产生稀疏的预测。在争论中，变压器模型每个地面真相（GT）行人盒选择一个建议，然后从中选择了正面的正态。所有其他建议，其中许多与选定的建议高度相似，都通过了负梯度。尽管这导致了稀疏的预测，从而消除了NM的需求，但在许多类似的建议中，任意选择，有效的训练和较低的行人检测准确性。为了减轻问题，我们建议基于Min-Cost-Flow的配方，而不是常用的Kuhn-Munkres匹配算法，并纳入了诸如每个地面真相盒的约束，并且与一个建议的提案相匹配，并且许多同样好的建议可以与单个地面真相盒相匹配。我们提出了基于匹配算法的第一个基于变压器的行人检测模型。广泛的实验表明，我们的方法达到了3个失误率（较低）3。7 /17。4 /21。8/8。3/2。0在Eurocity / tju-traffic / tju-校园 /城市专家 /加州理工学院数据集中，而4个。7/18。7/24。8/8。5/3。 1通过当前的sota。 代码可从https://ajayshastry08.github.io/flow_ matcher 获得。5/3。1通过当前的sota。代码可从https://ajayshastry08.github.io/flow_ matcher
bendr：使用变形金刚和对比的自我监督学习任务来从大量的脑电图数据中学习
用于大脑计算机界面（BCI）分类的深神经网络（DNN）通常会在跨多种环境进行训练时学习一般特征，因此可以将这些特征调整为特定环境。尽管在这种方法中找到了一些成功，但我们建议这种解释是有限的，替代方案将更好地利用新（公开）可用的大规模脑电图（EEG）数据集。我们考虑如何适应用于语言建模（LM）的技术和体系结构，这些技术和架构似乎能够以相同的静脉为DNN摄取大量数据来开发脑电图建模。我们特别适应了一种有效用于自动语音识别的方法，该方法（与LMS）类似地使用自我监督的训练目标来学习原始数据信号的压缩表示。适应脑电图后，我们发现单个预训练的模型能够建模具有不同硬件记录的完全新颖的RAW EEG序列，并且不同的主题执行不同的任务。此外，该模型的内部表示和整个体系结构都可以对各种下游BCI和EEG分类任务进行精确调整，在更多的任务（睡眠阶段分类）中表现优于先前的工作。
cuet_binary_hackers in Climateactivism 2024：仇恨言语事件中基于变形金刚的模型的全面评估和卓越性能
气候变化对我们环境和生活的不断升级促使气候变化行动主义激增。但是，诸如Twitter之类的社交媒体平台的滥用为仇恨激进主义，针对个人，组织或整个社区的仇恨打开了大门。此外，推文中对立场的识别也具有至关重要的意义，尤其是在理解行动主义成功的概述中。因此，为了应对检测此类仇恨推文，确定其目标并从Tweets的立场的挑战，此共享任务引入了三个子任务，每个任务都旨在提及一个提到的问题。我们在所有三个子任务中都涉及，在本文中，我们在不同的机器学习（ML），深度学习（DL），混合动力和基于变压器的模型之间进行了比较分析。我们的方法涉及对模型的适当高参数调整，并通过数据过采样来有效地处理类不平衡数据集。值得注意的是，我们的微调M-Bert在子任务A（仇恨语音检测）中获得了0.91的宏平均F 1分数，在子任务B（目标识别）中达到了0.74。另一方面，气候 - 伯特在子任务中的F 1得分为0.67。这些分数将我们定位在前沿，在各个子任务中获得第1，第6和15位。github 1中提供了任务的详细信息信息。
验证变形金刚在现实世界医疗保健中从电子健康记录中重新编写文本
摘要 - 在医疗保健记录中保护患者隐私是重中之重，并且修订是一种常用的方法，用于模糊文本中直接识别信息。基于规则的方法已被广泛使用，但是它们的精度通常较低，导致文本过度偿还，并且常常不足以适应不可遵循的人民健康信息的非标准化或非常规结构。深度学习技术已成为一种有前途的解决方案，但由于在不同部门，医院和国家 /地区的患者记录结构和语言的差异，在现实世界中实施它们引起了挑战。在这项研究中，我们介绍了基于变压器的模型Anoncat，以及如何在现实世界中将其部署在现实医疗保健中的蓝图。anoncat通过一个过程进行了培训，该过程涉及来自三家具有不同电子健康记录系统和3116个文档的英国医院的手动注释的现实文档的修订。该模型在所有三家医院中均达到了高性能，召回0.99、0.99和0.96。我们的发现证明了深度学习技术提高全球医疗保健数据中修复的效率和准确性的潜力，并强调了不仅使用这些模型的建筑工作流程的重要性，但也能够不断微调和审核这些算法的性能，以确保在现实世界中持续有效性。这种方法为通过微调和
