XiaoMi-AI文件搜索系统
World File Search System合奏
过滤器和包装器堆叠合奏（FWSE）-Dr -ntu
Sugam Budhraja是新西兰奥克兰理工大学的博士生。他的背景是机器学习和软件开发。他的研究领域包括神经信息学，深度学习，自学学习和回声状态网络。Maryam Doborjeh获得了新西兰奥克兰理工大学的计算机科学博士学位。她目前是新西兰奥克兰技术大学工程，计算机和数学科学学院的高级讲师。她的研究领域是神经信息学，尖峰神经网络，机器学习和大脑数据分析。巴尔卡兰·辛格（Balkaran Singh）是新西兰奥克兰理工大学的博士生。他的背景是计算机科学和应用统计。他的研究领域是在神经网络，持续学习，元学习和尖峰神经网络中的优化。塞缪尔·谭（Samuel Tan）是新加坡南南技术大学的博士生。他的背景是生物科学和统计。他的研究领域包括生物信息学，网络理论和邻里优化。Zohreh Doborjeh获得了博士学位。来自新西兰奥克兰技术大学的计算认知神经科学博士学位。她目前是新西兰奥克兰大学大脑研究中心的博士后研究员，也是新西兰威卡托大学心理学学院的讲师。她的研究领域是神经信息学，神经心理学，认知神经科学和人工智能。收到：2023年2月9日。埃德蒙德·莱（Edmund Lai）获得了西澳大利亚大学的电气工程博士学位。他目前是新西兰奥克兰技术大学工程，计算机和数学科学学院的信息工程学教授。他的研究兴趣是数字信号处理，计算智能，多代理动力系统和优化。亚历山大·梅尔金（Alexander Merkin）在俄罗斯的社会和法医精神病学研究中心获得了精神病学博士学位。他目前是AUT大学中风与应用神经科学研究所的研究员，也是Aut University心理治疗与咨询系讲师。他的研究兴趣包括数字心理健康，人工智能，心理学，精神病学和认知神经科学。吉米·李（Jimmy Lee）获得了新加坡国立大学的基本医学学位。他是新加坡心理健康研究所的精神科医生和临床医生，也是南约技术大学Lee Kong Chian医学院的副教授。他的研究领域是精神病学，心理药理学，精神分裂症和基于AI的健康技术。Wilson Goh获得了英国伦敦帝国学院的生物信息学和计算系统生物学博士学位。他目前是新加坡南南技术大学Lee Kong Chian医学院生物医学信息学助理教授。 他的研究领域是复杂的系统，生物信息学，计算生物学，蛋白质组学和基因组学。他目前是新加坡南南技术大学Lee Kong Chian医学院生物医学信息学助理教授。他的研究领域是复杂的系统，生物信息学，计算生物学，蛋白质组学和基因组学。尼古拉·卡萨博夫（Nikola Kasabov）获得了保加利亚索非亚技术大学的博士学位。他是新西兰奥克兰技术大学工程，计算和数学科学学院的Kedri的创始董事和知识工程教授。他在英国Ulster University，IICT保加利亚科学院和中国达利安大学担任教授职位。他的研究领域是计算智能，神经信息学，知识发现和尖峰神经网络，以及700多个出版物。修订：2023年9月18日。接受：2023年10月3日©作者2023。牛津大学出版社出版。这是根据Creative Commons归因非商业许可（https://creativecommons.org/licenses/by-nc/4.0/）发行的开放访问文章，该媒介在任何媒介中允许非商业重复使用，分发和复制，前提是原始工作被正确引用。有关商业重复使用，请联系journals.permissions@oup.com
通过量子神经网络的合奏技术节省资源
抽象的量子神经网络对许多应用程序具有重要的承诺，尤其是因为它们可以在当前一代的量子硬件上执行。但是，由于量子位或硬件噪声有限，进行大规模实验通常需要显着的资源。此外，模型的输出容易受到量子硬件噪声损坏的影响。为了解决这个问题，我们建议使用集合技术，该技术涉及基于量子神经网络多个实例构建单个机器学习模型。尤其是，我们实施了具有不同数据加载配置的包装和ADABOOST技术，并评估其在合成和现实世界分类和回归任务上的性能。为了评估不同环境下的潜在性能改善，我们对基于模拟的无噪声软件和IBM超导QPU进行了实验，这表明这些技术可以减轻量子硬件噪声。此外，我们量化了使用这些集成技术节省的资源量。我们的发现表明，这些方法即使在相对较小的量子设备上也能够构建大型，强大的模型。
可解释的人工智能（XAI）用于预测糖尿病管理：合奏方法
摘要 - 机器学习确定来自数据的模式，以加快决策过程。基于事实的决策和数据驱动的决策由行业专家指定。由于医疗保健中机器语言模型的持续增长，它们在ML模型中繁殖了连续的复杂性和黑匣子。为了使ML模型晶体清晰且可实现的解释，AI登录率很高。这项研究审查了印度医疗保健系统中可解释的AI和能力检测糖尿病。石灰和外形是两个用于实现可解释AI的库和软件包。密封的基础合并局部和全局可解释的方法，从而增强了复杂模型的结晶度，并从复杂模型中获得了对公平性的直觉。此外，所获得的直觉还可以促进临床数据科学家计划对计算机辅助诊断的更奇怪的组成。XAI对预测顽固疾病的重要性。 在这种情况下，顽固的糖尿病，血浆与胰岛素与胰岛素之间的相关性，年龄与妊娠，类（糖尿病和非糖尿病患者）与血浆葡萄糖的相关性持续存在着牢固的关系。 具有塑形值的PIMD（PIMA印度糖尿病数据集）用于简洁依赖性，而当同时需要特征的锚定和重要性时，石灰是适用的。 依赖图可帮助医生可视化与预测疾病的独立关系。 要识别不同属性的依赖性，使用相关热图。XAI对预测顽固疾病的重要性。在这种情况下，顽固的糖尿病，血浆与胰岛素与胰岛素之间的相关性，年龄与妊娠，类（糖尿病和非糖尿病患者）与血浆葡萄糖的相关性持续存在着牢固的关系。具有塑形值的PIMD（PIMA印度糖尿病数据集）用于简洁依赖性，而当同时需要特征的锚定和重要性时，石灰是适用的。依赖图可帮助医生可视化与预测疾病的独立关系。要识别不同属性的依赖性，使用相关热图。从学术的角度来看，Xai在不久的将来对成熟是必不可少的。估算了其他适用数据集对应研究的介绍，这是非常学徒的。
深度学习模型的合奏，用于心跳心律不齐
心律不齐是全世界死亡的主要原因之一，由于生活方式的改变，其流行率急剧上升。由于其非侵入性，ECG信号通常被用于检测心律不齐。手动技术需要很长时间，并且容易出错。利用深度学习模型早期自动识别心律不齐是改善诊断和管理的首选替代方法。本文提出了一个独特的集合深层结构化学习模型，用于分类心律不齐，以整合注意力机制，双向长期记忆和卷积神经网络。它分为五个类别：非分解（n），上室异位（S），心室异位（V），融合（F）和未知（q）。MIT-BIH和St. Petersburg数据集集成为多模型数据集，用于培训，验证和测试建议的模型。还通过F1得分，回忆，准确性和精度测试了模型的性能。基于所有这些方法的合奏，该模型准确99％。
关于预测维护的特征选择的稳定性和均匀合奏：铣削中的刀具条件监视的分类应用
摘要：功能选择（FS）代表了许多基于机器学习的预测前维护（PDM）应用程序的重要步骤，包括各种工业流程，组件和监视任务。所选功能不仅是学习模型的输入，而且还可以影响进一步的决策和分析，例如，PDM系统的传感器选择和可理解性。因此，在部署PDM系统之前，至关重要的是检查输入数据中所选特征的可重复性和鲁棒性。这对于具有较低样本比率比（SDR）的现实世界数据集特别重要。然而，据我们所知，在PDM的领域尚未考虑FS方法在数据变化下的稳定性。本文通过铣削中的工具状况监测来解决此问题，其中采用了基于支持向量机和随机森林的分类器。我们使用五倍的交叉验证来评估三种流行的基于滤波器的FS方法，即Fisher评分，最小冗余最大相关性（MRMR）和RERIEFF，以稳定性和宏F1表示。此外，对于每种方法，我们研究了同质FS集合对两个性能指标的影响。为了获得广泛的见解，我们使用了从我们的实验和NASA的存储库中获得的四个（2：2）的铣削数据集，它们在操作条件，传感器，SDR，类等方面有所不同。对于每个数据集，对两个单独的传感器及其融合进行了研究。（2）在大多数情况下，Fisher得分（单和/或合奏）优越。在结论中：（1）不同的FS方法可以产生可比的宏F1，但FS稳定性值大为不同。（3）MRMR的稳定性总体上是不同设置（例如传感器，子集基数）的最低，最大的稳定性，并且是从整体中最有益的一种。
使用基于决策树的合奏学习模型Ozge Sen Kaya A，Sinem Bozkurt Keser B， *和Kemal Keskin B
质子泵抑制剂（PPI）广泛用于治疗与胃酸相关的疾病全球和我们国家。PPI的高可靠性还允许长期用于慢性疾病的适当适应症，这增加了药物相互作用的可能性。因此，很明显，应根据药物相互作用来监控PPI的使用，以提供药物治疗成功和患者的安全性。最接近健康顾问的药剂师在处方履行过程中确定这些相互作用的能力将极大地有助于治疗成功。尽管许多研究涉及PPI和药物相互作用的合理使用，但揭示观察性药物相互作用的研究数量很少。本研究旨在确定PPI的社区药房经常遇到的药物 - 药物相互作用，这些药房与许多药物相互作用，通常是处方的。为此，检查了大约1700份由选定的社区药房提供的处方，该处方被检查。通过考虑研究的局限性评估了一百六十四个处方。通过三个不同的电子数据库检查了药物 - 药物相互作用。已经确定164个处方中有73个在三个数据库中的至少一个中有相互作用。在73个处方中，观察到了86种药物相互作用。研究中检测到的相互作用的34％是由兰索拉唑引起的。
评估在加利福尼亚州年度草原的牧场植物生产上的多模型合奏季节性气候预测
1生态学家，Red Rock Resources，LLC，Miles City，Miles City，MT 59301，美国2植物生理学家，美国农业部（USDA） - 农业研究服务（ARS），西北流域研究中心，Boise，ID 83702，美国ID 83702 93407，美国4顾问，UC合作扩展牲畜，范围和自然资源，Stanislaus和San Joaquin县；加利福尼亚大学，莫德斯托，美国加利福尼亚州95358，美国5复杂系统系，加利福尼亚大学，默塞德分校，CA 95343，美国6塞拉利昂内华达州内华达州研究所，加利福尼亚州塞拉加州，加利福尼亚大学，默塞德大学，加利福尼亚大学95343，美国7生态学家，美国农业部（USDA） - 农业研究人员和美国范围内的工厂，或9. USAD SECTING 7
调查了cordex-FPS对流中KM级区域气候模拟合奏的热浪的表示
抽象热浪（HWS）是强调社会和生态系统的高影响现象。预计在世界许多地区的气候中，其强度和频率将增加。尽管这些影响可能是广泛的，但它们可能会受到当地和区域特征（例如地形，土地覆盖和城市化）的影响。在这里，我们利用了在这些精细尺度上阐明热浪的影响所需的高分辨率建模的最新进展。此外，我们旨在了解新一代KM规模的区域气候模型（RCMS）如何调节在众所周知的气候变化热点上热浪的代码。我们分析了15个对流渗透的区域气候模型（CPRCM，〜2–4 km网格间距）模拟及其驾驶，对流参数化的区域气候模型（RCM，〜12-15 km网格间距）的驾驶，来自Cordex旗舰飞行员对对话的模拟。重点是评估实验（2000-2009）和具有一系列气候特征的三个子域。在HWS期间，通常在夏季，CPRCMS表现出比驾驶RCMS更温暖和干燥的条件。与CPRCM相比，RCMS中的热通量分配发生了变化，导致较高的最高温度，每天的峰值高达〜150 W/m 2。这是由CPRCMS中土壤水分含量降低5–25％的驱动，这又与更长的干咒长度（最高两倍）有关。确定这些差异是否代表改进是一项挑战。然而，基于点尺度的最高温度评估表明，与RCMS相比，这种CPRCMS较高/干燥的趋势可能更现实，而参考位点的约70％表明与驾驶RCMS相比增加了附加值，仅当考虑到分布右尾部时增加到95％。相反，根据平坦区域上的高尺度网格方法，发现CPRCMS轻微有害效应。当然，CPRCM会增强干燥条件，对夏季温度高估的敲门含义。这种改善的HWS物理表示是否也对未来的变化产生了影响。
通过自我监督的识别一致的神经合奏
从记录的神经活动中解码刺激或行为是研究大脑功能在研究中的常见方法，也是脑部计算机和脑机界面的重要组成部分。可靠的解码即使是从小型神经种群中也可能导致高维神经种群活动，通常占据低维man-可通过合适的潜在可变模型可发现的低维man。随着时间的流逝，单个神经元的活性和神经记录设备中不稳定性的漂移可能是基础的，使几天和几周的稳定解码变得不切实际。虽然无法在单个神经元水平上预测这种漂移，但是当连续记录会话（例如不同的神经元集以及记录数据中一致的神经元的变化排列）时，人群水平的变化可能是可以学习的。在会话中的一致性与陌生神经元的分类以及按照记录的一致记录神经元的偏差来考虑偏差，然后可以保持解码性能并揭示与任务相关的神经歧管。在这里，我们表明，对深神经网络的自我监督培训可用于弥补这一间歇间的可变性。结果，顺序的自动编码模型可以维持最新的行为解码性能，以使未来几天的完全看不见的记录会话。我们的方法仅需要一次录制会话来培训模型，这是迈向可靠，无重新校准的大脑计算机接口的一步。关键字：多种学习，神经科学，自我监督学习，神经解码，神经种群活动，顺序自动编码器，电生理学
最佳的贝叶斯阈值，用于使用类转换合奏的重新平衡分类问题
数据不平衡发生在许多现实世界应用领域，该领域旨在检测罕见但重要的情况。可以在信息技术领域[1,2]中找到它们；生物医学数据[3,4]；工业应用[5]；和财务杂志[6]。这种不平衡意味着学习算法很困难，因为它们会偏向最常见的（通常不太重要）的病例。要克服对大多数类示例的这种偏见，必须应用特定的机器学习算法。即使我们将搜索限制在近年来，列出与这些算法相关的所有相关作品也是很自命的（在过去3年中，Google Scholar中列出了6500多篇论文）。因此，我们更喜欢建议教程[7-9]（以及其中的参考），向感兴趣的读者提供完整的概述。通常，解决不平衡的方法可以分为三类：1）数据级方法集中于修改训练集以使其适合标准学习算法。bal-ancing分布是 -