XiaoMi-AI文件搜索系统
World File Search System和机
遥感和机器学习以改善空中野生动植物种群调查
遥感和机器学习的技术和方法论进步为推进野生动植物调查创造了新的机会。我们组建了一个实践社区（COP），以利用这些发展，以探索从管理层的角度来提高空中野生动植物监测的效率和有效性。COP的核心目标是组织遥感和机器学习方法的开发和测试，以改善支持管理决策的空中野生动植物种群调查。从2020年开始，COP合作确定了由野生动植物调查数据所告知的自然资源管理决策，重点是水鸟和海洋野生动植物。我们调查了我们的会员资格以建立1）他们使用野生动植物数量数据的管理决定； 2）在遥感/机器学习方法出现之前，如何收集这些计数数据； 3）过渡到遥感/机器学习方法学框架的动力； 4）从业者过渡到此框架时面临的挑战。本文记录了这些发现，并确定了朝着基于遥感的野生动植物调查迈向野生动植物管理方面的研究优先级。
FCC 提出首创的人工智能生成的自动拨号和机器人文本规则
这些拟议的自动拨号规则是委员会为保护消费者免受人工智能生成的骗局而采取的一系列行动中的最新举措，这些骗局会误导消费者并误导公众，使消费者能够做出明智的决定。委员会提出了新的透明度标准，要求在广播和电视的政治广告中使用人工智能技术时进行披露。委员会最近通过了一项宣告性裁决，明确指出，在未经被叫方事先明确同意或豁免的情况下，针对消费者的常见自动拨号诈骗中使用的语音克隆技术是非法的。它还提议对使用深度伪造、人工智能生成的语音克隆技术和来电显示欺骗进行明显非法的自动拨号进行巨额罚款，以便在 2024 年 1 月初选之前向潜在的新罕布什尔州选民传播选举错误信息。
网络优化和管理的人工智能和机器学习
这项研究深入研究了人工智能（AI）和机器学习（ML）的应用，以优化和管理现代通信网络。随着数据流量的指数增长以及网络体系结构的增加，网络管理和优化的传统方法证明是不足的。AI和ML提供了新颖的方法来通过实现智能，自适应和自动化网络解决方案来应对这些挑战。该研究探讨了各种AI和ML技术，包括受监督和无监督的学习，强化学习和深度学习，及其在交通预测，资源分配，故障检测和自我修复网络中的应用。它还解决了AI/ML算法与网络管理系统的集成，研究了与可扩展性，实时处理和安全性有关的问题。通过模拟和现实世界案例研究，该研究表明了AI和ML提高网络性能，降低运营成本并提高整体服务质量的潜力。这项工作强调了AI和ML对网络优化和管理的变革性影响，强调了它们在下一代通信网络发展中的关键作用。
对数学专家和新手的高密度脑电图数据的非线性和机器学习分析
神经科学的当前趋势是使用自然主义刺激，例如电影，课堂生物学或视频游戏，旨在在生态上有效的条件下了解大脑功能。自然主义刺激招募复杂和重叠的认知，情感和感觉脑过程。大脑振荡形成了此类过程的基本机制，此外，这些过程可以通过专业知识来修改。尽管大脑作为生物系统是高度非线性的，但通常通过线性方法分析人类皮质功能。这项研究应用了一种相对健壮的非线性方法，即Higuchi分形维度（HFD），将数学专家和新手的皮质功能分类为在脑电图实验室中解决长期且复杂的数学示范。脑成像数据是在自然主义刺激期间长期跨度收集的，可以应用数据驱动的分析。因此，我们还通过机器学习算法探讨了数学专业知识的神经标志。需要新颖的方法来分析自然主义数据，因为基于还原主义和简化研究设计的现实世界中脑功能的理论的表述既具有挑战性又可疑。数据驱动的智能方法可能有助于开发和测试有关复杂大脑功能的新理论。我们的结果阐明了HFD在复杂数学期间对数学专家和新手分析的不同神经签名，并将机器学习作为一种有前途的数据驱动方法，以了解专业知识和数学认知的大脑过程。
十字路口的密码学：道德责任，Cypherpunk运动和机构
密码学长期以来一直是确保通信和保护隐私的工具。但是，其作用超出了技术实施，以涵盖重要的政治和道德方面。由埃里克·休斯（Eric Hughes）于1993年撰写的Cypherpunk宣言[7]，强调了加密和拥护者的继承性政治本质，以此作为确保隐私和个人自由的一种手段。同样，菲利普·罗加威（Phillip Rogaway）的[10]工作强调了密码学家的道德责任，尤其是在大规模监视和社会影响的背景下。从根本上讲，密码学可以看作是“武装”群众保护自己的群众的一种手段。1993年的宣言和罗加威的作品强调了两个要点：不信任政府和保护集体数据。这种观点在戴维·乔姆（David Chaum）的思想中得到了回应，他提出了一个依靠强大加密来保护隐私的交易模型。尽管这些想法首次阐明了40多年，但保护社会免受信息滥用的梦想仍然很遥远。Chaum警告：
DOT/FAA/AR-95/43 轴向裂纹扩展和机身
进行了混合实验-数值研究，以建立在加压飞机机身中存在或不存在多点损伤 (MSD) 的情况下的实用裂纹扭结标准。修改了 Ramulu-Kobayashi 裂纹扭结标准，以预测沿 MSD 线的自相似裂纹扩展以及随后在撕裂带附近的扭结。进行了仪器化双轴试验样品和小型机身断裂实验，以生成裂纹扭结和裂纹速度数据，然后将其输入到断裂样品的大变形弹性动力学有限元模型中。计算出的混合模式 I 和 II 应力强度因子以及扩展裂纹之前的大轴向应力用于评估自相似裂纹扩展和裂纹轨迹上的裂纹扭结标准。预测和测量的裂纹扭结角度和位置之间具有极好的一致性。通过计算和测量的应变计数据的匹配进行了额外的验证。
Healthcare 2025：塑造未来的趋势和机会
3。IOMT：前进的连接护理..................................................................................................................................................................................................................................................................................................................................................... 87 6IOMT：前进的连接护理..................................................................................................................................................................................................................................................................................................................................................... 87 6
工程的人工智能和机器学习
在当今迅速发展的技术景观中，人工智能（AI）和机器学习（ML）已成为各个领域工程师的必不可少的工具。本课程对专门针对工程应用的AI和ML技术进行了全面探索。参与者将深入研究基本原则，实际方法论和现实世界中的案例研究，使他们在工程项目中有效利用AI和ML所需的知识和技能。本课程采用理论讲座和实践演示的融合。由于本课程的跨学科性质，整个学科的参与者将能够参加，欣赏和增强他们的知识，以保持新兴的AI和ML技术。STC打算专注于以下域，但不限于：
数据科学和机器学习的博士后奖学金广告| AY23-24
NYU上海是纽约大学全球网络中的第三级授予校园。这是中国的第一家高等教育合资企业，被授权授予在美国和中国获得认证的授予学位。所有教学均以英语进行。一所具有文科和科学的研究大学的核心，纽约大学上海居住在世界上拥有充满活力的知识分子社区的世界伟大城市之一中。nyu上海招募了最高才能的学者，他们致力于纽约大学对变革性教学和创新研究的全球愿景，并体现我们所生活的全球社会。
人工智能和机器学习方法
参考文献 1] Klaus Greff 等人。“LSTM：搜索空间漫游。”IEEE 神经网络和学习系统学报，28 (2015): 2222-2232。 https://doi.org/10.1109/tnnls.2016.2582924。[2] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A.(2014)。更深入地了解卷积。2015 IEEE 计算机视觉和模式识别会议 (CVPR)，1-9。 https://doi.org/10.1109/CVPR.2015.7298594。[3] Lee, J., Jun, S., Cho, Y., Lee, H., Kim, G., Seo, J., & Kim, N. (2017)。医学成像中的深度学习：概述。韩国放射学杂志，18，570 - 584。 https://doi.org/10.3348/kjr.2017.18.4.570。[4] Klyuchnikov, N., Trofimov, I., Artemova, E., Salnikov, M., Fedorov, M., & Burnaev, E. (2020)。NAS-Bench-NLP：自然语言处理的神经架构搜索基准。IEEE Access，PP，1-1。https://doi.org/10.1109/access.2022.3169897。[5] Lu, Z., Whalen, I., Dhebar, Y., Deb, K., Goodman, E., Banzhaf, W., & Boddeti, V. (2019)。用于图像分类的深度卷积神经网络的多目标进化设计。IEEE Transactions on Evolutionary Computation，25，277-291。https://doi.org/10.1109/TEVC.2020.3024708。[6] Zhang, T., Lei, C., Zhang, Z., Meng, X., & Chen, C. (2021)。AS-NAS：用于深度学习的具有强化进化算法的自适应可扩展神经架构搜索。IEEE 进化计算学报，25，830-841。 https://doi.org/10.1109/TEVC.2021.3061466。[7] Sun, Y., Sun, X., Fang, Y., Yen, G., & Liu, Y.(2020)。一种用于进化神经架构搜索算法性能预测器的新型训练协议。IEEE 进化计算学报，25，524-536。https://doi.org/10.1109/TEVC.2021.3055076。[8] Verma, M., Sinha, P., Goyal, K., Verma, A., & Susan, S. (2019)。一种用于爬山领域的神经架构搜索的新框架。2019 IEEE 第二届人工智能与知识工程国际会议 (AIKE)，1-8。https://doi.org/10.1109/AIKE.2019.00009。[9] Zhang, H., Jin, Y., Cheng, R., & Hao, K. (2020)。通过采样训练和节点继承实现注意力卷积网络的有效进化搜索。IEEE