XiaoMi-AI文件搜索系统
World File Search System图形
负责人造的图形设计...
人工智能领域中的抽象发展已经达到了直接影响图形设计的力量。人工智能为设计师提供技术技能，查找想法，原型制作和发展。最近，设计师几乎不可避免地包括在工作生活中的人工智能，有能力创建，共享和分析无限的视觉工作。，但是随着当前的发展，人工智能增加了人们对道德，正义，透明度和问责制的关注。在这种情况下，负责任的（道德/可靠）人工智能旨在消除人工智能的风险和可能的问题。负责的人工智能不仅仅是创建令人放心的系统。消除和信任图形设计师可能面临的风险特别重要。研究通过对图形设计轴的潜在风险和道德维度评估负责任的人工智能。定性研究方法用于研究，并受益于印刷和电子（基于互联网的）来源。作为研究的结果，为了以负责任的方式发展和使用人工智能，技术，社会（按照社会的原则和价值观）和法律方法的发展。
图形设计服务的提案请求（RFP）
政府和明尼苏达州的非营利部门希望成为技术的早期采用者。我们以预期运营需求和提供切实成果的声誉使我们成为将各种群体团结在一起并围绕能源和业务目标保持利益的首选合作伙伴。3。实用问题解决者：我们专注于在现实世界中起作用的实用解决方案。
肿瘤微环境相互作用引导图形学习，从全切片病理图像进行人类癌症生存分析
深度学习技术的最新进展为协助病理学家从全切片病理图像（WSI）中预测患者的生存期带来了可能性。然而，大多数流行的方法仅适用于WSI中特定或随机选择的肿瘤区域中的采样斑块，这对于捕捉肿瘤与其周围微环境成分之间复杂相互作用的能力非常有限。事实上，肿瘤在异质性肿瘤微环境（TME）中得到支持和培育，详细分析TME及其与肿瘤的相关性对于深入分析癌症发展的机制具有重要意义。在本文中，我们考虑了肿瘤与其两个主要TME成分（即淋巴细胞和基质纤维化）之间的空间相互作用，并提出了一种用于人类癌症预后预测的肿瘤微环境相互作用引导图学习（TMEGL）算法。具体来说，我们首先选择不同类型的块作为节点来为每个 WSI 构建图。然后，提出了一种新颖的 TME 邻域组织引导图嵌入算法来学习可以保留其拓扑结构信息的节点表示。最后，应用门控图注意网络来捕获肿瘤与不同 TME 组件之间与生存相关的交集以进行临床结果预测。我们在来自癌症基因组图谱 (TCGA) 的三个癌症队列上测试了 TMEGL，实验结果表明 TMEGL 不仅优于现有的基于 WSI 的生存分析模型，而且对生存预测具有良好的可解释能力。
图形摘要
安全加强学习（SRL）旨在优化最大程度地提高长期奖励的控制政策，同时遵守安全限制。SRL具有许多现实世界的应用，例如自动驾驶汽车，工业机器人技术和医疗保健。离线增强学习（RL）的最新进展 - 代理商在不与环境互动的情况下从静态数据集中学习政策 - 已成为一种有希望的方法来得出安全控制策略。但是，离线RL面临着重大挑战，例如数据中的协变量转移和离群值，这可能导致次优政策。同样，在线SRL通过实时环境互动得出安全的政策，与异常值进行斗争，并且通常依靠不切实际的规律性假设，从而限制了其实用性。本文通过提出一种混合访问线路方法来解决这些挑战。首先，离线学习指南在线探索的先验知识。然后，在在线学习过程中，我们用Student-T的流程（TP）替换流行的高斯流程（GP），以增强协变速器和异常值的鲁棒性。