XiaoMi-AI文件搜索系统
World File Search System学习方法
GTAW过程中的焊接配置分类的机器学习方法
在本研究中，已经尝试使用机器学习（ML）方法将实验数据（ML）进行分类，以对几种焊接进行分类。在气钨电弧焊接过程（GTAW）过程中，已经开发了ML模型并将其馈送到几个传感器捕获的实验数据中。一方面，焊接参数（电压，电流，电线速度，焊接速度等）用于监视焊接过程中传递的控制能。另一方面，使用与图像处理算法结合的摄像机被用来捕获原位焊接池轮廓。还构建了一个数据库来存储，标签和订购所获得的信息。然后将此数据库用于ML模型的各种培训，验证和预测步骤。然后使用KNN分类算法对焊接配置进行分类，然后分析其效率（准确性，处理时间等）。表明，与ML结合使用的图像处理可以通过提取的特征来训练以预测焊接配置的分类。当前研究的最终观点是实现实时识别和修改焊接操作条件。
一种小波辅助的深度学习方法，用于模拟受低频可变性影响的地下水水平
Sivarama Krishna Reddy Chidepudi，Nicolas Massei，Abderrahim Jardani，Abel Henriot，Delphine Allier等。总环境科学，2023，865，第161035页。10.1016/j.scitotenv.2022.161035。hal-03925440
哥伦比亚的市政综合Gini指数：机器学习方法
本文在2000 - 2020年间介绍了哥伦比亚的Muipality水平上的Gini Coe效应的两个合成估计。该方法依赖于多种机器学习模型来选择用于数据插补的最佳模型。这是在两个随机森林模型中衍生的，第一个是通过包含主要固定效应的特征，而第二个则包含一组主要的不同因素。根据这些估计，检查了两个模型的合成Gini coe量，并生成公共链接以访问它们。主要的固定效应模型与不同的因子模型相反。因此，对于研究人员而言，建议将合成的Gini Coe效率与不同的因素使用，因为它在时间上含有比主要的固定效应模型更大的变异性。
一种强化学习方法，用于减轻语言模型中的刻板印象偏见
广泛采用由BERT和GPT等大型语言模型提供支持的应用程序，突出了社区内部对这种模型可以从培训数据中继承的意外偏见的影响的担忧。为了表现出来，过去的工作报告了LLM的证据，这些LLM扩大了性别刻板印象以及地理和种族偏见。以前的方法集中在数据预处理技术或技术上，这些技术或技术试图直接嵌入以增加资源需求，符号工作以及对足够偏见类型的适用性方面的限制方面，直接嵌入具有很大的缺点。在本文中，我们提出了精炼-LM，这是一种使用模型架构以及偏置型的强化学习对偏差的事后过滤。在包括Distillbert，Bert和Roberta在内的一系列模型中进行的实验表明，所提出的方法（i）在保留语言模型性能的同时，大大减少了刻板印象的偏见； （ii）实现适用于广泛的偏见类型，跨越诸如基于种族，宗教和基于国籍的偏见等环境的概括； （iii）减少所需的培训措施。
使用视网膜成像和尿液量数据诊断慢性肾脏疾病数据：多模式深度学习方法
1韩国基因组学中心（KOGIC），ULSAN国家科学技术研究所（UNIST），ULSAN，韩国共和国2韩国4大韩民国Gyongi-do，Cha Bundang医学中心的韩国4眼科系5 Spidercore Inc.大韩民国首尔大学医学院，北司尔大学医学院视觉研究研究所9内分泌学和代谢部，Yessonsi大学医学院内科学系，大韩民国首尔10号ICT SAIFEDS，CHUNG-ANG COMELY SECORT，CHUNG-ANG RESEAL，SEOL SEEL，KEEA SEROPAL，KEEL IAEC MEDICAN SERVICE，SEORITIAD，SEOUNTE，SEOUNTE，SEOUNTE，SEOUTE，CHECAINT of SEORITY，SEORISE of KERIASIT of SEORITY，CHERIASIT大韩民国Gyeonggi-do 13医疗保健大数据中心，Cha Bundang Medical Center，Gyonggi-Do，大韩民国14 Daechi Yonsese Eye Clinic，韩国首尔 *这些作者同样贡献了
使用和比较深度学习方法来检测自动驾驶汽车的夜间道路表面条件
摘要：目前，在这些自动驾驶汽车上的现有传感器无法很好地检测到自动驾驶汽车之前的道路表面状况。但是，应确保白天和黑夜的天气引起的道路状况。对深度学习的调查，以识别当天的道路表面状况，是使用车辆前面嵌入式摄像头收集的数据进行的。深度学习模型仅在当天被证明是成功的，但迄今为止尚未对它们进行评估。这项工作的目的是提出深度学习模型，以检测在夜间在自动驾驶汽车前的天气造成的在线道路表面条件，其精度很高。在这项研究中，使用性能比较，将不同的深度学习模型，即传统的CNN，Squeezenet，VGG，Resnet和Densenet模型。考虑到现有夜间检测的当前局限性，本文研究了不同路面的反射特征。根据功能，夜间数据库是带有或没有环境照明的。这些数据库是从几个公共视频中收集的，以使所选模型更适用于更多场景。此外，根据收集的数据库对选定的模型进行培训。最后，在验证中，这些模型对夜间干燥，潮湿和雪道的表面条件进行分类的准确性可高达94％。
一种机器学习方法，用于寻找长期共同的基因靶向治疗选择
精神病是神经退行性疾病的常见症状，会导致重大患者和护理人员负担。虽然神经影像学研究已牵涉到精神病中的各个大脑区域，但不同疾病实体和精神病亚型的发现却不一致。这项研究旨在确定与病理确认的神经退行性疾病中精神病含量的特定模式相关的结构性神经解剖学变化。我们检查了三级医学中心的283例尸检确认的神经退行性疾病病例（70例患有精神病），代表了多种临床综合症和病理。精神病含量是使用标准化标准系统地分类的。进行了MRI的基于体素的形态计算分析，以鉴定所有综合症，特定临床综合征和病理亚型内的所有综合症的精神病特征的结构相关性。总体而言，妄想与右颞叶和双侧额叶叶的萎缩有关，尤其是当妄想是迫害或偏执的时候。在一起，这些地区支持外部刺激，奖励，情感，自我意识和执行功能的处理。相比之下，错误识别的妄想与右腹侧颞枕萎缩相关，这暗示了腹侧视觉流处理的选择性破坏。没有发现幻觉的萎缩模式。我们的发现表明，对时间和额叶子区域的损害使患有神经退行性的个体易于发展临床综合征和病理学的妄想。这项研究为理论提供了支持，即脑电路的功能障碍支持奖励，情感，自我意识，对外部感觉信号的处理以及执行功能可以导致神经退行性疾病的新发达妄想信念。这些见解暗示了“神经系统”和“精神病学”疾病之间的共同机制，可以为未来的预后和治疗方法提供信息。
一种机器学习方法用于情节记忆性能的多因素建模
杰斐逊数字共享将这篇文章带给您免费和开放访问。Jefferson Digital Commons是Thomas Jefferson大学教学中心（CTL）的服务。Commons是杰斐逊书籍和期刊的展示，经过同行评审的学术出版物，大学档案馆的独特历史收藏以及教学工具。Jefferson Digital Commons允许研究人员和感兴趣的读者在世界任何地方学习并与Jefferson奖学金保持最新状态。本文已被杰斐逊数字共享的授权管理人接受，以纳入苔藓康复论文。有关更多信息，请联系：jeffersondigitalcommons@jefferson.edu。
一种用于诊断早发冠状动脉疾病的机器学习方法
1. 简介 冠状动脉疾病 (CAD) 是一种影响向心脏供血的动脉的疾病。它主要是由动脉粥样硬化引起的，动脉粥样硬化是一种由脂肪、胆固醇和其他物质组成的斑块在冠状动脉内积聚的过程。这种积聚会随着时间的推移使动脉变窄，减少流向心肌的血流量，并导致胸痛（心绞痛）或心肌梗塞等症状。PCAD 是指男性 55 岁以下和女性 65 岁以下发生的过早冠状动脉疾病。最近，人们使用 ML 方法广泛研究了 CAD 预测和诊断，因为传统统计方法的能力有限，并且在分析大数据集方面存在一些弱点 (1-3)。因此，机器学习方法已被用作人工智能的一个子领域，用于从原始数据中提取有价值的模式和信息。使用这些方法可以在没有人工输入的情况下获得合适的知识并将其用于不同的目的。最近的研究表明，机器学习方法可用于早期诊断、风险分层、临床试验招募和各种疾病分类。同时，种族和民族与特定人群和遗传变异有关，对某些疾病可能很重要。社会经济地位和医疗保健机会与种族和民族密切相关（4）。例如，非裔美国患者比白人患者更常接受心导管插入术来诊断 CAD（5）。不同种族和民族的存在对不同种族和民族群体的疾病发展有影响（6）。因此，有必要了解种族在各种疾病中的作用。机器学习算法已被用于预测考虑种族和民族的心力衰竭，并确定特征重要性在不同种族和民族群体之间的差异（7）。Suinesiaputra 等人（8）使用深度学习分析对动脉粥样硬化进行了多民族研究。他们试图利用机器学习算法的能力从大规模遗留数据集中提取合适的信息。他们使用双腔、四腔和短轴磁共振成像 (MRI) 视图之间的迁移学习序列训练 VGGNet 卷积神经网络来检测标志。另一项多民族动脉粥样硬化研究使用机器学习方法预测心血管事件 (9)。他们使用随机生存森林技术来识别心血管风险因素。