XiaoMi-AI文件搜索系统
World File Search System学习组
基于贝叶斯深度学习组成部分的可靠自主系统
摘要 - 作为自治系统，越来越多地依赖深度神经网络（DNN）来实施导航管道功能，不确定性估计方法至关重要，这是估计对DNN预测的信心的重要性。贝叶斯深度学习（BDL）提供了一种原则性的方法来模拟DNN中的不确定性。但是，在基于DNN的系统中，并非所有组件都使用不确定性估计方法，并且通常会忽略它们之间的不确定性传播。本文提供了一种考虑BDL组件之间的不确定性和相互作用以捕获整体系统不确定性的方法。我们研究了基于BDL的系统对自动航空导航的不确定性传播的影响。实验表明，我们的方法使我们能够捕获有用的不确定性估计，同时在最终任务中稍微改善了系统的性能。此外，我们讨论采用BDL来构建可靠的自主系统的好处，挑战和含义。索引术语 - Bayesian深度学习，不确定性宣传，无人驾驶，导航，动态依赖能力
使用机器学习组件的系统的非功能要求文档
摘要[上下文和动机]当今许多系统都使用人工智能，其中机器学习（ML）是一个子场。需求工程（RE）满足了利益相关者对系统开发的需求。特别是，具有ML组件的系统需要特定的非功能要求（NFR）来定义ML相关细节，例如训练数据集的质量方面，ML模型的可折扣性或ML培训管道的细节。[问题]尚未完全了解RE技术在实际使用中对具有ML组件的系统的特定应用。尚不清楚，哪种启发技术可以有效地用于基于ML的系统。[想法和结果]基于系统的映射研究；我们确定了58个NFR在研究中用来描述特定ML要求。通过在线调查和专家访谈，我们确定了30个NFR，需要考虑到具有ML组件的系统。对于高度相关的NFR的文档，在两家IT公司中设计，评估和优化了一个模板。此模板有助于确保NFR的一致文档。[贡献]基于系统的映射研究，在线调查和专家访谈，我们提供了相关的NFR和一个模板，用于记录具有ML组件的系统的NFRS。我们在两家IT行业公司和几个软件项目的背景下使用现实世界案件验证了所提出的模板。评估显示需求的完整性增加。
使用机器学习组件的系统的非功能要求文档
摘要[上下文和动机]当今许多系统都使用人工智能，其中机器学习（ML）是一个子场。需求工程（RE）满足了利益相关者对系统开发的需求。特别是，具有ML组件的系统需要特定的非功能要求（NFR）来定义ML相关细节，例如训练数据集的质量方面，ML模型的可折扣性或ML培训管道的细节。[问题]尚未完全了解RE技术在实际使用中对具有ML组件的系统的特定应用。尚不清楚，哪种启发技术可以有效地用于基于ML的系统。[想法和结果]基于系统的映射研究；我们确定了58个NFR在研究中用来描述特定ML要求。通过在线调查和专家访谈，我们确定了30个NFR，需要考虑到具有ML组件的系统。对于高度相关的NFR的文档，在两家IT公司中设计，评估和优化了一个模板。此模板有助于确保NFR的一致文档。[贡献]基于系统的映射研究，在线调查和专家访谈，我们提供了相关的NFR和一个模板，用于记录具有ML组件的系统的NFRS。我们在两家IT行业公司和几个软件项目的背景下使用现实世界案件验证了所提出的模板。评估显示需求的完整性增加。
Anderson＆Olivier学校作为学习组织-Eric
摘要：我们通过视频展示了我们的经验，以补充分析化学讲座，以使本科生进行器乐元素分析。这包括有关我们如何计划，制作和利用视频在学期结束时查看课程内容的详细说明。分析案例研究的重点是在两个井水样品中测定镁，重点是原子吸收光谱，同时还将结果与电感耦合等离子体光学发射光谱和滴定测量结果进行比较。在演讲中，我们通过在显示各个视频部分之前向学生询问如何进行测量的建议来聘请学生。学生之间的一项调查表明，对这种方法的反应非常积极。我们通过从视频制作中做出决策和选择来证明我们的视频制作方法，例如录制和编辑，明确和结论，并以计划和制作类似视频的实用建议，以可视化案例研究。关键字：二年级本科，上级本科，分析化学，解决问题/决策，基于多媒体的学习，原子光谱，定量分析■简介
系统保障中机器学习组件的可靠性评估和安全论据
作者地址：Yi Dong，yi.dong@liverpool.ac.uk；Wei Huang，w.huang23@liverpool.ac.uk，利物浦大学计算机科学系，Ashton Building, Ashton Street, Liverpool, UK, L69 3BX；Vibhav Bharti，v.bharti@hw.ac.uk，赫瑞瓦特大学工程与物理科学学院，爱丁堡，英国，EH14 4AS；Victoria Cox，vcox@dstl.gov.uk；Alec Banks，abanks@dstl.gov.uk，国防科学技术实验室，索尔兹伯里，英国，SP4 0JQX；Sen Wang，sen.wang@imperial.ac.uk，伦敦帝国理工学院电气与电子工程系，伦敦，英国，SW7 2BX；Xingyu Zhao，xingyu.zhao@liverpool.ac.uk； Sven Schewe，sven.schewe@liverpool.ac.uk；Xiaowei Huang，xiaowei.huang@liverpool.ac.uk，利物浦大学计算机科学系，阿什顿大厦，阿什顿街，利物浦，英国，L69 3BX。
Anderson＆Olivier学校作为学习组织-Eric 视频支持的案例研究用于定量仪器元素分析中的课程审查 远距离学习期间的护理人员数字素养自我效能的案例研究
共享和支持性的领导价值观和愿景集体学习和应用程序共享个人实践
从任务特定的异型模式域移位数据集中学习组织和脑病变的联合分割
从多模式MRI中进行的脑组织分割是许多神经影像分析管道的关键基础。已建立的组织分割方法并未开发出来应对由病理学（例如白质病变或肿瘤）引起的大型解剖变化，并且在这些情况下通常会失败。同时，随着深神经网络（DNN）的出现，脑损伤的分割显着成熟。然而，现有的方法很少允许对正常组织和脑病变的联合分割。当前，注释的数据集通常仅处理一个特定任务，并且依赖任务特定的成像协议，包括任务特定的成像模式集，因此目前妨碍了针对此类联合任务的DNN。在这项工作中，我们提出了一种新的方法，可以从聚合的任务特异性异型模式结构域构建关节组织和病变分割模型。从关节问题的各种公式开始，我们展示了如何通过经验分解和优化预期的风险。我们利用了处理跨数据集的异质成像方式的风险上限。为了应对潜在的域转移，我们基于数据增强，对抗性学习和伪健康的生成进行了整合并测试了三种常规技术。对于每个单独的任务，我们的联合方法与任务特定的和完全监督的模型相比具有比较性能。对两种不同类型的脑损伤进行评估，该框架将进行评估：白质病变和神经胶质瘤。在后一种情况下，缺乏用于定量评估目的的联合基础真相，我们提出并使用一种新型的临床上相关的定性评估方法。
通过乘法权重学习组合函数......
组合性是生物和人工神经网络的基本结构特征。通过梯度下降学习组合函数会产生众所周知的问题，例如梯度消失和梯度爆炸，因此仔细调整学习率对于实际应用至关重要。本文证明乘法权重更新满足针对组合函数定制的下降引理。基于此引理，我们推导出 Madam（Adam 优化器的乘法版本），并表明它可以在不调整学习率的情况下训练最先进的神经网络架构。我们进一步表明，通过在对数系统中表示权重，Madam 很容易适应训练原生压缩神经网络。最后，我们总结了乘法权重更新与生物学中关于突触的最新发现之间的联系。