XiaoMi-AI文件搜索系统
World File Search System性能提高
基于AMSEL标准的计算机视觉，用于诊断细菌性阴道病
细菌性阴道病（BV）是一种常见的阴道感染，可以使患者易患几种并发症，例如骨盆炎性疾病。像许多疾病一样，现有的诊断方法在诊断确定性和成本之间面临着权衡。为了帮助解决这一难题，我们探索了可作为IoT设备实现的计算诊断方法。我们基于AMSEL标准开发了几种深度学习模型，以评估更好地自动化BV诊断的不同廉价点测试。我们首先确定如何通过在上皮细胞图像上训练的计算机视觉模型来最佳诊断BV。我们发现，在NUSWAB诊断标签上训练RESNET18模型的F1得分为89％。然后，我们通过多层感知器以其他AMSEL标准值进行了增强计算机视觉结果，发现使用WHIFF测试值也将fer的性能提高至91％的F1，并且超过人类绩效的AMSEL标准的灵敏度为94.31％。这些结果提供了有关如何最好地使用图像和其他AMSEL标准数据组合来可靠诊断，为将来研究基于IoT的BV诊断铺平道路。
SPARQL生成：关于露天的分析，以回答有关生命科学知识图的问题
摘要在广泛的自然语言处理应用程序中大型语言模型（LLM）的最新成功为通往新的问答系统而不是知识图表的途径开辟了道路。然而，阻止其实施的主要障碍之一是缺乏将问题转化为相应的SPARQL查询的培训数据，尤其是在特定领域的KG中。为了克服这一挑战，在这项研究中，我们评估了几种策略，以微调Openllama LLM，以回答有关生命科学知识图的问题。特别是，我们提出了一种端到端数据增强方法，用于将一组现有查询扩展到给定知识图上，向较大的语义丰富的问题到SPARQL查询对的较大数据集，即使对于这些对稀缺的数据集也可以进行微调。在这种情况下，我们还研究了语义“线索”在查询中的作用，例如有意义的变量名称和内联评论。最后，我们评估了对现实世界中BGEE基因表达知识图的方法，并且与具有随机变量名称的基线相比，语义线索可以将模型性能提高高达33％，而没有评论。
推进电动飞机技术的复合材料
摘要：向电气航空的过渡代表着解决运输的环境影响的重大大步，尤其是关于气体排放的。随着航空部门被确定为碳排放的重要贡献者，电动飞机的发展成为实现可持续航空旅行的关键创新。本文探讨了复合材料在电动飞机发展中的作用，重点是它们在机身构造中的应用，电气系统集成以及推进系统的增强。复合材料，包括碳纤维增强聚合物（CFRP），玻璃纤维增强聚合物（GFRP），Aramid纤维复合材料和杂化复合材料，提供了出色的强度，降低的重量和高耐用性，使它们非常适合电动飞机设计。尽管具有优势，但诸如高制造成本和回收复杂性之类的挑战仍然存在。通过全面的分析，本研究研究了先进的制造技术和可持续有机材料克服这些障碍的潜力，为广泛采用电动飞机铺平了道路。本文强调了复合材料对电航空的变革性影响，既解决了它们所促进的性能提高以及更广泛应用的障碍。
迈向地理空间人工智能的基础模型（愿景论文）
大型预训练模型，也称为基础模型 (FM)，以任务无关的方式在大规模数据上进行训练，并且可以通过微调、小样本学习甚至零样本学习适应各种下游任务。尽管它们在语言和视觉任务中取得了成功，但我们尚未看到为地理空间人工智能 (GeoAI) 开发基础模型的尝试。在这项工作中，我们探索了为 GeoAI 开发多模态基础模型的前景和挑战。我们首先通过测试现有大型预训练语言模型 (LLM)（例如 GPT-2 和 GPT-3）在两个地理空间语义任务上的性能来展示这个想法的优势。结果表明，这些与任务无关的 LLM 在小样本学习设置中在两个任务上的表现都可以胜过任务特定的全监督模型，性能提高 2-9%。然而，鉴于 GeoAI 的多模态特性，我们也展示了这些现有基础模型的局限性，尤其是在处理与其他模态相结合的几何图形时。因此，我们讨论了多模态基础模型的可能性，该模型可以通过地理空间对齐推理各种类型的地理空间数据。我们通过讨论为 GeoAI 开发此类模型的独特风险和挑战来结束本文。
将层次信息纳入多个实例学习，用于使用SCRNA-SEQ数据进行患者表型预测
多个实例学习（MIL）通过单细胞RNA-sequent（SCRNA-SEQ）数据提供了一种结构的方法来预测患者表型预测。但是，现有的MIL方法倾向于忽略SCRNA-Seq数据中固有的层次结构，尤其是细胞的生物组或细胞类型。这种情况可能会导致较高的细胞分裂水平下的次优性能和差的可解释性。为了解决这一差距，我们为基于注意力的MIL框架提供了一种新颖的企业层次信息方法。具体而言，我们的模型在细胞和细胞类型上介绍了基于注意力的聚集机制，因此在整个模型中的信息流程上实施了层次结构。在广泛的实验中，我们提出的方法始终优于现有模型，并在数据约束的情况下证明了鲁棒性。此外，消融测试结果表明，仅将注意力机理赋予细胞类型而不是细胞的注意力会导致性能提高，从而强调合并分层组的好处。通过识别与预测最相关的关键细胞类型，我们表明我们的模型能够捕获生物学上有意义的关联，从而促进生物学发现。
可重新配置智能表面辅助通信系统的机器学习策略 - 审查
摘要：机器学习（ML）算法已被广泛用于改善电信系统的性能，包括可重构的智能表面（RIS）辅助无线通信系统。RI被视为第六代（6G）通信的主链的关键部分，这主要是由于其电磁特性可控制无线通道中信号的传播。ML优化（RIS）辅助无线通信系统可以是减轻无线通道中信号遭受的降级的有效替代方法，从而在系统的性能中具有显着优势。但是，多种方法，系统配置和渠道条件使得难以确定有效实现最佳解决方案的最佳技术或一组技术。本文对文献中报告的框架进行了全面审查，这些框架应用了ML和RISS来改善无线通信系统的整体性能。本文比较了可用于解决RIS辅助系统设计的ML策略。系统是根据ML方法，所使用的数据库，实现复杂性和报告的性能提高进行分类的。最后，我们阐明了基于ML策略设计和实施未来RIS辅助无线通信系统的挑战和机遇。
使用神经网络和时间光谱特征
大脑计算机界面（BCIS）越来越有用。这样的BCI可用于帮助失去流动性或控制四肢的个人，出于娱乐目的，例如游戏或半自主驾驶，或者是用于人造装置的界面。到目前为止，用于思考解码的算法的性能受到限制。我们表明，通过从脑电图（EEG）信号中提取时间和频谱特征，然后使用深度学习神经网络对这些特征进行分类，可以显着提高BCIS在预测主体想象的运动动作方面的性能。我们的运动预测算法使用顺序的向后选择技术来共同选择分类的时间和光谱特征以及径向基函数神经网络。与最先进的基准算法相比，该方法的平均性能提高3.50％。使用两个流行的公共数据集，我们的算法在第一个数据集中达到90.08％的精度（平均基准为79.99％），第二个数据集的算法达到了88.74％（平均基准：82.01％）。鉴于基于EEG的动作解码中的较高可变性和跨主体的可变性，我们建议使用多种模式的功能以及神经网络分类协议可能会提高各种任务中BCI的性能。
基于图像处理方法的电动成像脑图像信号的分类
摘要：近年来，越来越多的框架已应用于脑部计算机间技术技术，基于脑电图的机车成像（MI-EEG）正在迅速发展。但是，提高MI-EEG分类的准确性仍然是一个挑战。提出了一个深入的学习框架，即提议解决非平稳性质，激发发生的时间定位以及本文中MI-EEG信号的频段分布特征来解决非平稳性质。首先，根据C3和C4通道之间的逻辑对称关系，MI-EEG信号的时频图像扣除（IS）的结果用作分类器的输入。它既降低了冗余，又增加了输入数据的特征差异。第二，注意模块被添加到分类器中。作为基本分类器构建了卷积神经网络，并通过引入卷积块注意模块（CBAM）来自适应提取有关MI-EEG信号出现的时间位置和频率分布的信息。这种方法减少了无关的噪声干扰，同时增加了模式的鲁棒性。在BCI竞争IV数据集2B上评估了框架的性能，该数据集2B，平均准确性达到79.6％，平均KAPPA值达到0.592。实验结果验证了框架的可行性，并显示了MI-EEG信号分类的性能提高。
对本地分类的量子机学习管道的实施和经验评估
在当前时代，量子资源非常有限，这使得量子机学习（QML）模型的使用困难。涉及监督任务，通过量子局部性技术的引入，该方法允许模型仅专注于所考虑元素的邻域。一种众所周知的位置技术是k -neart最邻居（K -NN）算法，其中已经提出了几种量子变体。然而，它们尚未被用作其他QML模型的初步步骤。相反，对于经典的对应物，已经证明了基本模型的性能提高。在本文中，我们提出并评估利用量子位置技术以降低尺寸并改善QML模型的性能的想法。详细说明，我们提供（i）在python中实施了QML管道的本地分类和（ii）其广泛的经验评估。关于量子管道，它是使用Qiskit开发的，它由量子k -nn和量子二进制分类器组成，两者都在文献中已经可用。结果表明，在理想情况下，量子管道的等效性（就精度而言）与其经典对应物的等效性，即局部对QML领域的应用的有效性，但所选量子k -nn对概率波动的强烈敏感性以及诸如随机基线森林之类的经典基线方法的较好性能。
3D-MVP：机器人操纵的3D多视图
最近的作品表明，使用蒙版自动编码器（MAE）在以自我为中心数据集上进行视觉预测可以改善下游机器人技术任务的概括[40，29]。但是，这些方法仅在2D图像上预处理，而许多机器人应用程序需要3D场景的理解。在这项工作中，我们提出了3D-MVP，这是一种使用蒙版自动编码器进行3D多视图预处理的新方法。我们利用机器人视图变压器（RVT），该变压器（RVT）使用多视图变压器来理解3D场景并预测抓地力姿势动作。我们将RVT的多视图变压器拆分为视觉编码器和动作解码器，并在大规模3D数据集（例如Objaverse）上使用蒙版自动编码预处理其视觉编码器。我们在一组虚拟机器人操纵任务上评估了3D-MVP，并证明了基准的性能提高。我们还在真正的机器人平台上显示出令人鼓舞的结果，并具有最小的填充。我们的结果表明，3D感知预处理是提高样品效率和基于视觉机器人操纵策略的概括的有前途的方法。我们将发布3D-MVP的代码和预估计的模型，以促进未来的研究。