XiaoMi-AI文件搜索系统
World File Search System感知器
深度学习自闭症分类和预测
研究表明，基于静息状态功能磁共振成像（fMRI）数据，随机SVM群集方法具有协助ASD辅助诊断的潜力。12研究人员使用自闭症脑成像数据交换（ABIDE）数据集中的脑成像数据来识别ASD。此处使用了带有反向传播算法的多层感知器。13论文讨论了移动自闭症风险评估工具。为移动设备设计，该计划可早日确定有自闭症谱系状况的风险。他们使用二进制萤火虫算法，其精度为91-92％。14研究人员使用众包获取信息。他们收集了许多自闭症和多动症患者以及正常成长的人的临床测试和行为观察。他们使用的精度为60至90％的SVM算法。15这些研究使用了精度为89％的SVM随机算法。16-18研究提供了一种机器学习方法来预测任何年龄段的自闭症症状。研究
人工智能与营销：陷阱与机遇
本文从知识创造和知识转移的角度探讨了人工智能在营销中的陷阱和机遇。首先，我们讨论了“高阶学习”的概念，这一概念将人工智能应用与传统的建模方法区分开来，在关注深度神经网络的最新进展的同时，我们还介绍了其底层方法（多层感知器、卷积和循环神经网络）和学习范式（监督、无监督和强化学习）。其次，我们讨论了营销经理在其组织中实施人工智能时需要注意的技术陷阱和危险，包括目标函数定义不明确、学习环境不安全或不切实际、有偏见的人工智能、可解释的人工智能和可控制的人工智能等概念。第三，人工智能将对可以自动化且几乎不需要可解释性的预测任务产生深远影响，我们预测，如果我们不解决人工智能模型和营销组织之间隐性知识转移的挑战，人工智能将在许多营销领域无法兑现其承诺。 © 2020 直销教育基金会，Inc. dba Marketing EDGE。保留所有权利。
量子隐式神经表征
摘要 隐式神经表征已成为表示图像和声音等信号的强大范例。这种方法旨在利用神经网络来参数化信号的隐式函数。然而，在表示隐式函数时，传统神经网络（例如基于 ReLU 的多层感知器）在准确建模信号的高频分量方面面临挑战。最近的研究开始探索使用傅里叶神经网络 (FNN) 来克服这一限制。在本文中，我们提出了量子隐式表示网络 (QIREN)，一种新的 FNN 量子泛化。此外，通过理论分析，我们证明了 QIREN 比经典 FNN 具有量子优势。最后，我们在信号表示、图像超分辨率和图像生成任务中进行了实验，以展示 QIREN 与最先进 (SOTA) 模型相比的卓越性能。我们的工作不仅将量子优势融入隐式神经表示中，而且还揭示了量子神经网络的一个有希望的应用方向。我们的代码可在 https://github.com/GGorMM1/QIREN 获得。
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。
人工智能赋能未来无线网络的资源管理
摘要 —资源管理在无线网络中起着至关重要的作用，但不幸的是，这会导致具有挑战性的 NP 难题。人工智能 (AI)，尤其是深度学习技术，最近已成为一种颠覆性技术，可以实时解决此类挑战性问题。然而，尽管已经报告了有希望的结果，但仍然缺乏基于 AI 的方法的实用设计指南和性能保证。在本文中，我们努力解决两个基本问题：1）与传统技术相比，基于 AI 的方法的主要优势是什么；2）对于给定的资源管理任务，我们应该选择哪种神经网络。对于第一个问题，我们确定并讨论了四个优势。对于第二个问题，提出了最优差距，即与最佳性能的差距，作为选择模型架构的一种衡量标准，同时也可以对不同的基于 AI 的方法进行理论比较。具体来说，对于 K 用户干扰管理问题，我们从理论上证明了图神经网络 (GNN) 优于多层感知器 (MLP)，并且这两种方法之间的性能差距随着√而扩大
莫扎特，一种基于QSAR多目标网络的工具，可预测多种药物 - 酶相互作用
摘要：开发能够预测药物与酶之间相互作用的模型是计算生物学的主要目标，因为这些模型可用于预测新的活性药物以及未经测试靶标的已知药物之间的相互作用。随着大型药物 - 酶对数据集的汇编（62,524），我们发现了一个独特的机会，试图构建一种新型的多目标机器学习（MTML）定量结构活性关系（QSAR）模型，以探测不同药物和酶靶标之间的相互作用。为此，本文基于使用拓扑药物的特征以及人工神经网络（ANN）多层感知器（MLP）提出了MTML-QSAR模型。发现最佳模型的验证是通过内部交叉验证统计和其他相关诊断统计参数进行的。发现该模型的总体准确性高于96％。最后，为了最大程度地扩散该模型，已经开发了一种公共且可访问的工具，以允许用户执行自己的预测。开发的基于Web的工具是可以访问的，可以作为免费的开源软件下载。
使用量子卷积的多类分类...
多类分类对于各种应用程序非常感兴趣，例如，它是计算机视觉中的常见任务，其中一个需要将图像分为三个或更多类。在这里，我们提出了一种基于量子卷积神经网络来解决多类分类问题的量子机学习方法。相应的学习过程是通过TensorFlowquantum作为混合量子 - 古典（变化）模型实现的，其中量子输出结果通过优化量子电路的参数优化跨熵损失的随后最小化量符号。我们在这里的构思改进包括量子感知器的新模型和量子电路的优化结构。我们使用建议的方法来解决MNIST数据集的4类分类问题，使用八个量子位用于数据编码和四个Ancilla Qubits；三级分类问题已经获得了先前的结果。我们的结果表明，解决方案的准确性类似于具有相当数量的可训练参数的经典卷积神经网络。我们期望我们的发现将为使用量子神经网络朝着解决NISQ时代及其他地区的相关问题提供新的一步。
具有阈值和...的神经网络的记忆容量
1.3 问题的历史。1988 年，Baum [ 6 ] 提出了该问题的一个版本。在 Cover [ 8 ] 早期工作的基础上，Baum 研究了多层感知器的记忆容量，即具有阈值激活函数的前馈神经结构。他首先研究了网络结构 [ n, m, 1]，其中一个隐藏层由 m 个节点组成（并且，如符号所示，隐藏层中有 n 个节点和一个输出节点）。Baum 注意到，对于 R n 中一般位置的数据点 xk，结构 [ n, m, 1] 的记忆容量约为 nm ，即它与连接数成正比。这并不难：一般位置保证任何 n 个数据点子集所跨越的超平面不会错过任何其他数据点；这允许人们在其自己的 n 个数据点批次上训练隐藏层中的 m 个神经元中的每一个。Baum 然后问同样的现象是否仍然存在于更深的神经网络中。他问，对于较大的 K，是否存在一个深度神经结构，其总数为 O（√
kan-mixers：
由于其有效的性能，卷积神经网络（CNN）和视觉变压器（VIT）架构已成为解决计算机视觉任务的标准。此类架构需要大量的数据集，并依靠卷积和自我注意操作。在2021年，MLP-Mixer出现了，与CNN和VIT相比，仅依赖于多层感知器（MLP）并取得极具竞争力的结果。尽管在计算机视觉任务中表现良好，但MLP混合体架构可能不适合图像中的精制功能提取。最近，提出了Kolmogorov-Arnold网络（KAN）作为MLP模型的有希望的替代品。kans有望提高与MLP相比的准确性和可解释性。因此，目前的工作旨在设计一种新的基于混音器的架构，称为Kan-Mixers，使用KAN作为主要层，并根据几个性能指标在图像分类任务中评估其性能。作为主要结果，Kan-Mixers模型在时尚摄影和CIFAR-10数据集中优于MLP，MLP-Mixer和KAN模型，分别为0.9030和0.9030和0.6980，分别为平均精度。
基于快速行进方法和深度强化学习的自主船的新颖道路遵循方法
路径以下是自动船只的必不可少的工具之一，它确保自动船能够充分能够在指定的无碰撞水中导航。这项研究提出了一种新的路径，遵循基于快速行进方法（FM）方法和深入增强学习（DRL）的自主船的方法。所提出的方法能够控制船以遵循不同的路径，并确保路径跟踪误差始终在设定范围内。借助FM方法，基于网格的路径偏差图是专门生成的，以指示网格点和路径之间的最小差异。此外，特定设计的路径偏差感知器是为了模拟基于路径偏差图的设定路径偏差边界的范围传感器。之后，培训了一个基于DRL的圆形路径来控制船舶。尤其是通过模拟对该方法进行验证和评估。获得的结果表明，所提出的方法始终能够维持较高的总体效率，并具有相同的层次，以遵循不同的路径。此外，这种方法的能力对自主船的发展表现出显着的贡献。