XiaoMi-AI文件搜索系统
World File Search System模式检测
使用脑电图和眼动追踪功能对虚拟现实中的外部和内部注意力进行多模式检测
未来的虚拟现实环境将感知用户的环境，实现广泛的智能交互，从而通过注意力感知虚拟现实系统实现多样化的应用并提高可用性。然而，基于脑电图数据的注意力感知虚拟现实系统训练周期长，阻碍了其普遍性和广泛应用。同时，在哪些生理特征（脑电图和眼动追踪）对解码虚拟现实范式中的注意力方向最有效的研究中仍然存在空白。我们通过评估使用脑电图和眼动追踪数据的几种分类模型来解决这一问题。我们在 N-Back 任务中需要内部注意力或在视觉监控中需要外部注意力分配的任务期间同时记录了训练数据。我们使用线性和深度学习模型比较了几种单峰和多峰特征集以及不同窗口大小下的分类性能。结果表明，多峰特征可以提高经典和现代分类模型的预测能力。我们讨论了评估生理特征重要性并实现自动、稳健和个性化特征选择的方法。
err@hri 2024挑战：人类机器人互动中错误和失败的多模式检测
尽管机器人技术和机器学习（ML）最近取得了进步，但我们日常生活中的自主机器人的部署仍然是一个开放的挑战。这是由于多种原因是他们的频繁错误，例如中断人们或延迟反应，以及他们对人言语的有限能力，即在将语音转录到文本等任务中的失败。这些错误可能会破坏相互作用并负面影响人类对这些机器人的看法。要解决这一问题，机器人需要具有检测人类机器人间互动（HRI）故障的能力。err@hri 2024挑战通过在人类机器人相互作用（HRI）（HRI）的基准多模式数据集（HRI）（鼓励研究人员）开发和基准测试多模式机器学习模型以检测这些失败的情况下解决了这一问题。我们创建了一个数据集，其中包含多模式的非语言交互数据，包括与机器人教练的互动视频剪辑中的面部，语音和姿势效果，并带有标签，指示机器人误差，用户尴尬和交互破裂，允许培训和评估预测性模型。挑战邀请群体提交其多模式ML模型以检测机器人误差，并针对各种性能指标进行评估，例如准确性，精度，召回率，F1得分，并在有没有误差的情况下反映了这些度量的时间敏感性。这项挑战的结果将有助于研究领域更好地了解人类机器人相互作用中的机器人故障并设计自动驾驶机器人，这些机器人在成功检测到它们后可以减轻自己的错误。
优化皮质折叠模式检测的对比度学习
人体大脑皮层具有许多颠簸和凹槽，称为Gyri和Sulci。即使主要的皮质褶皱具有高个性的一致性，当我们检查折叠模式的确切形状和细节时，情况并非如此。由于这种复杂性，表征了皮质折叠的变异性并将其与受试者的行为特征或病理相关联仍然是一个开放的科学问题。经典方法包括基于几何距离手动或半自动的几种特定模式，但是最近数以千计的受试者的MRI图像数据集可用于现代深度学习技术，使现代深度学习技术变得特别有吸引力。在这里，我们构建了一个自制的深度学习模型，以检测扣带回区域的折叠模式。我们在人类Connectome项目（1101个受试者）和UKBiobank（21070受试者）数据集上培训了一个对比对比的自我监管模型（SIMCLR），并具有基于拓扑的骨骼骨骼上的增强，这些数据集对拓扑对象进行了基于拓扑的增强，它们是捕获折叠形状的拓扑对象。我们为SIMCLR探索了几个骨干架构（卷积网络，densenet和Pointnet）。进行评估和测试，我们在手动标记的数据库上执行线性分类任务，该任务在扣带回区域中存在“双重并行”折叠模式，这与精神分裂症特征有关。最佳模型，测试AUC为0.76，是一个卷积网络，具有6层，一个10维潜在空间，线性投影头以及使用分支分支的增强。这是第一次将自制的深度学习模型应用于如此大的数据集上的皮质骨骼并进行了定量评估。我们现在可以设想下一步：将其应用于其他大脑区域以检测其他生物标志物。GITHUB存储库可在https://github.com/neurospin-projects/2022 JCHAVAS CATINGULATE抑制控制上公开获得。
从文献计量模式检测技术成熟度
摘要 对于行业和政府的决策者来说，根据易于获取的开源指标（例如出版物）识别新兴技术的能力非常重要。这项工作的科学贡献是提出了一种基于出版物数量检测新兴技术成熟度的机器学习方法。出版物数量的时间序列具有区分新兴技术和成长技术的普遍特征。我们根据这些特征训练了一个人工神经网络分类器（一种监督式机器学习算法），以预测任意技术的成熟度（新兴技术与成长技术）。通过由 22 种技术组成的训练集，我们对 6 种测试技术获得了 58.3% 到 100% 的分类准确率，平均准确率为 84.6%。为了提高分类器性能，我们用合成的时间序列技术生命周期曲线扩充了训练语料库，这些曲线是通过计算原始训练集中曲线的加权平均值形成的。在合成数据集上训练分类器可提高准确率，范围从 83.3% 到 100%，测试技术的平均准确率为 90.4%。我们的分类器的性能超过了文献中竞争的机器学习方法，后者报告的平均分类准确率最高仅为 85.7%。此外，与当前方法相比，我们的方法不需要专业知识来生成训练标签，并且可以自动化和扩展。
从文献计量模式检测技术成熟度
摘要 对于行业和政府的决策者来说，根据易于获取的开源指标（例如出版物）识别新兴技术的能力非常重要。这项工作的科学贡献是提出了一种基于出版物数量来检测新兴技术成熟度的机器学习方法。出版物数量的时间序列具有区分新兴技术和成长技术的普遍特征。我们根据这些特征训练了一个人工神经网络分类器（一种监督式机器学习算法），以预测任意技术的成熟度（新兴技术与成长技术）。通过由 22 种技术组成的训练集，我们对 6 种测试技术获得了 58.3% 到 100% 的分类准确率，平均准确率为 84.6%。为了提高分类器性能，我们用合成的时间序列技术生命周期曲线扩充了训练语料库，这些曲线是通过计算原始训练集中曲线的加权平均值形成的。在合成数据集上训练分类器可提高准确率，范围从 83.3% 到 100%，测试技术的平均准确率为 90.4%。我们的分类器的性能超过了文献中竞争的机器学习方法，后者报告的平均分类准确率最高仅为 85.7%。此外，与当前方法相比，我们的方法不需要专业知识来生成训练标签，并且可以自动化和扩展。
基于机器学习的激光故障模式检测
1. 引言 传统上，激光器广泛用于天文学、通信、计量和医学检查等各个工业领域。自诞生以来，激光器在光输出功率和波长调谐范围等方面不断发展，可用于各种有着严格工程要求的应用。因此，激光器可靠性的量化已成为一个更具挑战性的问题 [1]。为了应对这一挑战，人们开发了不同的可靠性建模和预测方法，包括基于历史故障数据统计分析的经验方法，如 Telcordia SR- 322[2]，以及物理故障模型。与基于标准的预测方法相比，物理模型可以纳入设计、制造和操作对可靠性的明确影响 [3]。虽然精度有所提高，但仍存在成本和故障建模复杂性等挑战，同时需要详细的制造信息和知识渊博的专家团队。