XiaoMi-AI文件搜索系统
World File Search System深度
深度学习简介（11-785/ 685/485） div>
- 常见算法：线性回归，决策树，支持向量机（SVM），K-Nearest邻居（K-NN）。- 深度学习是机器学习的一个子集，它使用具有多个层（深神经网络）的神经网络来对大型数据集中的复杂模式进行建模。
通过使用基于深度学习的域适应声发射
使用机器学习（ML）算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别，以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合（LPBF）过程中，基于数据驱动的过程监视正在广受欢迎，因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势，因为可以降低传统的生产后检查方法的成本。此外，可以采取纠正措施或构建终止以节省机器时间和资源。然而，尽管在满足LPBF流程中的监视需求方面取得了成功的发展，但由于不同的过程空间，在处理来自激光材料互动的数据分布的变化时，对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发，在这项工作中，我们提出了一种基于深度学习的无监督域适应技术，以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布（> 45 µm和<45 µm）上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示，数据分布中存在偏移，随后用建议的无监督域适应技术对其进行处理，以具有可以普遍化的ML模型。进一步，两个分布之间提议的方法的预测准确性表明，不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
深度表格学习的现代 Hopfield 模型
在本文中，我们从现代 Hopfield 模型的角度研究表格学习。具体来说，我们使用广义稀疏的现代 Hopfield 模型来学习表格数据表示和预测。在这项工作中，引入了 BiSHop（双向 S 分析 Hop 场模型）作为端到端表格学习的创新框架，解决了深度表格学习中的两个挑战：非旋转不变数据结构和特征稀疏性。受到联想记忆和注意力机制之间新建立的联系的启发，BiSHop 采用了双组分策略。它通过双向学习模块按列和按行顺序处理数据，每个模块都配备广义稀疏 Hopfield 层。这些层通过引入可学习的稀疏性扩展了传统的 Hopfield 模型。从方法论上讲，BiSHop 支持多尺度表示学习，能够有效地捕捉特征内和特征间的交互，并在各种尺度上具有自适应稀疏性。在各种真实世界数据集上进行的经验验证表明，BiSHop 以更少的超参数优化 (HPO) 运行超越了当前最先进的方法的性能，标志着深度表格学习的重大进步。
第 11 章 AI 完备性：利用深度学习消除人为因素
摘要 计算复杂性是计算机科学和数学的一门学科，它根据计算问题的固有难度对其进行分类，即根据算法的性能对其进行分类，并将这些类别相互关联。P 问题是一类可以使用确定性图灵机在多项式时间内解决的计算问题，而 NP 问题的解可以在多项式时间内验证，但我们仍然不知道它们是否也可以在多项式时间内解决。所谓 NP 完全问题的解也将是任何其他此类问题的解。它的人工智能类似物是 AI 完全问题类，对于该类问题仍然没有完整的数学形式化。在本章中，我们将重点分析计算类，以更好地理解 AI 完全问题的可能形式化，并查看是否存在适用于所有 AI 完全问题的通用算法（例如图灵测试）。为了更好地观察现代计算机科学如何尝试解决计算复杂性问题，我们提出了几种涉及优化方法的不同深度学习策略，以表明无法精确解决高阶计算类问题并不意味着使用最先进的机器学习技术无法获得令人满意的解决方案。这些方法与人类解决类似 NP 完全问题的能力的哲学问题和心理学研究进行了比较，以强化我们不需要精确和正确解决 AI 完全问题的方法就可以实现强 AI 的概念的说法。
深度
杰西卡·韦姆彭（Jessica Wempen）教授因“矿山和环境监测的遥控感”而获得了庆祝U研究奖。 Wempen博士被Dean Butt提名，并被选为2019年整体研究工作的获奖者。迈克·尼尔森（Mike Nelson）教授被公认为是矿业，冶金和勘探（SME）研究员和杰出成员的社会。认可为中小企业研究员，授予了15年或以上的成员，他们为矿物行业和中小型企业做出了巨大持续的贡献。他还是2020年帕特里克·E·康纳奖的获得者，该奖项每年由犹他州矿业协会（UMA）授予，该奖项授予对犹他州矿业行业做出重大贡献的个人。Michael Free教授是2020 TMS（矿物，金属和材料协会）杰出服务奖的获得者。该奖项认可了一个对TMS服务的个人，“明确促进了该协会为其成员及其支持组织提供服务的能力。”
深度学习：对人类的影响......
深度神经网络是一种复杂的结构化系统，它以并行、分布式和上下文敏感的方式处理信息，而深度学习则是利用这些系统通过依赖经验的学习过程获得与智能相关的能力的努力。在人工智能领域，深度学习的工作通常旨在利用所有可用的工具和资源来创造和理解智能，而不考虑其生物学合理性。然而，深度学习的许多核心思想都从大脑和人类智能的特征中汲取灵感，我们认为这些受大脑启发的系统最能捕捉这些特征（Rumelhart、McClelland 和 PDP 研究小组，1986 年）。此外，深度学习研究中出现的想法可以帮助我们了解人类和动物的记忆和学习。因此，深度学习研究可以看作是研究人员之间相互交流的沃土，这些研究人员研究的相关问题对生物智能和机器智能都有影响。
使用卷积进行泌尿科图像的深度学习...
机器学习 (ML) 算法已应用于医学成像，其在医学领域的使用日益增多。尤其是深度学习 (DL)，已证明在图像评估和处理方面更为有效。深度学习算法可能有助于并简化其在泌尿科成像中的使用。本文介绍了如何创建用于泌尿科图像分析的卷积神经网络 (CNN) 算法。深度学习是 ML 的一个分支，包括多层神经网络。卷积神经网络已广泛应用于图像分类和数据处理。1 它首先由 Krizhevsky 等人应用于图像分类。2 他们在 2012 年 ImageNet 大规模视觉识别挑战赛 (ILSVRC) 中凭借名为 AlexNet 的深度 CNN 赢得了比赛，该比赛由 120 万张日常彩色图像组成。3 在另一个 CNN 模型中，Lakhani 等人 4 证明他们
6G中值得信赖的深度学习启用了群众自主权
摘要 - 质量自治有望彻底改变广泛的工程，服务和流动性行业。超密集的自主代理之间的协调复杂的沟通需要新的人工智能（AI）在第五代（5G）和第六代（6G）移动网络中实现无线通信服务的管弦乐队。在特定的安全和任务关键任务中，合法需要透明的AI决策过程，以及一系列人类最终用户（消费者，工程师，法律）的量化质量质量质量（QOT）指标。我们概述了6G的值得信赖的自主权的概念，包括基本要素，例如可解释的AI（XAI）如何产生信任的定性和定量方式。我们还提供了与无线电资源管理和相关的关键绩效指标（KPI）集成的XAI测试协议。提出的研究方向将使研究人员能够开始测试现有的AI优化算法，并开发新的算法，认为应该从设计到测试阶段内置信任和透明度。