XiaoMi-AI文件搜索系统
World File Search System特征映射
cri du聊天神经元干细胞的建立和表征：研究综合征的新颖有希望的资源
DLKA模块的特征映射。δ为GELU激活函数。每个分支的信息融合在空间维度中，并获得相应的权重。来自不同大卷积内核的特征
建模用于基因组数据分析的量子机学习
摘要 - Quantum机器学习（QML）不断发展，为各种应用程序释放了新的机会。在这项研究中，我们通过采用各种特征映射技术来研究和评估QML模型对基因组序列数据二元分类的适用性。我们提出了一个开源的，独立的基于qiskit的实现，以在基准基因组数据集上进行实验。我们的模拟表明，特征映射技术和QML算法之间的相互作用显着影响性能。值得注意的是，PEGASOS量子支持矢量分类器（PEGASOS-QSVC）表现出较高的灵敏度，尤其是在召回指标方面出色，而量子神经网络（QNN）在所有特征图中都具有最高的训练精度。但是，分类器性能的可变性（取决于功能映射）突出了在某些情况下过度适应本地化输出分布的风险。这项工作强调了QML对基因组数据分类的变革潜力，同时强调需要继续进步以增强这些方法的鲁棒性和准确性。
空间能力矩阵：卫星能力特征的开发和应用
由于太空商业化和军事化程度的提高，太空态势理解 (SSU) 超越了太空态势感知 (SSA)，因此必不可少。要真正了解潜在的对手能力，仅仅探测和识别卫星是不够的。威胁评估和态势理解的第一步是表征观测卫星的能力。本研究旨在通过独特的（一组）特征来确定对手卫星的能力。特征包括物理、态势和行为方面。关系信息模型用于将特征映射到能力，将特征映射到观察和信息处理方法。创建了此模型的概念演示器并将其实现到工具中。模型和工具都称为空间能力矩阵 (SCM)。SCM 可以识别卫星能力，也可以找到对确定能力贡献最大的特征。该模型用于确定表征观测卫星能力的最佳测量组合，以及对增强此过程的新型传感器技术和处理的需求。通过实际示例展示了能力矩阵在军事应用和研究用途中的潜力。为了帮助 SCM 从空间态势感知 (SSA) 过渡到空间态势理解 (SSU)，需要进一步开发，主要是添加更多数据并创建用户友好界面，并进行测试。
基于梯度的深钢筋学习解释方法
摘要摘要摘要：摘要：DQN之类的深强化学习方法的学习过程和工作机制不透明，并且无法感知其决策基础和可靠性，这使该模型的决策高度可疑，并且极大地限制了深入强化学习的应用程序场景。要解释智能代理的决策机制，本文提出了基于梯度的显着性图生成算法SMGG。它使用高级卷积层生成的特征图的梯度信息来计算不同特征地图的重要性。使用模型的已知结构和内部参数，从模型的最后一层开始，通过计算特征映射的梯度来生成不同特征地图相对于显着性图的重量。它列出了在正方向和负面方向上特征的重要性，并使用具有积极影响的权重来加重功能图中捕获的特征，从而形成了当前决策的积极解释；它使用对其他类别产生负面影响的权重来对特征映射中捕获的特征进行加权，从而形成了当前决策的反向解释。决策的显着性图是由两者共同生成的，并且获得了智能代理的决策行为的基础。通过实验证明了该方法的有效性。
CMAI-2020-可解释人工智能的叠加-...
摘要。机器学习几乎已成为人工智能 (AI) 的代名词。然而，它面临着许多挑战，其中最重要的挑战之一是可解释的人工智能；也就是说，提供人类可理解的解释，说明机器学习模型产生特定输出的原因。为了应对这一挑战，我们提出了叠加的概念，它使用概念模型来提高可解释性，方法是将对机器学习模型的决策结果很重要的特征映射到应用领域的概念模型。叠加是一种设计方法，用于用人类用来推理现实和生成解释的结构元素补充机器学习模型。为了说明叠加的潜力，我们介绍了该方法并将其应用于客户流失预测问题。
老师，培训师，律师，间谍：生成性AI如何弥合或扩大以工人为中心的福利数字表型
计算技术在工作中的越来越多的集成也看到了数据驱动和算法工具的概念化和开发，旨在改善工人的健康和绩效。但是，研究和实践都揭示了这些工具的有效性和部署的几个差距。与此同时，生成AI的最新进展高高了大型语言模型（LLMS）在处理人类相互作用的自然语言内容方面的巨大功能。本文探讨了LLMS促进以工人为中心的福利评估工具（WATS）的机会。特别是，我们将LLM的特征映射到已知的WAT挑战。我们强调了LLM如何桥接甚至扩大工人中心WAT中的差距。本文旨在激发新的研究方向，重点是赋予工作人员能力并预期将LLM与工作场所技术融合在一起的危害。
用于鸢尾花数据的量子变分多类分类器...
摘要。量子计算机机器学习的最新进展主要得益于两项发现。将特征映射到指数级大的希尔伯特空间中使它们线性可分——量子电路仅执行线性运算。参数移位规则允许在量子硬件上轻松计算目标函数梯度——然后可以使用经典优化器来找到其最小值。这使我们能够构建一个二元变分量子分类器，它比经典分类器具有一些优势。在本文中，我们将这个想法扩展到构建多类分类器并将其应用于真实数据。介绍了一项涉及多个特征图和经典优化器以及参数化电路的不同重复的系统研究。在模拟环境和真实的 IBM 量子计算机上比较了模型的准确性。
深度预测的对比度学习-IRIS
深度预测是几种计算机视觉应用程序的核心，例如自动驾驶和机器人技术。通常将其作为回归任务进行表达，其中通过网络层估算深度阀。不幸的是，很少探索深度图上值的分布。因此，本文提出了一个新颖的框架，结合了对比度学习和深度预测，使我们能够更加关注深度分布，从而对整体估计过程进行改进。有意地提出了一个基于窗口的对比学习模块，该模块将特征映射划分为非重叠的窗口，并在每个窗口内构造对比损失。形成和排序正面和负对，然后在代表空间中扩大两者之间的间隙，约束深度分布以适合深度图的特征。对Kitti和NYU数据集的实验证明了我们框架的有效性。
使用机器学习的相似图像查找器
摘要：Internet和个人设备上数字图像的扩散产生了对有效图像检索系统的紧迫需求。本文提出了使用机器学习技术来应对这一挑战的类似图像查找器（SIF）。该系统采用特征提取方法（例如卷积神经网络（CNN））的组合来捕获图像的视觉特征。然后使用降低降低技术（如T-分布式随机邻居嵌入（T-SNE）或主成分分析（PCA））将这些特征映射到较低的空间中。结果表示可以有效地比较和检索视觉上相似的图像。此外，可以在大型数据集上培训系统，以学习跨各种图像类型和域的概括性特征。实验结果证明了所提出的SIF在准确有效地检索视觉相似图像方面的有效性。此外，还讨论了系统在图像搜索引擎，内容建议系统和数字资产管理中的可扩展性和潜在应用。
鸟类眼睛视图语义分割
对环绕声的语义的空间理解是自动驾驶汽车需要安全驾驶决策所需的关键能力。最近，纯粹基于视觉的解决方案已增强了研究的兴趣。在特定的方法中，从多个摄像机中提取鸟类视图（BEV）的方法表现出了很好的空间理解性能。本文介绍了学习的位置编码的依赖性，以将基于变压器的甲基化的图像和BEV特征映射元素关联。我们提出利用外两极的几何约束，以模拟相机注意场与BEV之间的关系。它们被纳入注意机制中，作为一种新的归因术语，是学习位置编码的替代方案。实验表明，与隐式学习摄像机配置相比，我们的方法的大鹰队以2％MIOU的方式优于2％MIOU的BEV方法，并且具有出色的概括能力。