XiaoMi-AI文件搜索系统
World File Search System相似性
开放世界的语义细分包括类相似性
解释摄像机数据是自主行动系统（例如自动驾驶汽车）的关键。在现实世界环境中运行的视觉系统必须能够解释其周围环境，并需要能够处理新型情况。本文解决了开放世界的分段，即解释训练过程中未见对象的图像数据的变体。我们提出了一种新的方法，该方法可以执行确定性封闭世界的语义分割，同时可以识别新类别，而无需任何适当的培训数据。我们的方法1另外，为图像中的每个新发现的类与已知类别提供了相似性度量，这在下游任务（例如计划或映射）中可能是有用的信息。通过广泛的实验，我们表明我们的模型在已知的训练数据以及异常分割的类别上实现了最新的结果，并且可以区分不同的未知类别。
金融服务中的相似性学习
来自网络的一些答案……• 因为[埃德加·爱伦·坡] 都用它们写过字。• 因为在它们上面都能找到未付的账单。• 因为写字台是笔的休息处，而乌鸦是鹪鹩（一种小型鸟类）的害虫。• 因为它能发出一些音符，虽然音符很平；而且它放错了方向！——刘易斯·卡罗尔在书出版后给出的答案。他还把“never”的拼写写成了“nevar”，也就是“raven”的倒写。
学习空间和时间中的自相似性作为视频动作识别的广义运动
时空卷积通常无法学习视频中的运动动态，因此需要一种有效的运动表示来理解自然界中的视频。在本文中，我们提出了一种基于时空自相似性（STSS）的丰富而鲁棒的运动表示。给定一系列帧，STSS 将每个局部区域表示为与空间和时间中邻居的相似性。通过将外观特征转换为关系值，它使学习者能够更好地识别空间和时间中的结构模式。我们利用整个 STSS，让我们的模型学习从中提取有效的运动表示。我们所提出的神经块称为 SELFY，可以轻松插入神经架构中并进行端到端训练，无需额外监督。通过在空间和时间上具有足够的邻域体积，它可以有效捕捉视频中的长期交互和快速运动，从而实现鲁棒的动作识别。我们的实验分析表明，该方法优于以前的运动建模方法，并且与直接卷积的时空特征互补。在标准动作识别基准 Something-Something-V1 & V2、Diving-48 和 FineGym 上，该方法取得了最佳效果。
gosemsim：Go-Terms语义相似性度量
gosemsim包装。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>2 buildgoMappap。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>3个簇。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>4个硬币。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 5 Genesim。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 5 Godata 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。4个硬币。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 Genesim。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 5 Godata 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。5 Genesim。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。5 Godata。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 2010级。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。7 Gosim。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9个信息方法。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9 load_orgdb。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>10 mclustersim。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。10 mgenesim。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 mgosim。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。12 read.blast2go。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。13 read.gaf。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 TCSS_CUTOFF。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14条款。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16 wangmethod_internal。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。16
MISS-SNF：一种多模式患者相似性网络集成方法来处理完全缺失的数据源
动机：精确药物利用患者特定的多模式数据来改善预防，诊断，预后和疾病治疗。提前的精确医学需要复杂，异质和潜在高维数据来源（例如多摩学和临床数据）的非平凡整合。在文献中，已经提出了几种方法来管理丢失的数据，但通常仅限于一部分患者的特征子集的恢复。在很大程度上被忽略的问题是当一个或多个患者完全缺少其中一个或多个数据来源时，这是临床实践中相对常见的状况。结果：我们提出了Miss类似网络融合（MISS-SNF），这是一种新型的通用数据集成方法，旨在在患者相似性网络的背景下管理完全缺失的数据。miss-snf通过利用从SNF算法借来的非线性消息通讯策略来整合不完整的单峰患者相似性网络。Miss-SNF能够恢复缺失的患者相似性，并且是“任务不可知论”，从某种意义上说，可以整合无监督和监督预测任务的部分数据。对来自癌症基因组图集（TCGA）的九个癌症数据集的实验分析表明，Miss-SNF达到最先进的方法会导致恢复相似性并识别出在临床上相关变量中富集的患者亚组，并具有差异性生存率。可用性和实现：在R中实现的MISS-SNF代码可在https://github.com/ anacletolab/misssnf上找到。此外，截肢实验表明，MISS-SNF监督了对整体生存和无进展间隔事件的预测，完全缺少数据的结果可与所有数据可用时获得的结果相当。
算法和硬度用于估计统计相似性
我们研究了计算概率分布之间统计相似性的问题。对于有限的样品空间上的分布P和Q，它们的统计相似性定义为S Stat（P，Q）：= P X Min（p（x），q（x））。统计相似性是分布之间相似性的基本量度，具有几种自然解释，并捕获了预测和假设测试问题中的贝叶斯错误。最近的工作已经确定，有些令人惊讶的是，即使对于简单的产品分布，精确的计算统计相似性也是＃p -hard。这激发了设计统计相似性的近似算法的问题。我们的主要贡献是用于估计两个产品分布之间统计相似性的完全多项式确定性近似方案（FPTA）。为了获得此结果，我们引入了背包问题的新变体，我们称之为“掩盖背包”问题，并设计了一个FPTA，以估算此问题的多维版本的解决方案数量。这种新的技术贡献可能具有独立的利益。此外，我们还建立了一个完全的硬度结果。我们表明，当p和q是估计统计相似性的NP -HARD是内度2的贝叶斯净分布时。
样式元素：版权，相似性和生成ai
*康奈尔技术数字生活计划的博士后研究员。The author thanks BJ Ard, Sap- tarishi Bandopadhyay, Robert Brauneis, Bay ByrneSim, Mala Chatterjee, Terry Fisher, Kat Geddes, James Grimmelmann, Kevin Hong, Lily Hu, Diana Liebenau, Grant Meyer, Ruth Okediji, Rachel Orol, Sarah Rosenthal, Joel Sobel, David Stein, Rebecca Tushnet，David Gray Widder，Kathryn Woolard，Jonathan Zittrain以及2024年NYU Law的2024年三州IP研讨会的参与者以及Cardozo Law举行的2023年知识产权学者会议。在2018年在凯斯西部储备大学法律学院的2018年工作中的知识产权（WIPIP）座谈会上提出了这项研究的更早版本，并获得了许多有益的反馈。本文得到了德克萨斯州休斯敦的Nancy F. Atlas知识产权美国法院的赠款和休斯敦法律中心知识产权与信息法律研究所的赠款。
在基于目标的药物相似性网络中发现新的药物特性
尽管生物信息学、系统生物学和机器学习最近取得了进展，但准确预测药物特性仍然是一个悬而未决的问题。事实上，由于生物环境是一个复杂的系统，传统的基于化学结构知识的方法无法完全解释药物与生物靶标之间相互作用的性质。因此，在本文中，我们提出了一种无监督机器学习方法，该方法使用我们了解的有关药物-靶标相互作用的信息来推断药物特性。为此，我们根据药物-靶标相互作用定义药物相似性，并根据药物-药物相似性关系构建加权药物-药物相似性网络。使用能量模型网络布局，我们生成与特定、主要药物特性相关的药物社区。然而，这些社区中 13.59% 的药物似乎与主要药理特性不匹配。因此，我们将它们视为药物重新利用的提示。测试所有这些重新利用提示所需的资源相当可观。因此，我们引入了一种基于中介性/度节点中心性的优先级机制。通过使用介数/度作为药物再利用潜力的指标，我们确定药物甲丙氨酯可能是一种抗真菌药物。最后，我们使用基于分子对接的稳健测试程序进一步确认甲丙氨酯的再利用能力。
文本分析技术并确定当然内容的相似性
自然语言处理是AI的不断增长的子场，具有不同应用的多种多样。常见且看似直接的应用是文档相似性，通常会实现各种NLP算法。但是，加上其不同技术的多功能性，也有缺点。不同的算法倾向于集中在一个或多个相似性的因素上，这意味着它们可以在一种类型的相似性评估中表现出色，但会与另一种相似性评估。本文研究了三种NLP技术，重点是它们自动化相似性评估的能力。他们的重点是课程内容在课程资格或课程学分之间使用之间的相似性。在此时间点，此比较是手动进行的。确定哪些因素在学分课程中很重要，已经实施了三种算法并在各种课程比较测试中运行。所选的算法和因子是TF-IDF，用于加权项重叠，n-gram，用于上下文匹配，并使用关键字提取进行主题检测。在评估其整体效果时，使用关键字提取的NER似乎是最佳选择。直到显而易见的是，它更加一致，自信地给出错误的答案。它在具有一些相似之处的课程上给出了很高的相似性分数，例如来自同一所大学，但不够相似，无法彼此学分。使用n-grams来确定相似性是在相似和不同课程上最可靠的，并且被证明是可靠的选择。tf-idf的当前词汇表现不佳。总结基于上下文的N-gram的相似性在研究课程自动信用时被证明是一个可靠且有用的因素，但在实际使用之前需要进一步的工作。
经济相似性及其对通货膨胀的应用
定义了两个经济体之间的经济相似性，即两个经济体未来之间的对应关系，其中所有生产和消费行为或特定子集都是相同的。相似的经济体中价格和通货膨胀可能不同，因此经济相似性是研究通货膨胀和表达货币中性（作为货币的一个方面）的理想工具。陈述并证明了从任意经济体到具有不同通货膨胀率的经济体的经济相似性公式。经济相似性用于制定和证明货币数量论的严格表达，而不同的经济相似性用于阐明如何通过提高利率来降低通货膨胀。确定并量化了因提高利率以控制通货膨胀而造成的经济活动扭曲。确定了一种管理通货膨胀的策略，该策略通过关注贷款偿还而不是利率来避免经济活动扭曲。通过经济相似性对货币中性方面更精确的理解，可以推断出存在一种“无痛”通胀管理策略，该策略既调整偿还率，又调整利率。尽管发现一种纯粹“技术”的通胀管理机制是意料之外的，但经济相似性提供的理论依据却很强。这种机制的实际意义是巨大的。