XiaoMi-AI文件搜索系统
World File Search System督学
使用无监督学习
经颅超声疗法越来越多地用于非侵入性脑疾病治疗。然而，常规数值波求机的计算量过于昂贵，无法在治疗过程中在线使用，以预测经过头骨的声学字段（例如，考虑主题特定的剂量和靶向变化）。作为实时预测的一步，在当前工作中，使用完全学习的优化器开发了2D中异质Helmholtz方程的快速迭代求解器。轻型网络体系结构基于一个修改的UNET，其中包括一个学识渊博的隐藏状态。使用基于物理的损失功能和一组理想化的音速分布对网络进行训练（完全无监督的训练（不需要真正的解决方案）。学习的优化器在测试集上表现出了出色的性能，并且能够在训练示例之外良好地概括，包括到更大的计算域，以及更复杂的源和声速分布，例如，从X射线计算的颅骨图像中得出的那些。
许多公司提供 AI 驱动的软件平台，用于对临床测序数据（例如 NGS、WES、WGS）进行基因组分析和解释，例如使用 VCF 文件作为输入（表 1）。分析任务包括比对、变异解释、变异调用、注释和分析以及文献整理。AI 驱动方法的优势包括大大缩短周转时间并提高诊断产量。还有基于监督学习（例如 ISOWN）、机器学习（例如 BAYSIC、MutationSeq、SNooPer、SomaticSeq）、卷积神经网络（例如 Clairvoyante）、深度卷积神经网络（例如 DeepSea）、深度循环神经网络（例如 Deep Nano）、深度神经网络（例如 DANN）和人工神经网络（例如 Skyhawk）的基于 AI 的变异调用算法（一些可免费获得），这些算法最近都得到了调查和评论（Bohannan and Mitrofanova 2019；Karimnezhad et al 2020；Koboldt 2020；Liu et al 2019；Xu 2018）。
许多公司提供 AI 驱动的软件平台，用于对临床测序数据（例如 NGS、WES、WGS）进行基因组分析和解释，例如使用 VCF 文件作为输入（表 1）。分析任务包括比对、变异解释、变异调用、注释和分析以及文献整理。AI 驱动方法的优势包括大大缩短周转时间并提高诊断产量。还有基于监督学习（例如 ISOWN）、机器学习（例如 BAYSIC、MutationSeq、SNooPer、SomaticSeq）、卷积神经网络（例如 Clairvoyante）、深度卷积神经网络（例如 DeepSea）、深度循环神经网络（例如 Deep Nano）、深度神经网络（例如 DANN）和人工神经网络（例如 Skyhawk）的基于 AI 的变异调用算法（一些可免费获得），这些算法最近都得到了调查和评论（Bohannan and Mitrofanova 2019；Karimnezhad et al 2020；Koboldt 2020；Liu et al 2019；Xu 2018）。
深度半监督学习用于脑肿瘤分类
摘要背景：本文讨论了从四种磁共振图像 (MRI) 扫描模式（即 T1 加权 MRI、增强 T1 加权 MRI、T2 加权 MRI 和 FLAIR）中对脑肿瘤、神经胶质瘤进行分类的问题。目前，许多可用的神经胶质瘤数据集通常包含一些未标记的脑部扫描，并且许多数据集的大小适中。方法：我们建议利用深度半监督学习来充分利用未标记数据。深度 CNN 特征被纳入一个新的基于图的半监督学习框架，用于学习未标记数据的标签，其中添加了新的 3D-2D 一致性约束以对来自同一 3D 脑部扫描的 2D 切片进行一致性分类。然后训练深度学习分类器使用具有估计标签的标记和未标记数据对不同类型的神经胶质瘤进行分类。为了缓解中等规模数据集导致的过度拟合，在 CNN 的训练中加入了生成对抗网络 (GAN) 生成的合成 MRI。结果：所提方案已在两个胶质瘤数据集上进行了测试，TCGA 数据集用于 IDH 突变预测（基于分子的胶质瘤亚型分类）和 MICCAI 数据集用于胶质瘤分级。我们的结果显示出良好的性能（TCGA 数据集上的测试准确率为 86.53%，MICCAI 数据集上的测试准确率为 90.70%）。结论：所提方案对于胶质瘤 IDH 突变预测和胶质瘤分级是有效的，其性能与最先进的方案相当。
监督学习的量子计算方法
过去二十年，量子计算和机器学习的理论和实践都呈现爆炸式增长。现代机器学习系统处理大量数据，需要巨大的计算能力。随着硅半导体小型化接近其物理极限，人们越来越多地考虑使用量子计算来满足未来的计算需求。小型量子计算机和量子退火机已经建成并投入商业销售。量子计算机可以使所有科学和工程领域的机器学习研究和应用受益。然而，由于其根源在于量子力学，该领域的研究迄今为止一直局限于物理学界，其他学科的研究人员很难接触到大多数工作。在本文中，我们先介绍量子计算的背景并总结其关键结果，然后再探讨其在监督机器学习问题中的应用。通过避开与量子计算关系不大的物理学结果，我们希望让数据科学家、机器学习从业者和跨学科的研究人员都能理解这篇介绍。
监督学习中的稀疏活动和稀疏连接
稀疏性是一种有用的正则化器，可用于各种应用，尤其是在神经网络中。本文提出了一种针对分类任务的模型，其中稀疏活动和稀疏连接用于增强分类能力。实现此目标的工具是稀疏性强制投影算子，它可以为任何给定向量找到具有预定义稀疏性的最接近向量。在本文的理论部分，开发了这种投影的综合理论。总而言之，结果表明投影几乎在任何地方都是可微的，因此可以实现为平滑的神经元传递函数。因此，可以使用基于梯度的方法端到端调整整个模型。在 MNIST 手写数字数据库上进行的实验表明，稀疏活动或稀疏连接可以提高分类性能。通过两者的结合，与传统的非稀疏方法相比，性能可以显著提高。关键词：监督学习、稀疏投影、稀疏活动、稀疏连接