XiaoMi-AI文件搜索系统
World File Search System端到端
使用神经信息流进行端到端神经系统识别 Seeliger, K.；安布罗吉奥尼，L.； Güçlütürk，Y.；古克吕，美国；格文，MAJ van 2021，
神经信息流 (NIF) 为神经科学中的系统识别提供了一种新方法。它模拟多个大脑区域中的神经计算，并且可以通过非侵入性数据的随机梯度下降进行端到端训练。NIF 模型通过耦合张量网络表示神经信息处理，每个张量都编码大脑区域中包含的感官输入的表示。这些张量的元素可以解释为皮质柱，其活动编码了时空位置中特定特征的存在。每个张量都通过低秩观察模型与特定于大脑区域的测量数据耦合，这些低秩观察模型可以分解为局部神经元群的空间、时间和特征感受野。这些观察模型和定义区域内信息处理的卷积权重都是通过预测感官刺激期间的神经信号端到端学习的。我们使用单个参与者记录的大规模 fMRI 数据集对早期视觉区域活动训练了一个 NIF 模型。我们表明，我们可以恢复与实证结果一致的合理的视觉表征和群体感受野。
使用黎曼概率的贝叶斯积累的端到端 P300 BCI
摘要 — 在脑机接口 (BCI) 中，大多数基于事件相关电位 (ERP) 的方法都侧重于 P300 的检测，旨在对拼写任务进行单次试验分类。虽然这是一个重要的目标，但现有的 P300 BCI 仍然需要多次重复才能达到正确的分类准确率。P300 BCI 中的信号处理和机器学习进步主要围绕 P300 检测部分，而字符分类不在范围之内。为了在保持良好字符分类的同时减少重复次数，解决完整的分类问题至关重要。我们引入了一个端到端流程，从特征提取开始，由使用概率黎曼 MDM 的 ERP 级分类组成，该分类使用跨试验的贝叶斯置信度积累提供字符级分类。现有方法仅在字符闪现时增加其置信度，而我们新的管道，称为黎曼概率贝叶斯累积 (ASAP)，在每次闪现后更新每个字符的置信度。我们提供了此贝叶斯方法的正确推导和理论重新表述，以便无缝处理从信号到 BCI 字符的信息。我们证明我们的方法在公共 P300 数据集上的表现明显优于标准方法。
最后院子：高速加密的基础端到端验证
美国加利福尼亚州帕洛阿尔托市斯坦福大学医学院神经外科系（M. Lim）；瑞士苏黎世大学医院和苏黎世大学神经和脑肿瘤中心系（M.W. ） ）; SorbonneUniversité，研究所 - 帕里斯脑研究所 - ICM，Inserm，CNRS，AP-HP，HôpitalUniversitaireLaPitiéSalpêtrière，Paris，Paris，Paris，France（A.I. ） ）;德国法兰克福歌德大学法兰克福癌症研究所（J.S. ） ）;德国法兰克福歌德大学医院神经机学研究所（J.S. ） ）;分子神经肿瘤学单位，神经学研究所C. Besta，意大利米兰（G.F.）；俄亥俄州立大学综合癌症中心转化治疗计划，美国俄亥俄州哥伦布（R.R.R. ）;美国密苏里州圣路易斯华盛顿大学医学院医学系（G.A. ） ）;耶鲁大学医学院神经病学系，美国康涅狄格州纽黑文市（J.B.，A.O。 ）;美国加利福尼亚州旧金山的加利福尼亚大学神经病学和神经外科系（J.W.T. ） ）;神经肿瘤学部，Lyon Hospices De Lyon，Synatac团队，Inserm u1314/CNRS UMR 5284，LYON UNIONITITURE CLAUDE BERNARD LYON 1，LYON 1，LYON，LYON，法国（J.H.美国加利福尼亚州帕洛阿尔托市斯坦福大学医学院神经外科系（M. Lim）；瑞士苏黎世大学医院和苏黎世大学神经和脑肿瘤中心系（M.W.）; SorbonneUniversité，研究所 - 帕里斯脑研究所 - ICM，Inserm，CNRS，AP-HP，HôpitalUniversitaireLaPitiéSalpêtrière，Paris，Paris，Paris，France（A.I.）;德国法兰克福歌德大学法兰克福癌症研究所（J.S.）;德国法兰克福歌德大学医院神经机学研究所（J.S.）;分子神经肿瘤学单位，神经学研究所C. Besta，意大利米兰（G.F.）；俄亥俄州立大学综合癌症中心转化治疗计划，美国俄亥俄州哥伦布（R.R.R.）;美国密苏里州圣路易斯华盛顿大学医学院医学系（G.A.）;耶鲁大学医学院神经病学系，美国康涅狄格州纽黑文市（J.B.，A.O。）;美国加利福尼亚州旧金山的加利福尼亚大学神经病学和神经外科系（J.W.T.）;神经肿瘤学部，Lyon Hospices De Lyon，Synatac团队，Inserm u1314/CNRS UMR 5284，LYON UNIONITITURE CLAUDE BERNARD LYON 1，LYON 1，LYON，LYON，法国（J.H.）;加拿大魁北克蒙特利尔蒙特利尔大学蒙特利尔神经学院医院脑肿瘤研究中心神经病学系（K.P.）;荷兰乌得勒支大学乌得勒支大学医学肿瘤学（F.D.V.）;日本Ishikawa Kanazawa大学神经外科系（M.K.）;海德堡大学神经病学诊所，德国海德堡国家肿瘤疾病中心（A.W.）;美国北卡罗来纳州夏洛特市莱文癌症研究所的神经肿瘤科（A.S.）；南佛罗里达大学莫菲特癌症中心，美国佛罗里达州坦帕市（S.S.）；美国纽约，纽约，纽约，纪念斯隆·凯特林癌症中心神经和人类肿瘤学和发病机理计划（I.K.M.，A.O。）;布里斯托尔·迈尔斯·斯奎布（Bristol Myers Squibb），美国新泽西州普林斯顿（M.R.，R.S.，D.W.）; Syneos Health，美国北卡罗来纳州莫里斯维尔（M. Lee）；美国马萨诸塞州波士顿市Dana-Farber/Harvard Cancer Center的神经肿瘤学中心（D.A.R.）
评估端到端实体在特定领域的知识基础上链接：从博物馆收藏中学习古老的技术
研究社会，经济和历史问题，社会科学和人文学科的研究人员已经开始使用越来越大的非结构化文本数据集。虽然NLP的最新进展提供了许多有效处理此类数据的工具，但大多数现有方法都依赖于对特定领域任务的性能和适用性的通用解决方案。这项工作提出了通过探索现代实体链接方法来丰富博物馆收集数据的使用来弥合此领域差距的尝试。我们收集了一个数据集，该数据集包含1700多个用7,510个提及对的文本，使用此数据集评估一些现成的解决方案，最后在此数据上对最近的端到端EL模型进行微调。我们表明，我们的微调模型大大优于该域中当前可用的其他方法，并呈现此模型的概念验证用例。我们发布数据集和最佳模型。
由机器学习驱动的端到端自动缓存攻击
信息或电磁发散。自1996年第一次出版关于时机攻击的首次出版物以来，这种称为侧道攻击的新一代攻击在很大程度上引起了研究界的关注[20]。攻击的可能性很多，鉴于在敏感计算过程中设备可以披露的各种信号：功耗[19，24]，磁场[11]，温度[5]甚至声音[1]。 读者被转介给[15]，以进行有关侧通道攻击的广泛介绍。 本文重点介绍了一个特定类别的侧通道攻击：恰当的攻击。 这些攻击是基于从CPU缓存内存泄漏的定时信息。 的确，当目标算法使用SEN-SINDIVE信息时，它将秘密数据加载到缓存内存中。 可以利用间谍保护的攻击者间接检查缓存mem-yry的内容，可以推断出目标算法已操纵哪些数据。 Tsunoo等人首先引入了缓存攻击。 在[35]中打破DES。 后来，在流行的缓存攻击中，使用缓存信息来打破AES [3]，以及RSA的RSA：Flush+Reload [38]。 在本文中，我们将使用后一种攻击的改进：冲洗+冲洗攻击[14]，它更隐形，产生更多的结果。 更具体地，我们在本文中研究了对ECDSA的OpenSSL实现的缓存时间攻击，ECDSA是用于数字签名的椭圆曲线算法。 OpenSSL [27]是用于实现加密协议的开源工具包。攻击的可能性很多，鉴于在敏感计算过程中设备可以披露的各种信号：功耗[19，24]，磁场[11]，温度[5]甚至声音[1]。读者被转介给[15]，以进行有关侧通道攻击的广泛介绍。本文重点介绍了一个特定类别的侧通道攻击：恰当的攻击。这些攻击是基于从CPU缓存内存泄漏的定时信息。的确，当目标算法使用SEN-SINDIVE信息时，它将秘密数据加载到缓存内存中。可以利用间谍保护的攻击者间接检查缓存mem-yry的内容，可以推断出目标算法已操纵哪些数据。缓存攻击。在[35]中打破DES。后来，在流行的缓存攻击中，使用缓存信息来打破AES [3]，以及RSA的RSA：Flush+Reload [38]。在本文中，我们将使用后一种攻击的改进：冲洗+冲洗攻击[14]，它更隐形，产生更多的结果。更具体地，我们在本文中研究了对ECDSA的OpenSSL实现的缓存时间攻击，ECDSA是用于数字签名的椭圆曲线算法。OpenSSL [27]是用于实现加密协议的开源工具包。使用C实现的功能库通常用于实现安全套接字层和传输层安全协议，还用于启用OpenPGP和其他加密标准。
利用数字双技术进行端到端供应链优化和缓解全球物流的干扰
全球物流格局正在经历前所未有的转型，这是由技术进步和供应链网络复杂性提高的驱动的。Digital Twin Technology是一种革命性的供应链管理方法，为优化和减轻干扰提供了全面的解决方案。这项全面的综述研究了数字双技术通过系统分析现有文献，实施框架和案例研究来革新全球物流的变革潜力。我们的调查表明，数字双胞胎实施可以将运营成本降低30-40％，将供应链中断时间减少高达60％，并通过先进的预测建模来提高整体供应链的弹性。该研究综合了来自多个领域的证据，证明了数字双胞胎解决当代供应链管理中关键挑战的能力。通过探索新兴趋势，实施机制和关键挑战，本综述为数字双技术的机会和局限性提供了平衡的观点。调查结果表明，尽管数字双胞胎具有有希望的供应链优化解决方案，但成功实施需要仔细考虑技术基础架构，数据集成策略和组织能力。
深度循环编码器：一种用于大规模脑磁图建模的端到端网络
图 E 1 用于预测 MEG 活动的深度循环编码器 (DRE) 模型的表示。被掩蔽的 MEG pt ⊙ xt 从底部进入网络，连同控制表示 ut 和主题嵌入 s 。编码器使用卷积和 ReLU 非线性转换输入。然后，LSTM 对隐藏状态序列 ht 进行建模，并将其转换回 MEG 活动估计 ˆ xt 。Conv 1 d ( C in , C out , K, S ) 表示随时间进行的卷积，其中输入通道为 C in，输出通道为 C out，内核大小为 K，步幅为 S。类似地，ConvTransposed 1 d ( C in , C out , K, S ) 表示随时间进行的转置卷积。
端到端学习皮质神经假体视觉的安全刺激参数
通过皮质视觉神经植物对大脑的直接电刺激是一种有前途的方法，可以通过诱导对局部光（称为“磷烯”的局部光）感知来恢复视力障碍的基本视力。除了将复杂的感官信息凝结成低时空和空间分辨率下的有意义的刺激模式外，为大脑提供安全的刺激水平至关重要。我们提出了一个端到端框架，以学习安全生物学约束中最佳刺激参数（振幅，脉冲宽度和频率）。学习的刺激参数将传递给生物学上合理的磷酸模拟器，该模拟器考虑了感知到的磷光的大小，亮度和时间动力学。我们对自然导航视频的实验表明，将刺激参数限制为安全水平不仅可以维持磷光元素的图像重建中的任务性能，而且始终导致更有意义的磷光视觉，同时提供了对最佳刺激参数范围的见解。我们的研究提出了一种刺激生成的编码器，该编码器学习刺激参数（1）满足安全性约束，（2）使用高度实现的磷光模拟器来最大化图像重建和磷光解释性的合并目标，以计算刺激的时间动力学。端到端学习刺激参数以这种方式实现了关键的生物安全限制以及手头硬件的技术限制。
gl-icnn：端到端解释的卷积...
摘要 - 基于卷积神经网络（CNN）的深度学习方法显示，基于成像数据，基于成像数据的痴呆症的早期和准确诊断的早期和准确诊断都很大。但是，这些方法尚未在临床实践中被广泛采用，这可能是由于深度学习模型的解释性有限。可解释的提升机（EBM）是玻璃框模型，但无法直接从输入成像数据中学习功能。在这项研究中，我们提出了一个可解释的新型模型，该模型结合了CNN和EBM，以诊断和预测AD。我们制定了一种创新的培训策略，该策略将CNN组件作为功能提取器和EBM组件作为输出块而交替训练CNN组件，以形成端到端模型。该模型将成像数据作为输入，并提供预测和可解释的特征重要性度量。我们验证了有关阿尔茨海默氏病神经影像学计划（ADNI）数据集的拟议模型，以及Health-Ri Parelsnoer神经疾病生成疾病生物库（PND）作为外部测试集。所提出的模型以AD和对照分类为0.956的面积为0.956，预测轻度认知障碍（MCI）在ADNI队列上进行AD的预测为0.694。所提出的模型是与其他最先进的黑盒模型相当的玻璃盒模型。我们的代码可在以下网址提供：https：//anonymon.4open.science/r/gl-icnn。索引术语 - Alzheimer氏病，MRI，深度学习，转换神经网络，可解释的提升机器，明显的人工智能
深学习驱动的端到端金属成像
Eunji Lee , e Jehyeong Hong, a,b,d Junsuk Rho, c,e,f,g,h, * and Haejun Chung a,b,d, * a Hanyang University, Department of Artificial Intelligence, Seoul, Republic of Korea b Hanyang University, Department of Electronic Engineering, Seoul, Republic of Korea c Pohang University of Science and Technology, Department of Mechanical Engineering, Pohang, Republic of Korea d Hanyang University, Department of Artificial Intelligence Semiconductor Engineering, Seoul, Republic of Korea e Pohang University of Science and Technology, Department of Chemical Engineering, Pohang, Republic of Korea f Pohang University of Science and Technology, Department of Electrical Engineering, Pohang, Republic of Korea g POSCO-POSTECH-RIST Convergence Research Center for Flat Optics and Metaphotonics, Pohang, Republic of Korea h National Institute of纳米材料技术，朝鲜共和国庞岛