XiaoMi-AI文件搜索系统
World File Search System训练集
使用A签名
摘要：脑肿瘤是一种有害的癌症，是最低的五年生存率之一。神经元经常使用磁共振成像（MRI）来诊断脑肿瘤的类型。自动化的计算机辅助工具可以帮助他们加快诊断过程并减轻医疗保健系统的负担。医学成像深度学习的最新进展显示出了能力的结果，尤其是在各种癌症的自动和即时诊断中。但是，我们需要大量数据（图像）来训练深度学习模型，以获得良好的结果。大型公共数据集在医学上很少见。本文提出了一个基于无人研究的框架，以解决此限制。我们在提出的框架中结合了两个生成模型：变异自动编码器（VAE）和生成对抗网络（GAN）。最初在可用的MR图像的训练集上训练训练集后，我们交换了编码器– decoder网络。此交换网络的输出是一个具有图像歧管信息的噪声向量，并且级联的生成对抗网络样本在形成性噪声矢量而不是随机的高斯噪声中样本。所提出的方法有助于引用引文：艾哈迈德，b。太阳，J。；你，问。
探索对AFIT学者的弹性
生成的对抗网络（GAN）由于能够捕获复杂的高维数据分布而无需广泛的标签，因此近年来受到了极大的关注。自2014年的受孕以来，已经提出了各种各样的GAN变体，其中包含替代体系结构，优化器和损失功能，目的是提高性能和训练稳定性。本手稿着重于量化GAN结构对特定图像降解模式的弹性。我们进行系统的实验，以经验确定10个基本图像降解模式的影响，该模式应用于训练图像数据集，对条件深度卷积GAN（CDCGAN）产生的图像的Fréchet距离（FID）。我们在𝛼 = 0处找到。05水平，亮度，变暗和模糊在统计学上比完全删除降级数据的统计学意义更大，而其他降解通常可以安全地保留在训练数据集中。此外，我们发现，在随机部分遮挡的情况下，所得的GAN图像的FID接近降级训练集的闭塞水平，这令人惊讶的是，GAN FID的性能等于训练集的75％下降。
用于引导多注意分类的循环网络
近年来，基于注意机制的图像分类越来越受欢迎。最先进的基于注意机制的分类方法通常需要大量的训练集，并且假设图像的标签仅取决于图像中的单个对象（即感兴趣区域）。然而，在许多实际应用中（例如医学成像），收集大型训练集的成本非常高。此外，每张图像的标签通常由多个感兴趣区域（ROI）共同确定。幸运的是，对于这类应用，通常可以收集每张训练图像中 ROI 的位置。在本文中，我们研究了引导式多注意分类问题，其目标是在（1）样本量小和（2）每张图像有多个 ROI 的双重约束下实现高精度。我们提出了一个用于多注意分类的模型，称为引导式注意循环网络（GARN）。与现有的基于注意力机制的方法不同，GARN 利用了多个 ROI 的引导信息，因此即使样本量较小，也能很好地发挥作用。对三种不同视觉任务的实证研究表明，我们的引导注意力方法可以有效提升多注意力图像分类的模型性能。
基于贝叶斯优化的Informer锂离子储能电站电压异常预测方法
1 新疆大学可再生能源发电与并网教育部工程研究中心，乌鲁木齐 830049，新疆，中华人民共和国。2 新疆电力有限公司电力科学研究院，乌鲁木齐 830049，新疆，中华人民共和国。通讯作者：吴嘉辉 (wjh229@xju.edu.cn)。摘要：随着储能电站领域的蓬勃发展，电池系统状态和故障的预测受到广泛关注。电压作为各类电池故障的主要指示参数，准确预测电压异常对确保电池系统的安全运行至关重要。本研究采用基于 Informer 的预测方法，利用贝叶斯优化算法对神经网络模型的超参数进行微调，从而提高储能电池电压异常预测的准确性。该方法以1分钟为采样间隔，采用一步预测，训练集占总数据的70%，将预测结果的均方根误差、均方误差和平均绝对误差分别降低至9.18mV、0.0831mV和6.708mV。还分析了实际电网运行数据在不同采样间隔和数据训练集比例下对预测结果的影响，从而得到一个兼顾效率和准确性的数据集。所提出的基于贝叶斯优化的方法可以实现更准确的电压异常预测。
包装提供无假设的稳定性
用于在SGD中绘制随机批次。我们的符号还允许确定性算法，因为A可以自由忽略输入参数ξ而仅取决于数据。有很多方法可以定义学习算法的稳定性。如Shalev-Shwartz等人所述。 （2010），稳定性的每一个定义都量化了训练集D的输出对小变化的敏感性，但它们都定义了“输出的敏感性”和“训练集中的小变化”。 我们介绍了两个定义稳定性的主要结果，并将结果扩展到第5.3节中的许多相关概念。 最强的可能性之一是，对于所有数据集和所有测试点，每个预测都不对删除任何单个观察结果不敏感。 以下定义与统一的预测稳定性密切相关（例如，参见Dwork和Feldman，2018年）。如Shalev-Shwartz等人所述。（2010），稳定性的每一个定义都量化了训练集D的输出对小变化的敏感性，但它们都定义了“输出的敏感性”和“训练集中的小变化”。我们介绍了两个定义稳定性的主要结果，并将结果扩展到第5.3节中的许多相关概念。最强的可能性之一是，对于所有数据集和所有测试点，每个预测都不对删除任何单个观察结果不敏感。以下定义与统一的预测稳定性密切相关（例如，参见Dwork和Feldman，2018年）。
CS480/680：机器学习作业简介1
1。（2分）在算法1中实现了感知器。您的实现应输入为x = [x 1，。。。，x n [∈Rd×n，y∈{ - 1，1} n，超平面参数的初始化w∈Rd和b∈R，以及训练集的最大传球数[建议的最大通行证= 500]。在Spambase数据集（在课程网站上可用）上运行您的感知算法，并绘制错误的数量（y -axis）W.R.T.通过（x轴）的数量。
使用人工智能的糖尿病性疾病和2型糖尿病患者的舒张功能障碍和2型糖尿病的预测
功能障碍。在医疗保健领域，问题之一是 - diac骨骨功能障碍是心力衰竭的诊断标准之一，保留了射血分数。肌肉功能的侵入性血液动力学评估很少见，超声心动图更常用于确定舒张功能的程度。由于合并症，此过程不够准确[1]。我们的研究使用机器学习算法 - 不仅基于超声心动图，而且还基于其他临床数据来预测两年内舒张功能障碍。任务是使用不同的方法找到良好的预测变量，以使用多种机器学习技术找到最佳模型。我们研究了其他作品，以确定即使预测患者舒张功能的当前状态，也使用了常见特征。我们选择了逻辑回归，随机森林，额外的树木和新网络来训练和测试我们的预测模型。为了克服神经网络模型的可能过度拟合，我们根据实际的训练集开发了一个巨大的预训练集，但增加了常态分布的噪声。我们还使用不同的激活函数来再现非线性行为。这项研究对于乌兹别克斯坦来说是必要的，因为它不仅涉及Covid-19的对抗结果，还涉及独特的人口统计隐藏特征，例如饮食，碘缺乏症，环境等。我们选择了众所周知的机器学习算法，这些算法也包括在其他类似的医学研究中。
可再生能源预测：...的比较研究
摘要。随着深度学习 (DL) 的进步，人们对可再生能源产量预测的关注度日益增加。可再生能源固有的多变性和预测方法的复杂性要求可再生能源领域采用稳健的方法，例如 DL 模型。与传统机器学习 (ML) 相比，DL 模型更受欢迎，因为它们可以捕捉可再生能源数据集中复杂的非线性关系。本研究通过比较 DL 框架内的各种方法和训练/测试比率，研究了影响 DL 技术准确性的关键因素，包括采样和超参数优化。使用结合了来自 12 个地点的天气和光伏电力输出数据的数据集，评估了七种机器学习方法——LSTM、Stacked LSTM、CNN、CNN-LSTM、DNN、时间分布式 MLP (TD-MLP) 和自动编码器 (AE)。应用早期停止、神经元丢失和 L1/L2 正则化等正则化技术来解决过度拟合问题。结果表明，早期停止、dropout 和 L1 正则化的组合对于减少具有较大训练集的 CNN 和 TD-MLP 模型中的过度拟合效果最佳，而早期停止、dropout 和 L2 正则化的组合对于减少具有较小训练集的 CNN-LSTM 和 AE 模型中的过度拟合效果最有效。
躯体神经假体应用中的神经信号记录和处理。综述
图 2) ENG 分类信号处理的示意图；a) 记录的 ENG 数据集分为训练集和测试集；b) 预处理块应用信号分割和去噪；c) 从运行观察窗口提取和选择特征；d) 数据驱动的分类模型训练；e) 使用从训练中校准的模型对从测试集中提取的特征进行验证以进行类别预测；f) 根据分类器结果驱动设备的决策规则。