XiaoMi-AI文件搜索系统
World File Search System训练集
工作纸·没有。 2024-130 12在实验研究中利用生成AI的最佳实践
我们提供十二种最佳实践，并讨论每种实践如何帮助研究人员准确，可信，并在道德上使用生成的AI（Genai）来增强实验研究。我们将十二种做法分为四个领域。首先，在预处理阶段，我们讨论了Genai如何帮助进行预注册程序，数据隐私问题和特定于Genai使用的道德考虑。第二，在设计和实施阶段，我们专注于Genai在确定新的变化，试点和文档以及维护四个排除限制方面的作用。第三，在分析阶段，我们探讨了提示和训练集偏见如何影响结果以及必要的步骤以确保可复制性。最后，我们讨论了随着Genai的发展，可能会变得重要性的前瞻性最佳实践。
人工智能与社会科学之间的接口（以及它为何重要……）
它指出了这些成功的原因在于已经为不同目的创建了大量数据。“换句话说，我们试图自动化的输入输出行为的大量训练集在现实中是可用的。相比之下，传统的 NLP 问题，如 (…) POS 标记 (...) 不是常规任务，因此在现实中没有可用的大型语料库。相反，这些任务的语料库需要熟练的人工注释。这种注释不仅速度慢、成本高，而且专家也难以达成一致 (...)。网络规模学习的第一课是使用可用数据，而不是希望获得不可用的注释数据。例如，我们发现有用的语义关系可以从网络查询的统计数据中学习到，或者从基于网络的文本模式和格式化表格的累积证据中学习到，这两种情况都不需要任何手动注释的数据”
使用机器学习算法预测大脑时代-A
机器学习（ML）算法在大脑年龄估计框架中起着至关重要的作用。回归算法对脑年龄估计框架预测准确性的影响尚未得到全面评估。在这里，试图评估不同回归算法对脑年龄估计的效率。为此，基于大量认知健康（CH）个体作为训练集，建立了大脑年龄估计框架，然后是不同的回归算法。然后在由CH个体，轻度认知障碍患者以及阿尔茨海默氏病患者组成的独立测试集上量化了每个回归算象。我们的实验结果表明，大脑年龄框架的预测准确性受回归算法的影响，表明先进的机器学习算法可以导致临床环境中更准确的脑年龄预测。
通过脑电图
这项研究的目的是探索技术检测思维徘徊的潜力，尤其是在基于视频的远程学习期间，这是改善学习成果的最终好处。为了克服先前思维徘徊在生态有效性，样本平衡和数据集大小方面的挑战，本研究利用了实用的脑电图（EEG）记录硬件，并设计了一个范式，该范式包括在重点学习条件下观看短期视频讲道和未来的计划条件和未来的计划条件。参与者在每个视频结束时估计其注意状态的统计数据，我们将这种评级量表反馈与视频观看过程中的自我捕获的密钥响应相结合，以获取用于分类培训的二进制标签。使用8通道系统记录 EEG，并采用了由Riemannian几何形状处理的空间协方差特征。 结果表明，使用来自三角洲，theta，theta，alpha和beta频段的riemannian加工的协方差特征，可以检测出在接收特征（AUC）下的平均区域（a），用于0.876 for 0.876 for 306分类。 此外，我们的结果表明，训练数据的持续时间很短，可以训练分类器进行在线解码，因为当使用70％的训练集（约9分钟）时，跨讲座的平均AUC为0.689。EEG，并采用了由Riemannian几何形状处理的空间协方差特征。结果表明，使用来自三角洲，theta，theta，alpha和beta频段的riemannian加工的协方差特征，可以检测出在接收特征（AUC）下的平均区域（a），用于0.876 for 0.876 for 306分类。此外，我们的结果表明，训练数据的持续时间很短，可以训练分类器进行在线解码，因为当使用70％的训练集（约9分钟）时，跨讲座的平均AUC为0.689。该发现突出了实用脑电图硬件在以高精度徘徊的情况下实用的潜力，这在基于视频的距离学习过程中具有潜在的应用来改善学习成果。
最佳的贝叶斯阈值，用于使用类转换合奏的重新平衡分类问题
数据不平衡发生在许多现实世界应用领域，该领域旨在检测罕见但重要的情况。可以在信息技术领域[1,2]中找到它们；生物医学数据[3,4]；工业应用[5]；和财务杂志[6]。这种不平衡意味着学习算法很困难，因为它们会偏向最常见的（通常不太重要）的病例。要克服对大多数类示例的这种偏见，必须应用特定的机器学习算法。即使我们将搜索限制在近年来，列出与这些算法相关的所有相关作品也是很自命的（在过去3年中，Google Scholar中列出了6500多篇论文）。因此，我们更喜欢建议教程[7-9]（以及其中的参考），向感兴趣的读者提供完整的概述。通常，解决不平衡的方法可以分为三类：1）数据级方法集中于修改训练集以使其适合标准学习算法。bal-ancing分布是 -
大脑年龄预测：使用基于区域和体素的形态学数据
图1基于区域和体素的SVR，RVR和GPR模型的MAE具有或没有PCA的GPR模型，训练集大小与机会水平相比（7.5岁；黑色虚线）。显示了CV（站点1）和独立测试集（站点2; Blue Line）中的训练（红线）和测试集（绿线）中的性能（绿线）。使用Bootstrap分析计算了不同数据集的置信区间（阴影区域）。请注意，自举训练样本被选择为年龄和性别的年龄和性别，大小增加，最少有一个男人和一个女性，最多一个男性，最多有20名男性和20名女性。对于带有PCA的基于体素的模型，无法评估具有<150个受试者的数据集，因为PCA算法比主要组件需要更多的样本。此外，由于有限的时间和计算资源
脑肿瘤放射基因组学分类
摘要 - RSNA-MICCAI 脑肿瘤放射基因组学分类挑战赛[1]旨在通过对多参数 mpMRI 扫描（T1w、T1wCE、T2w 和 FLAIR）进行二元分类来预测胶质母细胞瘤中的 MGMT 生物标志物[2]状态。数据集分为三个主要队列：训练集、验证集（在训练期间使用），测试集仅在最终评估中使用。图像要么是 DICOM 格式[3]，要么是 png 格式[4]。使用不同的架构来研究该问题，包括 3D 版本的 Vision Transformer (ViT3D)[5]、ResNet50[6]、Xception[7] 和 EfficientNet-b3[8]。AUC 被用作主要评估指标，结果显示 ViT3D 和 Xception 模型都具有优势，在测试集上分别达到 0.6015 和 0.61745。与其他结果相比，考虑到任务的复杂性，我们的结果被证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集可以取得进一步的改进。
使用机器学习根据自主性心血管功能估算日历年龄
方法：我们分析了一个数据库，包括静止状态心电图和健康志愿者的连续血压记录。总共884个数据集符合纳入标准。其他72名BMI参与者的数据表示肥胖症（> 30 kg/m²）作为评估样本。对于所有参与者，计算了29个不同的心血管指数，包括心率变异性，血压变异性，压力反射功能，脉搏波动力学和QT间隔特征。基于心血管指数，性别和装置，采用了四种不同的方法，以估计健康受试者的日历年龄，即相关性向量回归（RVR），高斯过程回归（GPR），支持矢量回归（SVR）和线性回归（LR）。估计肥胖组的年龄，我们从大型样本中汲取了正常的体重控制，以构建一个训练集和具有类似于肥胖测试样本的年龄分布的验证集。
用于临床癫痫发作识别的人工智能系统的大陆推广
方法：这是一项人工智能的前瞻性推理测试，针对 2011 年至 2019 年期间澳大利亚悉尼一家医院的癫痫患者的近 14,590 小时成人脑电图数据。推理集包括不同类型和频率癫痫发作的患者，年龄和脑电图记录时间跨度很大。人工智能 (AI) 是一个卷积长短期记忆网络，基于美国数据集进行训练。澳大利亚的数据集大约是美国训练数据集的 16 倍，发作间隔期（癫痫发作之间）很长，比训练集更加逼真，使我们的假阳性结果高度可靠。我们在人工智能辅助模式下，由人类专家裁判和由专家神经病学专家和脑电图专家组成的结果审查小组验证了我们的推理模型，共进行了 66 次，以证明在时间缩短一个数量级的情况下实现了相同的性能。