XiaoMi-AI文件搜索系统
World File Search System鲁棒
mammo-clip：一种视觉语言基础模型，以提高乳房X线摄影的数据效率和鲁棒性
摘要。缺乏有关乳腺癌检测的计算机辅助诊断（CAD）的大量培训数据一直是阻碍系统采用的问题之一。最近，通过视觉模型（VLM）（例如，剪辑）对大规模图像文本数据集进行预训练，部分解决了计算机视觉（CV）中鲁棒性和数据效率的问题。本文提出了Mammo-CLIP，这是第一个通过大量筛选乳房X线图 - 报告对的VLM，以解决数据集多样性和大小的挑战。我们在两个公共数据集上进行的实验表明，在对乳腺癌检测至关重要的各种乳腺X线学属性时表现出强烈的表现，表明数据效率和鲁棒性与CV中的剪辑相似。我们还提出了一种新型特征归因方法Mammo-Factor，以在乳房X线摄影报告中使用句子级粒度来提供表示表示的空间解释。代码可公开使用：https：//github.com/batmanlab/mammo-clip。
磷酸锂的情况Stu导电聚合物中的鲁棒化学主义行为/ ... div>
金属有机框架（MOF）是气体传感的有前途的材料，但通常仅限于一次性检测。杂交策略被证明是在高性能独立的化学疗法中协同部署导电MOF（C MOF）和导电聚合物（C PS）作为两个互补的混合离子电导体。这项工作提出了i）传感器恢复动力学的显着改进，ii）循环稳定性和iii）在室温下的动态范围。基于2,3,6,7,11,11-11-11-11-羟基二羟基二苯乙烯（HHTP）和2,3,6,7,7,11111111111111-11-111-11-111-11-11-111-11-111-111-111-111-11-111-111-111-111-111-11-111-111-111-11-111-111-111-111-111-11-111-111-111-111-11-1111111111111-11-111-111-111-111-111-111111-111--己酮（HITP），带有各种金属nodes（CO））进行了一项全面的机械研究，以通过感应热力学和结合动力学在MOFS和聚合物之间的异质结与聚合物之间的杂孔对齐。发现杂交时C MOF成分的孔富集会导致解吸动力学的选择性增强，从而在室温下显着改善了传感器的恢复，从而可以长期响应保留。该机制得到了关于吸刺 - 分析物相互作用的密度功能理论的进一步支持。还发现，合金C PS和C MOF可以使可容纳的薄膜加工和设备集成，有可能解锁这些混合导体在不同的电子应用中的使用。
在计算机/单元内控制器中设计混合动力，以鲁棒为与动态调节酶过表达相关的过程模型不匹配
模型预测与实际过程之间的差异，称为过程 - 模型不匹配18（PMM）仍然是生物过程优化的严重挑战。以前，我们提出了19个硅/电池内控制器（HISICC）概念的混合动力，将基于模型的优化与基于细胞的20反馈相结合，以解决PMM问题。在此，采用了这种方法来调节细胞内21浓度限制酶。使用工程化的22大肠杆菌菌株（FA3）证明了高级HISICC（FA3）。该菌株具有一个内部反馈控制器，23，它响应感测到该酶形成的24个丙6Lonyl-COA浓度，从而减速了乙酰辅酶A羧化酶（ACC）过表达。FA3的数学模型构建了25，并使用实验数据进行了验证。假设各种PMM的模拟显示，使用FA3的HISICC 26可以通过鲁棒制动其27的过表达来有效地减轻过度ACC的毒性，从而最大程度地减少了产量损失。这项研究证实了HISICC是提高28种生物处理效率的可行策略，尤其是在平衡瓶颈酶水平方面。29
碳交易机制下的综合能源系统两阶段分布式鲁棒优化配置
摘要：发展可再生能源、构建多能互补的综合能源体系逐渐成为我国能源发展的主攻方向，随着可再生能源渗透率的提高，风电、太阳能发电的间歇性和波动性出力对系统的影响更加显著。本文对阶梯式碳交易机制下考虑光伏出力不确定性的综合能源系统优化配置进行研究。首先建立综合能源系统两阶段分布式稳健优化配置模型，具体为第一阶段给出以最小化投资成本为目标的确定性模型，第二阶段建立以最小化最坏情景概率分布下的运行成本为目标的不确定性模型。然后，利用MATLAB软件（R2020A），采用数据驱动的分布式稳健优化方法来处理光伏出力的不确定性。最后采用列与约束生成（C&CG）算法对问题进行求解，得到了阶梯式碳交易机制下考虑需求响应的综合能源系统最优投资容量与成本结果。通过分析，所提方法在保持投资成本基本不变的情况下，实现了碳排放成本降低5.54%，兼顾了经济效益与环境效益。此外，CCG算法可以有效提高计算效率并保证解的最优性。
使用共形预测对基于模型的控制器的不确定性定量和鲁棒化
在基于现代模型的控制框架中，例如模型预测控制或基于模型的信息学习学习，机器学习已成为一种无处不在的技术类别，以提高动态模型的准确性。通过利用诸如神经网络之类的表现力体系结构，这些框架旨在通过构建系统动力学的准确数据驱动表示，旨在提高系统的模型精度和控制性能。尽管对其非学习顾问进行了显着的绩效提高，但对于这些基于模型的模型的基于模型的控制器在不确定性的存在下，这些模型的控制器通常几乎没有保证。尤其是在模拟误差，噪声和外源性干扰的影响下，确定这些学习模型的准确性是一项挑战。在某些情况下，甚至可能违反约束，使控制器不安全。在这项工作中，我们提出了一个新颖的框架，该框架可以应用于大量的基于模型的控制器，并通过以在线和模块化方式鲁棒化基于模型的控制器，从而减轻上述问题，并在模型的准确性和约束满意度上提供可证明的保证。该框架首先部署保形预测，以生成有限的，可证明的有效的不确定性区域，以无分配方式为动态模型。通过动态约束程序，这些不确定性区域被纳入约束中。关键字：基于学习的控制，基于模型的控制，不确定性量化1。（2023a））。Jiahao等。Jiahao等。与预测参考生成器的配方一起，生成了一组可鲁棒的参考传播，并将其纳入基于模型的控制器中。使用两个实际的案例研究，我们证明我们提出的方法不仅产生了良好的不良区域，这些区域建立了模型的准确性，而且还使闭环系统以强大但不保守的方式满足约束。简介由于非线性优化框架的最新进展以及计算资源的可用性增加，在广泛的域上应用基于模型的控制器的应用趋势是趋势。，用于建筑物中的温度控制（Yao和Shekhar（2021）），用于自动驾驶汽车（Wu等人（2022））和四型控制（Chee等人机器学习方法的扩散同时导致了学习增强的，基于模型的控制框架的发展，这些框架利用学习工具通过改进动态模型来提高控制性能，例如（2023）。尽管这些发展激增，但这些基于学习的控制框架在不确定性存在下如何执行的问题仍然是一个积极的研究主题（Mesbah等人。（2022）; Brunke等。（2022））。在这项工作中，我们通过提出一个新颖的框架来解决这个问题，该框架系统地允许基于模型的控制器在模型不匹配，噪声和外部干扰的集体影响下稳健地满足约束。
机器学习鲁棒性：底漆
摘要本章探讨了机器学习中鲁棒性的基础概念（ML）及其在建立人工智能（AI）系统中的信任度中不可或缺的作用。讨论始于对鲁棒性的详细定义，将其描述为ML模型在各种和意外的环境条件下保持稳定性能的能力。ml鲁棒性是通过多种镜头解剖的：它与普遍性的互补性；它的地位是值得信赖的AI的要求；它的对抗性与非对抗性方面；它的定量指标；及其指标，例如可重复性和解释性。本章深入研究了障碍鲁棒性的因素，例如数据偏见，模型复杂性和未育种ML管道的陷阱。它从广泛的角度来调查鲁棒性评估的关键技术，包括对抗性攻击，包括数字和物理领域。它涵盖了深度学习（DL）软件测试方法的非对抗性数据变化和细微差别。从以数据为中心的方法开始，例如以数据为中心的方法，探索巩固鲁棒性的改善策略正在发展。 进一步检查包括各种以模型为中心的方法，例如转移学习，对抗训练和随机平滑。 最后，讨论了训练后方法，包括集合技术，修剪和模型维修，作为成本效果的策略出现，以使模型对不可预测的模型更具弹性。探索巩固鲁棒性的改善策略正在发展。进一步检查包括各种以模型为中心的方法，例如转移学习，对抗训练和随机平滑。最后，讨论了训练后方法，包括集合技术，修剪和模型维修，作为成本效果的策略出现，以使模型对不可预测的模型更具弹性。本章强调了通过现有的估算和实现ML鲁棒性的持续挑战和局限性。它为这一关键概念的未来研究提供了见解和方向，这是值得信赖的AI系统的先决条件。
点云模型改善了机器人学习者的视觉鲁棒性
摘要 - 视觉控制策略在视觉条件（如照明或摄像机位置）与训练过程中所见的情况有所不同时可能会遇到重大的性能降解 - 通常甚至在较小的差异方面表现出急剧下降的能力。在这项工作中，我们研究了基于RGB-D和基于点云的视觉控制策略的这些类型的视觉变化的鲁棒性。要对基于模型和基于模型的强化学习者进行这些实验，我们引入了一种新颖的Point Cloud World Model（PCWM）和基于点云的控制策略。我们的实验表明，明确编码点云的策略比其RGB-D对应物更强大。此外，我们发现我们提出的PCWM在训练过程中的样本效率方面显着优于先前的工作。在一起，这些结果表明，通过点云进行有关3D场景的推理可以提高性能，减少学习时间并增加机器人学习者的鲁棒性。项目网页：https：//pvskand.github.io/projects/pcwm
自动驾驶汽车轨迹预测鲁棒性研究
摘要 — 自动驾驶汽车依靠准确的轨迹预测来为与导航和防撞相关的决策过程提供信息。然而，目前的轨迹预测模型存在过度拟合的迹象，这可能导致不安全或次优的行为。为了应对这些挑战，本文提出了一个全面的框架，对文献中用于评估和提高轨迹预测模型鲁棒性的定义和策略进行分类和评估。这涉及对各种方法的详细探索，包括数据切片方法、扰动技术、模型架构更改和训练后调整。在文献中，我们看到了许多有前景的提高鲁棒性的方法，这对于安全可靠的自动驾驶是必不可少的。
癌症微生物组信号的鲁棒性在广泛的方法学变化上
在2020年，我们鉴定了癌症基因组图集（TCGA）中的癌症特异性微生物信号[1]。多个同行评审的论文独立验证或扩展了我们的发现[2-12]。鉴于这种影响，我们仔细考虑了Gihawi等人的关注。[13]批处理校正和数据库污染具有人工的宿主序列，从而产生了癌症类型特异性微生物组的外观。（1）我们通过比较了每批次的原始和VOOM-SNM校正数据，测试了批处理校正，发现了预测等效性和显着性相似的功能。我们发现了使用现代微生物组特异性方法（Conqur [14]）的一致结果，并且在限制在独立的，高度污染的队列中发现的分类单元时。（2）使用conterminator [15]，我们发现原始数据库中的人类污染水平较低（基因组的约1％）。我们证明了Gihawi等人对人类读物的发现增加。[13]是由于使用了较新的人类基因组参考。（3）我们开发了详尽的方法，这是清洁repseq的敏感性两倍的方法。我们全面拥有许多人类（PAN）基因组参考的宿主数据。我们对此重复了所有分析和Gihawi等。[13]管道，发现癌症类型的微生物组。这些广泛的重新分析和更新的方法验证了我们最初的结论，即TCGA中存在癌症类型的微生物特异性标志，并表明它们对方法论很强。