XiaoMi-AI文件搜索系统
World File Search SystemAdaptive
2型糖尿病中心血管疾病风险的模式和决定因素：尼日利亚当前糖尿病管理状态的见解增强微型对象检测而无需微调：具有最新YOLO模型和RT-DETR Transformer
高分辨率图像中的微小对象检测（TOD）在计算机视觉中提出了持续的挑战，包括低分辨率，遮挡和混乱的背景。本文介绍了动态自适应引导的对象推理切片（GOIS）框架，这是一种新型的两阶段自适应切片方法，该方法将计算资源转移到了感兴趣的区域（ROIS）。这种方法显着提高了检测精度和效率，在平均精度（AP）和小物体的平均回忆（AR）指标方面取得了3-4倍的改善。此外，该框架在其他指标中显示出50–60％的大量增长，从而确保了各种物体尺度的稳健性能。在特定的情况下注意到大型检测的略有下降，但戈伊斯在检测中小型物体方面始终表现出色，有效地解决了TOD固有的关键挑战。戈斯框架可以通过统一的效率和稳定的效率来整合自适应切片，多尺度的表示，以及启发了效率的效果。其体系结构 - 不合骨设计允许与包括Yolo11，Rt-Detr-L和Yolov8n在内的各种最新检测模型无缝集成，而无需大量的重新训练。对Visdrone2019-DET数据集进行了严格的验证，并通过对低分辨率图像，视频流和实时相机供稿进行评估，重点介绍了Gois的变革潜力。这些发现将其适用于关键领域，例如基于无人机的监视，自主导航和精确的Di-Nostics。代码和结果可在https：// github上公开获取。com/ mmuzammul/ gois，可在https：// youtu上进行实时演示。BE/ T5T5EB_ W0S4。
基于在线强化学习的实时策略任务动态自适应评估函数
摘要。实时战略任务的有效评估需要自适应机制来应对动态和不可预测的环境。本研究提出了一种改进评估函数以实时响应战场态势变化的方法，利用实时战略游戏中基于在线强化学习的动态权重调整机制。该方法在传统静态评估函数的基础上，利用在线强化学习中的梯度下降来动态更新权重，并结合权重衰减技术确保稳定性。此外，还集成了 AdamW 优化器，实时调整在线强化学习的学习率和衰减率，进一步减少对人工参数调整的依赖。循环竞赛实验表明，该方法显著提升了 Lanchester 作战模型评估函数、Simple 评估函数和 Simple Sqrt 评估函数在 IDABCD、IDRTMinimax、Portfolio AI 等规划算法中的应用效果。该方法显著提高了得分，并且随着地图尺寸的增加，这种增强变得更加明显。此外，对于所有评估函数和规划算法，该方法引起的评估函数计算时间的增加都保持在 6% 以下。所提出的动态自适应评估函数为实时战略任务评估提供了一种有前途的方法。
高空：自适应无人机控制器测试床
空中无人机越来越被视为在安全关键环境中检查的宝贵工具。在采矿行动中，这对人类运营商带来了动态和危险的环境，这一点都没有。无人机可以在许多情况下部署，包括有效的测量以及搜救任务。在这些动态上下文中运行是在挑战，因此需要无人机控制软件在运行时检测和适应条件。为了帮助开发这样的系统，我们向我们提出的系统是一个模拟测试床，用于调查矿山中无人机的自适应控制器。Aloft使用凉亭利用机器人操作系统（ROS）和模型环境来提供基于物理的测试。仿真环境是由在矿山的物理模型中收集的3D点云构造的，并包含在现实世界中预期的特征。高举允许研究社区的成员将自己的自适应控制器部署到无人机的控制循环中
学习对多模式大语言模型的推论
多模式的大语言模型（MLLM）在推理方面表现出了令人印象深刻的功能，但具有基本的计算成本，从而限制了它们在资源构成环境中的部署。尽管最近有一些关于提高MLLM效率的效力，但先前的解决方案产生了具有静态准确性和延迟占地面积的模型，因此在响应不同的运行时条件方面的响应不足，特别是由于设备上其他程序执行其他程序而引起的竞争）。为了弥合这一差距，我们介绍了Adallava - 一种自适应推理框架，该框架学会在推理期间在MLLM中动态重新配置操作，以获取输入数据和延迟预算。我们跨越涉及提问，推理和幻觉的多模式基准进行了广泛的实验。我们的结果表明，Adallava可以遵守输入预算，并在运行时实现不同的准确性和延迟权衡。我们的带代码重新租赁的项目网页位于https://zhuoyan-xu.github.io/ada-llava/。
NeuroInsight：一种革命性的自适应框架，用于医学成像中精确的脑肿瘤分类，使用自适应深度学习
摘要 - 本研究提出了一个强大的脑肿瘤分类框架，首先是对 233 名患者的细致数据整理。该数据集包含各种 T1 加权对比增强图像，涵盖脑膜瘤、神经胶质瘤和垂体瘤类型。采用严格的组织、预处理和增强技术来优化模型训练。所提出的自适应模型采用了一种尖端算法，利用了自适应对比度限制直方图均衡化 (CLAHE) 和自适应空间注意。CLAHE 通过根据每个区域的独特特征调整对比度来增强灰度图像。通过注意层实现的自适应空间注意动态地为空间位置分配权重，从而增强对关键大脑区域的敏感性。该模型架构集成了迁移学习模型，包括 DenseNet169、DenseNet201、ResNet152 和 InceptionResNetV2，从而提高了其稳健性。 DenseNet169 充当特征提取器，通过预训练权重捕获分层特征。批量归一化、dropout、层归一化和自适应学习率策略等组件进一步丰富了模型的适应性，减轻了过度拟合并在训练期间动态调整学习率。技术细节（包括使用 Adam 优化器和 softmax 激活函数）强调了模型的优化和多类分类能力。所提出的模型融合了迁移学习和自适应机制，成为医学成像中脑肿瘤检测和分类的有力工具。它对脑肿瘤图像的细致理解，通过自适应注意力机制的促进，使其成为神经成像计算机辅助诊断的一项有希望的进步。该模型利用具有自适应机制的 DenseNet201，超越了以前的方法，实现了 94.85% 的准确率、95.16% 的精确率和 94.60% 的召回率，展示了其在具有挑战性的医学图像分析领域提高准确率和泛化的潜力。关键词：NeuroInsight、脑肿瘤分类、医学影像、自适应深度学习、自适应框架。1. 简介通过整合最先进的技术，特别是在深度学习领域，医学诊断领域经历了前所未有的进步。这一进步的一个显著例子是使用自适应深度学习进行脑肿瘤分期分类，这是一种新颖的方法，它不仅利用了深度学习的能力，而且还能动态适应脑肿瘤分期固有的复杂性，在诊断中呈现出更高的精确度和个性化水平。在医疗保健领域，脑肿瘤因其表现形式多样、严重程度各异而成为一项艰巨的挑战。传统的肿瘤分类方法经常难以准确描述肿瘤分期的细微细节。在此背景下引入自适应深度学习标志着一种范式转变，它赋予诊断过程一种自学习机制，该机制会随着遇到的每个数据集不断发展和完善自身[1] – [4]。这种开创性方法的基础要素是一种先进的深度学习算法，其特点是动态和自适应性。自适应深度学习方法与典型的深度学习模型不同，它不断修改其参数以响应输入数据的独特特征，而不是依赖于固定的、预定的架构。这种自适应能力确保了对与脑肿瘤分期相关的复杂性的更细致入微和针对具体情况的理解[5] – [7]。
重新映射：通过网络倒置和检索功能映射进行自适应运动预测的神经模型重新编程
由肢体损失，衰老，中风和其他运动缺陷造成的移动性障碍是全球数百万个人面临的重大挑战。先进的辅助技术，例如假肢和矫形器，有可能大大改善此类个人的生活质量。这些技术设计中的关键组成部分是对肢体受损的参考联合运动的准确预测，这受到这些患者可用的关节运动数据的稀缺性的阻碍。为了解决这个问题，我们提出了一种新型的模型，重新利用了深度学习的重新编程属性，结合了网络反转原理和检索绘制的映射。我们的方法适应了最初为健全的个体设计的模型，以预测肢体受损患者的关节运动，而不会改变模型参数。我们通过广泛的经验研究对低于膝盖挑战的患者的数据进行了广泛的经验研究，证明了重新映射的功效，从而证明了对传统转移学习和微调方法的显着改善。这些发现对截肢，中风或衰老的患者的辅助技术和流动性具有显着影响。
使用机器学习
摘要 - 本文提出了一种新型的地形自适应局部轨迹规划师，旨在在可变形地形上自动操作。最先进的解决方案要么不考虑可变形的地形，要么不提供足够的鲁棒性或计算速度。为了弥合此搜索差距，本文引入了一种新型的模型预测控制（MPC）公式。与仅依赖于避免障碍物的硬性或软限制的普遍的最新方法相反，目前的配方通过纳入两种类型的约束来增强鲁棒性。通过广泛的仿真来评估配方的有效性和鲁棒性，涵盖了广泛的随机场景，并与最新方法进行了比较。随后，通过文献中以最佳控制的地形力学模型来增强该配方，并明确解决了地形变形。此外，采用无知的卡尔曼过滤器的地形估计器可用于在线动态调整下沉指数，从而产生地形自适应配方。在现实世界中，该公式在现实世界的实验中进行了测试，以刚性验证的配方作为基准测试。结果展示了拟议的配方所实现的优越的安全性和绩效，强调了将Terramogenics知识整合到计划过程中的重要意义。具体而言，所提出的地形自适应配方可实现平均绝对侧滑角，平均绝对偏航率降低，目标时间较短以及更高的成功率，这主要归因于其对计划者内部机械学的增强的理解。
Kecombrang Flower（Etlingera Elatior）乙醇的影响...
简介：Mitragyna Speciosa（Korth。）或kratom包含几种具有潜在thera peutac益处的生物活性化合物。本研究研究了Mitragyna Speciosa Meth Anolic提取物（MSME）在延迟型型小鼠模型中的潜在免疫调节作用。材料和方法：MSME给药后，通过绵羊红细胞（SRBC）诱导雌性BALB/C小鼠。测量了在小鼠的右后脚下的皮下注射SRBC后产生的pAW水肿的厚ness。收集血液样本和脾脏，以研究MSME对抗体产生，完全血细胞计数（CBC），脾脏指数，脾脏增殖和淋巴细胞（CD4，CD8和CD19）种群的影响。结果：数据表明，MSME显着降低了SRBC诱导的PAW水肿，并显示出明显降低抗SRBC抗体水平。然而，在CBC，脾脏指数和CD4，CD8和CD19子集种群中未观察到显着变化。此外，用MSME处理的SRBC诱导的DTH小鼠用脂多糖（LPS）或姜黄素A（CON A）离体降低细胞增殖。结论：这些数据表明，MSME通过抑制DTH反应，减少抗体产生和细胞增殖而潜在地抑制免疫反应，而不会影响淋巴细胞谱。这些发现表明，MSME通过免疫抑制和抗炎活性具有免疫调节作用。马来西亚医学与健康科学杂志（2024）20（SUPP11）：34-40。 doi：10.47836/mjmhs20.s11.6马来西亚医学与健康科学杂志（2024）20（SUPP11）：34-40。 doi：10.47836/mjmhs20.s11.6
将自适应系统分析为软件产品线
自我适应是自主系统的关键特征，必须应对其环境和内部状态中的不确定性。自适应系统（SASS）可以实现为两层系统，引入了系统（托管子系统）和适应性逻辑（管理子系统）之间的域特定功能之间的关注点，即引入系统中管理适应性的外部反馈循环。我们提出了一种将SASS作为动态软件产品线（SPL）的方法，并利用现有的方法来基于SPL的分析来分析SASS。这样做，SA的功能是在功能模型中建模的，从而捕获了SAS的可变性。这使我们能够将SAS的托管子系统建模为一个系统家族，每个家庭成员都对应于SAS的有效功能配置。因此，SAS的托管子系统被建模为SPL模型。更确切地说，概率为特色过渡系统。SAS的管理子系统被建模为一个控制层，能够在这些有效配置之间动态切换，具体取决于环境和内部条件。我们证明了对用于管道检查的自适应自动水下车辆进行小规模评估的方法，我们将其对其进行建模和分析，并通过特征吸引的概率模型检查器Profeat。该方法使我们能够分析SAS的概率奖励和安全性，以及其适应性逻辑的正确性。
利用生成AI为企业环境中的道德和适应性网络安全框架
抽象的技术进步使企业必须花费数十亿美元来建立可以提供更好服务，维持市场竞争力并提供有效解决方案的内部技术。在该领域的关键里程碑中，有可能区分生成人工智能的创造和实施（AI）。尽管许多企业与AI Gen Gen没有发展，但将其与服务交付和提高效率相结合的可能性显而易见。然而，随着这种潜力，网络安全的挑战是对所有部门的组织的复杂而不断变化的威胁。必须接受这些复杂的技术，例如生成AI，以适应动态威胁景观并有效保护自己。以下论文说明了企业如何利用AI创建适应性安全政策，以捍卫威胁并在将来的网络威胁中最好地定位它们。现代的网络威胁已经发展，并且更加多样化和多才多艺，这给组织造成了保护其有价值的数据和资产的困难。组织受到各种威胁，例如数据，黑客攻击，人事问题和网络网络钓鱼（Al-Hawamleh，2024年）。传统的安全措施仍然是相关的，但并不总是在保护网络免受网络威胁的最佳方面。随着这种复杂性的增加，需要更加动态，自动和自学习的安全解决方案。这是生成AI可以产生深远影响的地方。另一种方式AI的一个快速发展的分支是生成AI，涉及基于特定数据生成新内容。在网络安全方面，AI一代可以在发生之前检测，理解和防止威胁。在历史威胁数据的之前，AI可以学习解决威胁并创建新的安全策略，程序和响应模式的新颖方法。