XiaoMi-AI文件搜索系统
World File Search SystemAuthors
作者，《巴比伦机器学习杂志》卷......
计算机视觉通过采用图像和模式分析方法来解决复杂挑战，将图像视为复杂的像素阵列，发挥着关键作用。人工智能 (AI) 中的这一领域可自动执行监控和检查任务，展示其从各种视觉输入（包括数字图像和视频）中提取有意义信息的能力。本质上，计算机视觉已成为一个不可或缺的组成部分，有助于系统在人工智能的背景下获得有价值的见解 [1]。计算机视觉的目标是让计算机和机器理解视觉信息，类似于人类，这意味着开发算法和技术来分析、处理和提取视觉数据中的含义 [2]。监督式 ML 和 DL 是计算机视觉中的两种主要技术，它们开发了分析和解释视觉数据的方法 [3]。监督式 ML 用于训练模型，开发标记示例，利用支持向量机 (SVM)、决策树 (DT)、随机森林 (RF) 和朴素贝叶斯 (NB) 分类器等算法 [4]。DL 旨在通过人脑的结构和操作学习人工神经网络。这些网络与多层连接节点相结合，从原始输入数据中提取表示 [5]。图 1 显示了常见 ML 和 DL 技术的分类。在这篇关于计算机视觉中的监督 ML 和 DL 技术的综述中，研究了它们所需的模型、架构、优势和局限性。
人为作者身份和司法意见
生成式人工智能 (“AI”) 已经开始改变法律实践。如果乐观的预测被证明是正确的，那么这项技术将如何改变司法意见——一种通常被视为法律核心的体裁？这篇研讨会论文试图回答这个预测性问题，它揭示了当前的现实。简而言之，意见的提供将变得更便宜，而且供应范围更广、更均衡。司法著作往往更有活力、更多样化、更少审议性。随着法律体系说服能力的经济被打乱，法院将与公众展开一场军备竞赛：法官将使用人工增强的修辞来宣传自己的合法性，公众将变得更加愤世嫉俗，以避免被愚弄。矛盾的是，过多的说服性修辞可能会使法律推理本身变得过时。为了应对这些发展，一些法院可能会禁止使用人工智能写作工具，以便他们能够继续声称作者身份带来的权威。因此，潜在的利害关系既包括法律理性的命运，也包括人类参与法律体系的未来。
在Covid-19期间，大学生和教职员工在大流行作者Ihab Fouad Al Ashkar期间的计算机视觉综合征的率。 1*，amna
1 17272年，阿联酋沙迦27272，亚历山大大学医学系，亚历山大大学，21131，埃及，埃及 *通讯作者：ihab fouad al ashkar，电子邮件，电子邮件：在线学习。 先前的研究表明，屏幕时间增加会导致计算机视觉综合征（CVS）。 这项研究旨在比较阿联酋在COVID-19大流行期间的学生和教职员工中简历的普遍性。 方法：在阿联酋的386名大学生和教职员工中进行了描述性横断面研究。 在线分发了一份自我管理的问卷，以收集社会人口统计学数据，CV的症状，其相关因素以及预防措施的使用。 获得了知情同意书，符合纳入标准的参与者已入学。 使用SPSS程序的第25个版本对指示的数据进行了识别和分析。 结果：女性更有可能患有计算机视觉综合征，颈部疼痛，背部疼痛和腕部疼痛。 与教职员工相比，学生的总屏幕时间更高，计算机视觉综合征的患病率更高，85.8％。 在科学院的学生中，简历的患病率最高，为91.7％。 使用屏幕花费更多时间的受试者比在屏幕上花费更少的时间的受试者具有更多的CVS症状（p = 0.039）。 每天使用笔记本电脑超过5小时，CVS患病率较高90.6％（p = 0.022）。17272年，阿联酋沙迦27272，亚历山大大学医学系，亚历山大大学，21131，埃及，埃及 *通讯作者：ihab fouad al ashkar，电子邮件，电子邮件：在线学习。先前的研究表明，屏幕时间增加会导致计算机视觉综合征（CVS）。这项研究旨在比较阿联酋在COVID-19大流行期间的学生和教职员工中简历的普遍性。方法：在阿联酋的386名大学生和教职员工中进行了描述性横断面研究。在线分发了一份自我管理的问卷，以收集社会人口统计学数据，CV的症状，其相关因素以及预防措施的使用。获得了知情同意书，符合纳入标准的参与者已入学。使用SPSS程序的第25个版本对指示的数据进行了识别和分析。结果：女性更有可能患有计算机视觉综合征，颈部疼痛，背部疼痛和腕部疼痛。与教职员工相比，学生的总屏幕时间更高，计算机视觉综合征的患病率更高，85.8％。在科学院的学生中，简历的患病率最高，为91.7％。使用屏幕花费更多时间的受试者比在屏幕上花费更少的时间的受试者具有更多的CVS症状（p = 0.039）。每天使用笔记本电脑超过5小时，CVS患病率较高90.6％（p = 0.022）。戴矫正眼镜与从屏幕上休息时的CVS患病率增加有关，这显示出患病率降低。52.5％的CV患者的生产率降低。 结论：CVS在学生中最普遍；他们的屏幕时间水平也比教职员工更高。 运行标题：COVID-19关键字期间大学生和教师的计算机视觉综合征：52.5％的CV患者的生产率降低。结论：CVS在学生中最普遍；他们的屏幕时间水平也比教职员工更高。运行标题：COVID-19关键字期间大学生和教师的计算机视觉综合征：
机器学习和人工智能时代的创作
机器学习和人工智能时代的创作者身份 Jean-Marc Deltorn、Franck Macrez ∗ 新一代算法工具最近已可供艺术家使用。基于机器学习领域的最新发展（推动当前人工智能应用激增的理论框架），并依靠前所未有的计算能力和数据，这些技术中介正在为意想不到的创作形式开辟道路。生成过程可以从训练示例语料库中自动学习，而不是依靠一套人为的规则来创作新颖的艺术作品。音乐特征可以在没有或极少人工输入的情况下提取并编码到统计模型中，然后用于创作原创作品，从巴洛克复调音乐到爵士乐即兴演奏。这些创意工具的出现，以及人类在创作过程中的消失，在版权保护方面提出了许多基本问题。假设人工智能生成的作品受版权保护，当机器参与创作过程时，谁是作者？并且，获得作者奖励的最低要求是什么？
房间里的 AI 代理：为移植选择委员会提供客观决策信息 Bima J. Hasjim MD MSc 1,2 *、Ghazal Azafar PhD 2,3 *、Frank Lee MD 4、Tayyab S. Diwan MD 4、Shilpa Raju MPH 2、Jed Adam Gross MPhil JD 5,6、Aman Sidhu MD 2、Hirohito Ichii MD PhD 1、Rahul G. Krishnan PhD 7、Muhammad Mamdani MPH PharmD 8,9、Divya Sharma PhD 10,11 +、Mamatha Bhat MD PhD 2,3,12,13 + *共同第一作者 + 共同资深作者 1 加州大学欧文分校外科系，加利福尼亚州奥兰治，美国 2 多伦多大学大学健康网络 Ajmera 移植中心移植 AI 计划， 3 加拿大安大略省多伦多大学健康网络多伦多总医院研究所 4 明尼苏达州罗彻斯特梅奥诊所医学院移植外科分部 5 加拿大多伦多大学健康网络临床和组织伦理学系 6 加拿大安大略省多伦多大学达拉拉纳公共卫生学院临床公共卫生分部 7 加拿大安大略省多伦多大学计算机科学系 8 加拿大安大略省多伦多大学健康网络多伦多总医院药学系和妇女健康计划 9 临床评估科学研究所 10 加拿大安大略省北约克大学数学与统计学系 11 加拿大安大略省多伦多大学健康网络生物统计学系 12 加拿大安大略省多伦多大学医学系胃肠病学和肝病学分部 13 加拿大安大略省多伦多矢量研究所 通讯作者：Mamatha Bhat，医学博士
房间里的 AI 代理：为移植选择委员会提供客观决策信息 Bima J. Hasjim MD MSc 1,2 *、Ghazal Azafar PhD 2,3 *、Frank Lee MD 4、Tayyab S. Diwan MD 4、Shilpa Raju MPH 2、Jed Adam Gross MPhil JD 5,6、Aman Sidhu MD 2、Hirohito Ichii MD PhD 1、Rahul G. Krishnan PhD 7、Muhammad Mamdani MPH PharmD 8,9、Divya Sharma PhD 10,11 +、Mamatha Bhat MD PhD 2,3,12,13 + *共同第一作者 + 共同资深作者 1 加州大学欧文分校外科系，加利福尼亚州奥兰治，美国 2 多伦多大学大学健康网络 Ajmera 移植中心移植 AI 计划， 3 加拿大安大略省多伦多大学健康网络多伦多总医院研究所 4 明尼苏达州罗彻斯特梅奥诊所医学院移植外科分部 5 加拿大多伦多大学健康网络临床和组织伦理学系 6 加拿大安大略省多伦多大学达拉拉纳公共卫生学院临床公共卫生分部 7 加拿大安大略省多伦多大学计算机科学系 8 加拿大安大略省多伦多大学健康网络多伦多总医院药学系和妇女健康计划 9 临床评估科学研究所 10 加拿大安大略省北约克大学数学与统计学系 11 加拿大安大略省多伦多大学健康网络生物统计学系 12 加拿大安大略省多伦多大学医学系胃肠病学和肝病学分部 13 加拿大安大略省多伦多矢量研究所 通讯作者：Mamatha Bhat，医学博士
主题海报主持人姓氏标题作者...
CRWAD 2025-海报演示文稿现场海报会议将于2025年1月20日星期一下午6:00 - 8:00 PM在芝加哥万豪市中心宏伟的英里举行。所有海报演示者都必须在所有海报会议期间出席。海报必须不超过3英尺宽，高4英尺。海报必须垂直定向。请查看海报演示指南，以确保符合格式要求。不满足这些要求的海报将被拒绝用于现场显示。
标题页 1 完整标题：2 使用人工智能在心电图上检测肥厚型心肌病 3 4 简称：5 使用人工智能在心电图上检测肥厚型心肌病 6 7 作者： 8 James M Hillis，MBBS DPhil 1,2,3 9 Bernardo C Bizzo，MD PhD 1,3,4 10 Sarah F Mercaldo，PhD 1,3,4 11 Ankita Ghatak，MSc 1 12 Ashley L MacDonald，BSc 1 13 Madeleine A Halle，BSc 1 14 Alexander S Schultz 1 15 Eric L'Italien 1 16 Victor Tam 1 17 Nicole K Bart，MBBS DPhil 3,5 18 Filipe A Moura，MD PhD 3,5 19 Amine M Awad，BMBCh 2,3,6 20 David Bargiela，MBBS PhD 2,3,6 21 Sarajune Dagen，RN 7 22 Danielle Toland，RN BSN 6 23 Alexander J Blood，MD MSc 3,5 24 David A Gross，MD PhD 3,5 25 Karola S Jering，MD 3,5 26 Mathew S Lopes，MD MPH 3,5 27 Nicholas A Marston，MD MPH 3,5 28 Victor D Nauffal，MD 3,5 29 Keith J Dreyer，DO PhD 1,3,4 30 Benjamin M Scirica，MD* 1,3,5 31 Carolyn Y Ho，MD* 3,5 32 33 * 这些作者对这项工作的贡献相同。 34 35 作者所属： 36 1 美国马萨诸塞州波士顿麻省总医院布莱根医院，美国马萨诸塞州波士顿 37 2 美国马萨诸塞州波士顿麻省总医院神经内科 38 3 美国马萨诸塞州波士顿哈佛医学院 39 4 美国马萨诸塞州波士顿麻省总医院放射科 40 5 美国马萨诸塞州波士顿布莱根妇女医院心血管医学科 41 6 美国马萨诸塞州波士顿布莱根妇女医院神经内科 42 7 美国马萨诸塞州波士顿布莱根妇女医院神经外科 43
标题页 1 完整标题：2 使用人工智能在心电图上检测肥厚型心肌病 3 4 简称：5 使用人工智能在心电图上检测肥厚型心肌病 6 7 作者： 8 James M Hillis，MBBS DPhil 1,2,3 9 Bernardo C Bizzo，MD PhD 1,3,4 10 Sarah F Mercaldo，PhD 1,3,4 11 Ankita Ghatak，MSc 1 12 Ashley L MacDonald，BSc 1 13 Madeleine A Halle，BSc 1 14 Alexander S Schultz 1 15 Eric L'Italien 1 16 Victor Tam 1 17 Nicole K Bart，MBBS DPhil 3,5 18 Filipe A Moura，MD PhD 3,5 19 Amine M Awad，BMBCh 2,3,6 20 David Bargiela，MBBS PhD 2,3,6 21 Sarajune Dagen，RN 7 22 Danielle Toland，RN BSN 6 23 Alexander J Blood，MD MSc 3,5 24 David A Gross，MD PhD 3,5 25 Karola S Jering，MD 3,5 26 Mathew S Lopes，MD MPH 3,5 27 Nicholas A Marston，MD MPH 3,5 28 Victor D Nauffal，MD 3,5 29 Keith J Dreyer，DO PhD 1,3,4 30 Benjamin M Scirica，MD* 1,3,5 31 Carolyn Y Ho，MD* 3,5 32 33 * 这些作者对这项工作的贡献相同。34 35 作者所属： 36 1 美国马萨诸塞州波士顿麻省总医院布莱根医院 37 2 美国马萨诸塞州波士顿麻省总医院神经内科 38 3 美国马萨诸塞州波士顿哈佛医学院 39 4 美国马萨诸塞州波士顿麻省总医院放射科 40 5 美国马萨诸塞州波士顿布莱根妇女医院心血管医学科 41 6 美国马萨诸塞州波士顿布莱根妇女医院神经内科 42 7 美国马萨诸塞州波士顿布莱根妇女医院神经外科 43
推荐引用 推荐引用 Celeste Shen，生成人工智能时代的合理使用、许可和作者权利，22 N W . J. T ECH . & I NTELL . P ROP . 157 (2024)。https://scholarlycommons.law.northwestern.edu/njtip/vol22/iss1/4
摘要 — 生成式人工智能技术的兴起给版权法带来了前所未有的挑战，特别是在人工智能训练过程中对受版权保护作品的合理使用方面。生成式人工智能工具（例如 ChatGPT）在大量数据集上进行训练，这些数据集通常包含受版权保护的材料，通常未经作者同意或使用补偿。这种广泛的未经授权的使用导致了法律纠纷，原告声称在训练人工智能模型中使用受保护的文本构成侵犯版权行为。本说明研究了合理使用原则在生成式人工智能中的应用，分析了四个法定因素中的每一个，以证明生成式人工智能对受版权保护内容的商业复制不具有变革性，损害了原创作品的市场，不应被视为合理使用。
归因于AI作者身份：迈向法律和道德披露的图标系统
abtract-在过去的一年中，大语言模型（LLM）和人工智能（AI）在文本生成中的普遍作用引起了人们对道德使用，作者身份和透明归因的关注。在法律实践，学术界和企业界以及无数其他领域都是如此。在本文中，我们确定了那些要求适当披露的人（我们应该知道何时何地AI是作者）和努力应对这些要求的人之间的差距。问题的一部分是没有系统，没有通用语言，没有用于这种披露的规范。在早期的Aughts中，类似的差距威胁着版权法，法律学者在创意共享中伪造了解决方案。现在，具有相似的形式但具有独特的物质和功能，我们介绍了AIA（人工智能归因），该系统适当且无缝地归因于AI文本作者身份。该系统涉及使用描述AI参与性质的徽章，从研究到编辑。除了填补上面确定的基本差距外，AIA与生成AI的益处至少三倍：（i）最大程度地减少AI使用的法律风险（即来自合同，消费者保护和知识产权和知识产权的法律暴露）； （ii）管理公众对AI使用的看法； （iii）促进道德行为。我们从理论和经验镜头中讨论了这些好处。“经验”，我们指的是我们为审查AIA进行的原始实验研究。我们的发现表明，使用AIA的使用，增强了人工智能作者身份的归因，可以改善公众的看法并降低法律风险。在讨论了这些好处后，我们提供了三个示例，涉及AIA徽章的外观
大型语言模型可以识别作者身份吗？
准确识别作者身份的能力对于验证内容真实性和缓解错误信息至关重要。大语言模型（LLMS）已证明推理和解决问题的能力。但是，它们在作者分析中的潜力仍然不足。传统研究取决于手工制作的风格特征，而最先进的方法可以利用预先训练的语言模型的文本嵌入。这些方法通常需要对标记数据进行微调，通常会在跨域应用中遭受性能降解，并提供有限的解释性。这项工作旨在解决三个研究问题：（1）LLM可以有效地进行零射击，端到端的作者身份验证吗？（2）LLM是否能够在多个候选人作者（例如10和20）中准确地归因于作者？（3）LLM可以在作者分析中提供解释，特别是通过语言特征的作用？此外，我们研究了明确的语言特征的集成，以指导LLMS在其推理过程中。我们的评估证明了LLM在这两个任务中的熟练程度，而无需特定领域的微调，从而通过对语言特征的详细分析为他们的决策提供了解释。这为基于LLM的作者资格分析的未来研究建立了一个新的基准。1。