XiaoMi-AI文件搜索系统
World File Search SystemAutoEncoder
用于脑 MRI 无监督异常检测的去噪自动编码器
病理性脑损伤在脑图像中呈现出不同的外观，由于缺乏全面的数据和注释，很难训练监督检测解决方案。因此，在这项工作中，我们解决了无监督异常检测问题，仅使用健康数据进行训练，目的是在测试时检测未见的异常。许多当前方法采用具有限制性架构（即包含信息瓶颈）的自动编码器，这些自动编码器不仅会对异常部分进行不良重建，而且会对正常部分进行不良重建。相反，我们研究了经典的去噪自动编码器模型，这些模型不需要瓶颈，并且可以使用跳过连接来提供高分辨率保真度。我们设计了一种简单的噪声生成方法来升级低分辨率噪声，从而实现高质量的重建。我们发现，通过适当的噪声生成，去噪自动编码器重建误差可以推广到高强度病变分割，并达到脑 MRI 数据中无监督肿瘤检测的最新性能，击败了变分自动编码器等更复杂的方法。我们相信这为进一步研究无监督异常检测提供了强大且易于实施的基础。关键词：异常检测、无监督学习、自动编码器、去噪、MRI。
Hamza Khyari博士学生，自由职业者b''
14 de设置。de 2024 - •使用完全卷积自动编码器和的个性化免疫疗法预测。基于语言模型的大型HLA编码。•Elia Giuseppe ...
应用卷积神经网络模型加速纳米级场效应晶体管非平衡格林函数模拟
摘要 我们研究了卷积神经网络 (CNN) 在加速双栅极 MOSFET 量子力学传输模拟（基于非平衡格林函数 (NEGF) 方法）中的应用。具体而言，给定电位分布作为输入数据，我们实现卷积自动编码器来训练和预测载流子密度和局部量子电容分布。结果表明，在 NEGF 自洽计算中使用单个训练好的 CNN 模型以及泊松方程可以为各种栅极长度产生准确的电位，并且所有这些都在比传统 NEGF 计算短得多的计算时间内完成。 关键词：纳米级 MOSFET、模拟、非平衡格林函数、卷积神经网络、卷积自动编码器 分类：电子器件、电路和模块
使用解缠结潜伏扩散模型生成多模态脑肿瘤 MRI
基于深度学习的图像生成方法已被广泛用于克服数据不足。在医疗领域也是如此，数据短缺问题经常发生。在本研究中，我们提出了多模态脑肿瘤磁共振成像（MRI）生成框架，称为解缠结潜在扩散模型（DLDM），以解决医学成像中的数据不足问题。我们训练一个自动编码器，将多模态 MRI 图像的特征解缠结为模态共享和模态特定表示。通过利用从自动编码器学到的特征解缠结，我们能够训练一个可以生成模态共享和模态特定潜在向量的扩散模型。我们用 clean-FID 和改进的准确率和召回率评估了我们的方法。将结果与基于 GAN 的模型 StyleGAN2 进行了比较。关键词：生成、多模态、MRI、特征解缠结、扩散模型。
用于探索，编辑和传输视频的视频特定自动编码器
我们研究了特定于视频的自动编码器，这些自动编码器允许人类用户探索，编辑和有效传输视频。先前的工作已经独立研究了这些问题（和子问题），并提出了不同的表述。在这项工作中，我们在特定视频的多个帧上训练一个简单的自动编码器（从头开始）。我们观察到：（1）通过视频特定的自动编码器捕获该视频的空间和时间属性所学的潜在代码； （2）自动编码器可以将样本外输入投影到特定于视频的歧管上。这两个属性允许我们使用一个学到的表示形式探索，编辑和有效地传输视频。对于例如，在潜在代码上的线性操作允许用户可视化视频的内容。关联视频的潜在代码和流动投影使用户可以进行所需的编辑。插值潜在代码和歧管投影允许在网络上传输稀疏的低分辨率框架。
用于自动编码器的可扩展变分量子电路 - ...
摘要 — 药物分子的从头设计被认为是一个耗时且昂贵的过程，并且计算方法已应用于药物发现流程的每个阶段。变分自动编码器是一种计算机辅助设计方法，它基于现有的分子数据集探索化学空间。量子机器学习已成为一种非典型学习方法，由于其强大的表达能力，可能会加速一些经典学习任务。然而，近期的量子计算机受到量子比特数量有限的困扰，这阻碍了高维空间中的表示学习。我们提出了一种可扩展的量子生成自动编码器（SQ-VAE），用于同时重建和采样药物分子，以及相应的原始变体（SQ-AE）以实现更好的重建。提出了混合量子经典网络中的架构策略，例如可调量子层深度、异构学习率和修补量子电路，以学习高维数据集，例如配体靶向药物。在选择合适的架构策略后，针对 8x8 和 32x32 等不同维度报告了大量实验结果。在所有实验中，将量子生成自动编码器的性能与相应的经典自动编码器进行了比较。结果表明，归一化的低维分子可以获得量子计算优势，并且量子生成自动编码器生成的高维分子在相同的学习期内具有更好的药物特性。索引术语 — 量子机器学习、变分自动编码器、药物发现
基于软件成本估算的基于降低和机器学习模型
软件成本估计（SCE）是构建网络物理 - 社会系统（CPSS）的研究重点和挑战之一。在CPSS中，要准确处理环境和社会信息并使用它来指导社会实践。因此，在回应SCE的预测准确性低，鲁棒性和可解释性差的问题时，本文提出了基于自动编码器和随机森林的SCE模型。首先，预处理项目数据，删除异常值，然后构建回归树以在数据中缺少属性中填充。第二，构建一个自动编码器，以降低影响软件成本的因素的维度。随后，使用三个数据集上的XGBoost框架（Cocomo81，Albrecht和Desharnais）对模型的性能进行了训练和验证，并与常见的成本预测模型进行了比较。实验结果表明，COCOMO81数据集上提出的模型的MMRE，MDMRE和PRED（0.25）值分别达到0.21、0.16和0.71。与其他模型相比，所提出的模型在准确性和鲁棒性方面取得了重大改进。
欺诈预测和智能信用卡的验证...
摘要本研究揭示了一种智能信用卡欺诈检测和验证的有力方法。此系统使用混合模型集成了数据预处理，功能工程和实时预测，该模型结合了监督的机器学习算法，编码器和LSTM网络。有监督的LSTM网络分类交易，而无监督的自动编码器会发现异常值。评估标准在召回和准确性之间取得了平衡。警报是在检测欺诈时由系统发送的，并实时运行。合规性，可伸缩性和恒定监视是关键点。为了缩小当代货币交易中的易于安全性和安全性之间的差距，该项目提供了一种最先进的方法来增强智能信用卡的安全性。关键字：LSTM，自动编码器，异常I.引入智能信用卡的介绍，一个新的无摩擦和快速货币交易的时代已经开始。这些高度发展的支付系统的使用简化了消费者和企业的日常财务交易。但是，随着智能信用卡的扩散，一种新的且存在的危险是一种新的危险：信用卡盗窃。犯罪分子用来利用系统中漏洞的不断发展的方法使打击信用卡盗窃成为巨大的问题。成功应对这种威胁需要开发新颖而灵活的解决方案。这项研究通过引入彻底的方法是智能信用卡欺诈预测和使用混合机器学习验证来解决这一紧急要求。首先收集和预处理包括各种智能信用卡交易的广泛数据集，作为该项目多面方法的一部分。数据集包含有效和欺诈性交易，使其成为建筑模型的宝贵资源。无监督的自动编码器神经网络是本研究的关键组成部分，因为它检测到交易数据中的异常值的程度。使用自动编码器的编码器组件来学习潜在特征，即使不是立即明显，此方法也可以识别欺诈。在研究中使用了包括LSTM网络（适合序列数据的LSTM网络）的监督机器学习方法，以提高预测准确性。为了提高模型区分实际和欺诈交易的能力，使用
UMT 人工智能评论（UMT-AIR）
摘要：图像去噪是一种从图像中去除噪声以创建清晰图像的过程。它主要用于医学成像，由于机器故障或为了保护患者免受辐射而采取的预防措施，医学成像机器会在最终图像中产生大量噪声。可以使用多种技术来避免在最终打印之前图像中出现此类失真。自动编码器是用于在最终打印之前对图像进行去噪的最著名软件。这些软件不是智能的，因此生成的图像质量不佳。在本文中，我们介绍了一种具有深度卷积神经网络的改进型自动编码器。与传统的自动编码器相比，它可以创建质量更好的图像。在张量板上使用测试数据集进行训练后，在具有各种形状的不同数据集上测试改进的自动编码器。由于几个原因，结果令人满意但不理想。尽管如此，我们提出的系统仍然比传统的自动编码器表现更好。
使用卷积神经网络
声音分类在当今世界的各个领域都有其用途。在本文中，我们将借助机器生成的声音数据来介绍声音分类技术，以检测故障机器。重点是确定音频分类方法的相关性，以通过声音检测有故障的电动机；在嘈杂和无噪声的情况下；因此，可以减少工厂和行业的人类检查要求。降低降噪在提高检测准确性方面起着重要的作用，一些研究人员通过为基准测试其模型而添加噪声来模拟数据。因此，降噪广泛用于音频分类任务。在各种可用方法中，我们实施了一种自动编码器来降低噪声。我们使用卷积神经网络对嘈杂和DeNo的数据进行了分类任务。使用自动编码器将分类的分类准确性与嘈杂的数据进行了比较。进行分类，我们使用了频谱图，MEL频率CEPSTRAL CO-EFIFIED（MFCC）和MEL光谱图图像。这些过程产生了令人鼓舞的结果，从而通过声音区分了故障的电动机。