XiaoMi-AI文件搜索系统
World File Search SystemAware
互相抓挠：通过类别意识群体自我支持学习
尽管磁共振成像（MRI）对脑肿瘤分割和发现非常有帮助，但它在临床实践中缺乏某些方式。作为一种态度，预测绩效的退化是不可避免的。根据当前的实现，在模态特征的训练过程中，不同的模式被认为是独立的，彼此之间是独立的，但是它们是互补的。在本文中，考虑到不同方式对各种肿瘤区域的敏感性，我们提出了一种意识到类别的G组大量学习框架（称为GSS），以弥补本性模态模态提取阶段的信息。确切地说，在每个预测类别中，所有模态的预测构成了一个组，其中选择了最出色的灵敏度的预测作为组领导者。小组领导者与成员之间的合作努力以高的一致性和确定性为基础。作为我们的次要贡献，我们引入了一个随机面具，以减少可能的偏见。GSS采用标准培训策略而无需具体的建筑选择，因此可以轻松地插入现有的全模式内脑肿瘤分段中。在BRATS2020，BRATS2018和BRATS2015数据集上进行了明显的，广泛的实验表明，GSS可以平均证明现有的SOTA算法的性能平均为1.27-3.20％。该代码在https://github.com/qysgithubopen/gss上发布。
机器学习工程中公平意识实践的目录
摘要 - 机器学习在决策过程中的广泛采用引起了人们对公平性的担忧，尤其是对敏感特征和对少数群体的潜在歧视的治疗。软件工程社区的反应是开发面向公平的指标，经验研究和方法。但是，在整个机器学习生命周期中，理解和分类工程公平的做法仍然存在差距。本文介绍了一种新颖的实践目录，以解决从系统的映射研究中得出的机器学习中的公平性。该研究确定并分类了现有文献中的28种实践，将它们映射到机器学习生命周期的不同阶段。从该目录中，作者提取了可操作的项目及其对软件工程研究人员和从业者的影响。这项工作旨在提供全面的资源，以将公平考虑因素整合到机器学习系统的开发和部署，增强其可靠性，问责制和信誉。
人工智能创新大赛获奖者.docx
● AI4SIDS：面向小岛屿发展中国家的人工智能驱动气候适应平台。团队负责人：Letetia Addison，特立尼达和多巴哥（获奖） ● Chameleon AI：人工智能驱动的平台，旨在改变马拉维小农户的灌溉方式。团队负责人：Alinafe Kaliwo，马拉维。● 气候智能灌溉器：智能水-食物-能源食物关系效率灌溉。团队负责人：Edmond Ng'walago，坦桑尼亚。● ACBA Energy 的 EmTrack：用于排放跟踪和碳排放量化的人工智能应用。团队负责人：Nair de Sousa，安哥拉。● RAICE：尼泊尔可持续水稻种植的人工智能驱动精准灌溉。团队负责人：Asbina Baral，尼泊尔。
多模式推理的问题意识视力变压器
视觉语言（VL）模型已获得了显着的重点，从而在多模式推理方面取得了显着进步。这些体系结构通常包括视觉编码器，大型语言模型（LLM）和一个将视觉特征与LLM的代表空间保持一致的投影模块。尽管他们成功了，但仍然存在一个关键的限制：愿景编码过程仍然与用户查询相关，通常是以与图像相关的问题的形式。因此，所得的视觉特征可能无法最佳地调整图像的特定元素。为了解决这个问题，我们介绍了QA-Vit，这是一种问题的多模式原因，这是一种问题，将问题意识直接嵌入到视觉编码器中。此集成导致动态视觉特征，重点是提出问题的相关图像方面。QA-VIT是模型 - 静态的，并且可以有效地将其置于任何VL体系结构中。广泛的经验证明了将我们的方法应用于各种多模式体系结构的有效性，从而导致跨不同任务的一致改进，并展示了其以增强视觉和场景文本理解的能力。
十一月是糖尿病宣传月
### 作为卫生领域的领导者，塔尼县卫生局为追求健康生活方式和环境的塔尼县居民和游客提供服务。塔尼县卫生局的使命是为人们创造一个健康安全的社区，供他们现在和将来生活、工作和娱乐。自 1961 年以来，我们一直关爱、服务和保护塔尼县。请访问我们的网站 www.taneycohealth.org 了解有关我们服务的更多信息。
上下文摄像机：具有创意的桥接上下文意识...
允许将本工作的全部或一部分用于个人或课堂使用的数字或硬副本允许，而没有费用，只要副本不是用于Proft或Commercial Advantage的副本，并且副本均带有此通知和FRST页面上的完整引用。必须尊重他人所拥有的这项作品的组成部分的版权。允许用信用摘要。否则复制或重新发布以在服务器上发布或重新分配到列表，需要事先指定许可和/或费用。请求权限从permissions@acm.org。CHI '24，5月11日至16日，2024年，美国HI，HI，HI©2024由所有者/作者持有的版权。 出版权许可获得ACM的权利。 图像已深入地融入我们的生活中。 是否ACM ISBN 979-8-4007-0330-0/24/05 https://doi.org/10.1145/3613904.3642129通过绘画，摄影或数字技术，创建CHI '24，5月11日至16日，2024年，美国HI，HI，HI©2024由所有者/作者持有的版权。出版权许可获得ACM的权利。图像已深入地融入我们的生活中。是否ACM ISBN 979-8-4007-0330-0/24/05 https://doi.org/10.1145/3613904.3642129通过绘画，摄影或数字技术，创建
因果关系 - 时空图神经网络用于时空时间序列
时空时间序列通常是通过放置在不同位置的监视传感器来收集的，这些传感器通常由于各种故障而包含缺失值，例如机械损坏和内部中断。归纳缺失值对于分析时间序列至关重要。恢复特定的数据点时，大多数现有方法都考虑了与该点相关的所有信息，较小的因果关系。在数据收集期间，不可避免地包括一些未知的混杂因素，例如，时间序列中的背景噪声和构造的传感器网络中的非杂货快捷方式边缘。这些混杂因素可以打开后门路径并在输入和输出之间建立非泡沫相关性。过度探索这些非毒性相关性可能会导致过度拟合。在本文中，我们首先从因果的角度重新审视时空时间序列，并展示如何通过前门调整来阻止混杂因素。基于前门调整的结果，我们引入了一种新颖的C技术性-Ware Sp aTiot e Mpo r al图神经网络（CASPER），其中包含一种新型的基于及时的解码器（PBD）和空间 - 可导致的因果发生（SCA）。PBD可以减少混杂因素的影响，而SCA可以发现嵌入之间的因果关系稀疏。理论分析表明，SCA根据梯度值发现因果关系。我们在三个现实世界数据集上评估Casper，实验结果表明，Casper可以胜过基准，并可以有效地发现因果关系。
条件感知的神经网络，用于受控图像生成
我们介绍C ONTITION- WARE神经N ETWORK（CAN），这是一种将控制添加到图像生成模式中的新方法。与先前的条件控制方法并行，可以通过动态降低神经网络的重量来控制图像生成过程。这是通过引入条件感知的重量产生模式来实现的，该模块会根据输入条件为卷积/线性层生成条件重量。我们测试可以在Coco上的ImageNet和文本对图像生成上生成类别图像的生成。可以始终如一地为包括DIT和UVIT在内的扩散变压器模型提供显着改进。特别是，Ca n与有效的T（CAT）结合在Imagenet 512×512上达到2.78 FID，超过DIT-XL/2，同时每个采样步骤需要少52×MAC。
