XiaoMi-AI文件搜索系统
World File Search SystemBase
MS-EVS：基于多光谱事件的基于深度学习的面部检测的愿景
基于事件的传感是一种相对较新的成像模态，可实现低潜伏期，低功率，高时间分解和高动态范围采集。这些支持使其成为边缘应用和在高动态范围环境中的高度可取的传感器。截至今天，大多数基于事件的传感器都是单色的（灰度），在单个通道中捕获了Visi-ble上广泛光谱范围的光。在本文中，我们介绍了穆斯特朗事件并研究了它们的优势。尤其是我们在可见范围内和近红外范围内考虑多个频段，并探索与单色事件和用于面部检测任务的传统多光谱成像相比的潜力。我们进一步发布了第一个大型双峰面检测数据集，其中包含RGB视频及其模拟色彩事件，N-Mobiface和N-Youtubefaces，以及带有多光谱视频和事件的较小数据集，N-SpectralFace。与常规多频谱图像的早期融合相比，多阶段事件的早期融合可显着改善面部检测性能。此结果表明，相对于灰度等效物，多光谱事件比传统的多光谱图像具有相对有用的有关场景的信息。据我们所知，我们提出的方法是关于多光谱事件的首次探索性研究，特别是包括近红外数据。
一个用于集成基于课堂的活动休息的新模型
t可以很好地确定体育锻炼在儿童的代谢，心血管和肌肉骨骼健康（5-12岁）和青少年（13-17岁； Carson等，2016; Janssen＆Leblanc，2010; Poitras et al。，2016）中起着重要作用。此外，体育锻炼通过降低焦虑和抑郁水平对儿童和青少年的心理健康产生积极影响；增加韧性，自尊和自信心；并改善情绪和福祉（Andermo等，2020; S. J. H. Biddle等，2019）。鲜为人知的是体育锻炼在学习中的作用。体育锻炼与增加与学术相关的成果的正相关，包括认知能力（例如，执行功能，注意力，记忆，记忆，理解），对学习的态度（例如，动机，动机，自我概念，满意，满意，享受），参与学习（例如，学习时间）（例如，任务时间）和学术成就，例如，标准测试; 2016; Singh等人，2019年）。
使用基于能量的模型进行隐式生成和建模
基于能量的模型 (EBM) 因其在似然建模中的通用性和简单性而具有吸引力，但传统上很难训练。我们介绍了在连续神经网络上扩展基于 MCMC 的 EBM 训练的技术，并展示了它在 ImageNet32x32、ImageNet128x128、CIFAR-10 和机器人手轨迹的高维数据域上的成功，获得了比其他似然模型更好的样本，接近当代 GAN 方法的性能，同时覆盖了数据的所有模式。我们重点介绍了隐式生成的一些独特功能，例如组合性和损坏图像重建和修复。最后，我们表明 EBM 是适用于各种任务的有用模型，实现了最先进的分布外分类、对抗鲁棒分类、最先进的持续在线类学习和连贯的长期预测轨迹推出。
FedRAMP 基准修订版 5 过渡指南
■ 客户可以使用 CSP 时间表和 CRM 来了解其自身实施计划的计划变更。● 在 POA&M 管理流程和/或下一次年度评估（如适用）期间，评估修订版 4 到修订版 5 过渡计划的实施情况。修订版 5 控制措施的实施必须在下一次年度评估之前完成，以支持控制措施实施的测试。
海报：基于加强学习的自主行动的鲁棒性驱动到对抗性输入
在这项研究中，我们评估了自主驾驶（AD）系统中增强学习的鲁棒性（RL），特别是反对对抗攻击的稳健性。我们采用了Karavolos等人提出的基于Q学习的AD模型。[1]的简单性，是我们分析的基础。此选择使我们能够在简单的Q学习方法和更复杂的RL系统之间进行明显的比较。我们设计了两个威胁模型，以模拟对基于RL的广告系统的对抗性攻击。第一个模型涉及在RL模型的细调中注入未发现的恶意代码，使其容易受到对抗性扰动的影响，这可能会导致在特定的触发条件下碰撞。第二个威胁模型旨在通过直接改变RL模型在特定触发条件下的行动决策来引起碰撞，这代表了一种更隐秘的方法。基于这些威胁模型，我们对两种主要情况的实证研究提出：操纵传感器输入和直接对动作的扰动。研究结果表明，尽管基于RL的AD系统表现出针对传感器输入操纵的弹性，但在受到直接动作扰动时它们会表现出脆弱性。主要的和宽容的场景涉及更改传感器读数，例如在偏心转弯期间，这可能会误导系统并可能导致事故。这对于小误差很大的操作至关重要。第二种情况直接扰动动作，更多地是对基于RL的AD系统脆弱性的理论研究，而不是实用的现实世界威胁。
策略证据基础考虑因素介绍
数据驱动教学涵盖了一套强大的持续实践，重点是评估学生的学习情况、分析评估数据并根据评估数据以有意识的周期（每日、每周等）调整教学。研究表明，以下组件对于有效的数据系统和数据文化必不可少。值得注意的是，虽然有证据证明每个组件的有效性（参见每个组件之后的研究），但这些组件一起实施时效果最佳。例如，如果学校或学区决定为教师实施协作结构，但没有一套强大的评估，也没有协议来组织会议以指导协作时间，那么实施协作结构可能会产生有限的结果。以下组件来自各种文章和研究，阐明了数据文化应包括的内容：
医疗保健专业人员在实施基于机器学习的糖尿病预测模型
摘要：基于机器学习的糖尿病预测模型已在医疗保健中引起了人们的重大关注，作为糖尿病早期检测和管理的潜在工具。但是，这些模型的成功实施在很大程度上取决于医疗保健专业人员的参与。本摘要探讨了医疗保健专业人员在实施基于机器学习的糖尿病预测模型中的作用。医疗保健专业人员通过与数据科学家和机器学习专家合作，在这些模型的开发和实施中起着至关重要的作用。他们的临床专业知识和领域知识有助于确定相关的数据源和模型开发变量。他们还确保数据质量和完整性，在整个过程中解决道德方面的考虑。在实施阶段，医疗保健专业人员负责数据收集和预处理，包括从电子健康记录和可穿戴设备中收集患者数据。他们在清洁和组织模型输入数据时确保数据隐私和安全性。医疗保健专业人员评估和验证模型的性能和准确性，评估局限性和潜在偏见。集成到临床工作流程中是医疗保健专业人员的另一个关键责任。他们与IT部门合作，无缝整合
韧性生计：太阳能安全网的作用
A. Terzopoulou，X。Wang，X.-Z.博士 Chen，B。J. Nelson教授，S。Pané机器人与智能系统研究所教授，Eth Zurich Tannenstrasse 3，CH-8092，CH-8092，瑞士Zurich，瑞士电子邮件：Chenxian@ethz.ch C. Pujante Bioengineering, Eth Zurich Tannenstrasse 3, CH-8092 Zurich, Switzerland e-mail: josep.puigmarti@chem.ethz.ch M. palacios-corella institute de ciencia molecular, universidad de Valencia, cadedradic Jose Beltran 2, paternal, 46980, Spain Dr. J. J. Herrero-Martin Alba Synchrotron Light源，E-08290，Cerdanyola delVallès，巴塞罗那，西班牙X.-H. QIN生物力学研究所，Eth Zurich Leopold-Ruzick-Weg 4，8093Zürich，瑞士教授Jordi Sort DepartomentDeFísica，University defísica，University de Barcelona，E-08193 Cerdanyola del valles，西班牙语A. Terzopoulou，X。Wang，X.-Z.博士Chen，B。J. Nelson教授，S。Pané机器人与智能系统研究所教授，Eth Zurich Tannenstrasse 3，CH-8092，CH-8092，瑞士Zurich，瑞士电子邮件：Chenxian@ethz.ch C. Pujante Bioengineering, Eth Zurich Tannenstrasse 3, CH-8092 Zurich, Switzerland e-mail: josep.puigmarti@chem.ethz.ch M. palacios-corella institute de ciencia molecular, universidad de Valencia, cadedradic Jose Beltran 2, paternal, 46980, Spain Dr. J. J. Herrero-Martin Alba Synchrotron Light源，E-08290，Cerdanyola delVallès，巴塞罗那，西班牙X.-H. QIN生物力学研究所，Eth Zurich Leopold-Ruzick-Weg 4，8093Zürich，瑞士教授Jordi Sort DepartomentDeFísica，University defísica，University de Barcelona，E-08193 Cerdanyola del valles，西班牙语Chen，B。J. Nelson教授，S。Pané机器人与智能系统研究所教授，Eth Zurich Tannenstrasse 3，CH-8092，CH-8092，瑞士Zurich，瑞士电子邮件：Chenxian@ethz.ch C. Pujante Bioengineering, Eth Zurich Tannenstrasse 3, CH-8092 Zurich, Switzerland e-mail: josep.puigmarti@chem.ethz.ch M. palacios-corella institute de ciencia molecular, universidad de Valencia, cadedradic Jose Beltran 2, paternal, 46980, Spain Dr. J. J. Herrero-Martin Alba Synchrotron Light源，E-08290，Cerdanyola delVallès，巴塞罗那，西班牙X.-H. QIN生物力学研究所，Eth Zurich Leopold-Ruzick-Weg 4，8093Zürich，瑞士教授Jordi Sort DepartomentDeFísica，University defísica，University de Barcelona，E-08193 Cerdanyola del valles，西班牙语
基于节能树的脑电图伪影检测
摘要 — 在癫痫监测中，由于脑电图伪影在幅度和频率上具有形态相似性，因此经常被误认为是癫痫发作，这使得癫痫发作检测系统容易受到更高的误报率的影响。在这项工作中，我们介绍了一种基于并行超低功耗 (PULP) 嵌入式平台上最少数量的脑电图通道的伪影检测算法的实现。分析基于 TUH 脑电图伪影语料库数据集，并重点关注颞电极。首先，我们使用自动机器学习框架在频域中提取最佳特征模型，在 4 个颞脑电图通道设置下实现了 93.95% 的准确率和 0.838 F1 得分。所实现的准确率水平比最先进的水平高出近 20%。然后，这些算法针对 PULP 平台进行并行化和优化，与最先进的低功耗伪影检测框架实现相比，能效提高了 5.21 倍。将此模型与低功耗癫痫发作检测算法相结合，可以在可穿戴外形尺寸和功率预算下使用 300 mAh 电池进行 300 小时的连续监测。这些结果为实现经济实惠、可穿戴、长期癫痫监测解决方案铺平了道路，该解决方案具有低假阳性率和高灵敏度，可满足患者和护理人员的要求。临床意义——所提出的 EEG 伪影检测框架可用于可穿戴 EEG 记录设备，结合基于 EEG 的癫痫发作检测算法，以提高癫痫发作检测场景的稳健性。索引词——医疗保健、时间序列分类、智能边缘计算、机器学习、深度学习
基于人工智能的电子学习：概述
近年来，科技的进步改变了人们学习和获取知识的方式。人工智能 (AI) 在教育领域的融入催生了一种新的学习形式，即基于人工智能的电子学习。基于人工智能的电子学习是一种创新的教育方法，利用人工智能技术为学生创造个性化的学习体验。它有可能通过为学生提供更具吸引力和更有效的学习体验来彻底改变教育[1]。人工智能在电子学习中的应用是一个特别新的研究领域，大多数研究集中在智能辅导系统的创建和使用上，其次是使用人工智能在电子学习环境中促进评估和评价。基于人工智能的电子学习是一种利用人工智能技术为学生创造个性化和互动式学习体验的电子学习。基于人工智能的电子学习的目标是使用人工智能算法分析学生行为并提供定制反馈以改善他们的学习体验 [3]。基于人工智能的电子学习可以通过各种平台进行，包括在线学习门户、移动应用程序和虚拟教室 [2]。基于人工智能的电子学习使用各种人工智能技术，包括自然语言处理、机器学习和计算机视觉，为学生创造个性化的学习体验。例如，人工智能算法可以分析学生的行为，例如花在特定主题上的时间，并提供定制反馈以帮助学生提高学习效果。此外，基于人工智能的电子学习系统还可以使用自然语言处理来了解学生的问题和需求并提供相关的答复。