XiaoMi-AI文件搜索系统
World File Search SystemBlackBox
at-a-a-glance时间表
下午1:30 - 下午3:10 Concurrent Sessions Broader Engagement (BE): Lightning Talks 206, 2nd floor MS11 Incorporating Scientific Computation in Machine Learning: Theory and Applications 212-214, 2nd floor MS12 Compositional Foundations for Optimization and Data Science 215, 2nd floor MS13 Randomized Iterative Algorithms for Large- scale Matrix and Tensor Data 216, 2nd floor MS14 Probabilistic Methods in Machine Learning and Complex Systems 217, 2nd floor MS15 Mathematics of Trustworthy Machine Learning 218, 2nd floor MS16 Learning Nonlinear Differential Equations from Data 219, 2nd floor MS17 Recent Trends in Generative Models for Solving Probabilistic Inverse Problems 220, 2nd floor MS18 Scientific Computation Meets Deep Learning 221, 2nd floor MS19 Geometric Methods in Data Science and Imaging 222, 2nd floor MS20 BlackBox优化符合机器学习223，2nd Floor下午1:30 - 下午3:10 Concurrent Sessions Broader Engagement (BE): Lightning Talks 206, 2nd floor MS11 Incorporating Scientific Computation in Machine Learning: Theory and Applications 212-214, 2nd floor MS12 Compositional Foundations for Optimization and Data Science 215, 2nd floor MS13 Randomized Iterative Algorithms for Large- scale Matrix and Tensor Data 216, 2nd floor MS14 Probabilistic Methods in Machine Learning and Complex Systems 217, 2nd floor MS15 Mathematics of Trustworthy Machine Learning 218, 2nd floor MS16 Learning Nonlinear Differential Equations from Data 219, 2nd floor MS17 Recent Trends in Generative Models for Solving Probabilistic Inverse Problems 220, 2nd floor MS18 Scientific Computation Meets Deep Learning 221, 2nd floor MS19 Geometric Methods in Data Science and Imaging 222, 2nd floor MS20 BlackBox优化符合机器学习223，2nd Floor
在K-12教育中解开学习和教学机器学习的方法：透明度，道德和设计活动
在这篇概念性论文中，我们回顾了有关人工智能/机器学习（AI/ML）教育的现有文献，以确定如何概念化学习和教学ML的三种方法。其中一种是数据驱动的方法，强调为年轻人提供创建数据集，训练和测试模型的机会。第二种方法是学习算法驱动的，优先考虑学习学习算法。此外，我们确定了整合前两种方法的第三种方法中的努力。在我们的审查中，我们着重于解开方法：（1）玻璃盒和黑盒的不同方面ML的不同方面，（2）基于学习者的利益，并为设计应用程序提供了机会，（3）整合道德和正义。在讨论中，我们解决了当前方法的挑战和机遇，并提出了工具和学习活动设计的未来方向。
眼科中的人工智能和深度学习
基于深度学习（DL）的摘要人工智能（AI）近年来引起了全球的巨大兴趣。dl在图像识别，语音识别和自然语言处理中已被广泛采用，但才开始对医疗保健产生影响。在眼科中，DL已应用于眼底照片，光学相干断层扫描和视野，在检测糖尿病性视网膜病变和早产性视网膜病时，达到了稳健的分类性能，青光眼样椎间盘，黄斑湿度和与年龄相关的念珠菌变性。dl可以与远程医疗一起使用，作为筛查，诊断和监测初级保健和社区环境中患者的主要眼科疾病的可能解决方案。尽管如此，在眼科中使用DL的DL也存在潜在的挑战，包括临床和技术挑战，算法结果的解释性，医疗问题以及医生以及患者对AI“ BlackBox”算法的接受。dl可能会彻底改变未来的眼科。本综述提供了针对眼科应用程序所描述的最新DL系统，临床部署的潜在挑战和前进的路径。
![arxiv：2407.04831v2 [cs.ai] 2024年8月8日](/simg/g:\will\search\icon\source\5\582c869eda4fed17fe6c182478437bb813c5f970.webp)
arxiv：2407.04831v2 [cs.ai] 2024年8月8日
生成模型（例如大语言模型（LLMS））被广泛用作代码副本，并用于整个程序生成。但是，他们生成的程序通常在集成方面具有可疑的正确性，安全性和可靠性，因为它们可能不遵循用户要求，不正确和/或毫无意义的输出，甚至包含语义/语法错误 - 总体称为LLM幻觉。在这项工作中，我们介绍了几种类型的代码Hal-Lucination。我们已经使用LLM手动生成了此类幻觉代码。我们还提出了一种技术 - Halltrigger，以展示产生任意代码幻觉的有效方法。我们的方法利用了3个不同的LLM的动态属性到工艺提示，可以成功地触发模型幻觉，而无需访问模型体系结构或参数。受欢迎的黑盒模型的结果表明，Halltrigger确实是有效的，而普遍的LLM幻觉对软件开发产生了巨大影响。
linyi li - - 计算科学学院
tss：用于鲁棒性认证的特定于转换的平滑。ACM计算机和通信安全会议（CCS）2021。[视频] 6。Huichen Li *，Linyi Li *，Xiaojun Xu，Xiaolu Zhang，Shuang Yang，Bo Li。基于非线性投影的梯度估计，用于查询有效的黑框攻击。国际人工智能与统计会议（AISTATS）2021。5。Linyi Li，Zhenwen Li，Weijie Zhang，Jun Zhou，Pengcheng Wang，Jing Wu，Guanghua HE，Xia Zeng，Yuetang Deng，Tao Xie。自然语言中的聚类测试步骤，以自动化测试自动化。ACM联合欧洲软件工程会议和关于软件工程基础（ESEC/FSE）2020，行业轨道的研讨会。[视频] 4。linyi li *，Zexuan Zhong *，Bo Li，Tao Xie。Robustra：在参考对抗空间上训练可证明的强大神经网络。2019年国际人工智能联合会议（IJCAI）。
聚合物化学
研究时间的缓解。此外，通常还使用“一次一个变量”（OVAT）方法进行优化 - 这可能导致识别false Optima。7使用实验的统计设计（DOE）方法对OVAT的更简单，更合适的替代方案之一是对反应空间的结构化研究 - 从而使用一组多元体验筛选了条件。8例如，Abetz和Comers已经说明了用于筏聚合的有效优化工作流程，9他们从DOE屏幕上展示了准确的预测和靶向聚合物性能。使用更具动态的，基于机器学习的方法是通过进一步减少用户输入的机会进行优化的机会；实际上，所谓的黑盒算法不需要任何先验知识，例如Nelder - Nelder - Mead Simplex 11,12和分支和拟合（SnobFit）13,14算法的稳定嘈杂的优化，可以实现单个客观优化 - 即找到目标15或纯度等物镜的最理想的结果。16
ImageNet 十年之后：人工智能的 360° 视角
神经网络回归已有 10 年。在这一周年纪念日的推动下，我们对人工智能 (AI) 采取了整体视角。认知任务的监督学习得到了有效解决——前提是我们拥有足够高质量的标记数据。然而，深度神经网络模型不易解释，因此黑盒和白盒建模之间的争论成为了焦点。注意力网络、自我监督学习、生成建模和图神经网络的兴起拓宽了人工智能的应用空间。深度学习也推动了强化学习作为自主决策系统核心构建块的回归。新人工智能技术可能带来的危害引发了透明度、公平性和问责制等社会技术问题。控制人才、计算资源以及最重要的数据的大型科技公司在人工智能领域的主导地位可能会导致人工智能的极端分化。尽管人工智能驱动的对话代理最近取得了戏剧性和出人意料的成功，但备受瞩目的旗舰项目（如自动驾驶汽车）的进展仍然难以捉摸。必须小心调节该领域的言论，并使工程进步与科学原理保持一致。
人工智能的 360° 视角 - ePrints Soton
神经网络回归已有 10 年。在这一周年纪念日的推动下，我们对人工智能 (AI) 采取了整体视角。认知任务的监督学习得到了有效解决——前提是我们拥有足够高质量的标记数据。然而，深度神经网络模型不易解释，因此黑盒和白盒建模之间的争论成为了焦点。注意力网络、自我监督学习、生成建模和图神经网络的兴起拓宽了人工智能的应用空间。深度学习也推动了强化学习作为自主决策系统核心构建块的回归。新人工智能技术可能带来的危害引发了透明度、公平性和问责制等社会技术问题。控制人才、计算资源以及最重要的数据的大型科技公司在人工智能领域的主导地位可能会导致极端的人工智能鸿沟。尽管最近人工智能驱动的对话代理取得了戏剧性和出人意料的成功，但自动驾驶汽车等备受瞩目的旗舰项目的进展仍然难以捉摸。必须注意缓和围绕该领域的言论，并使工程进展与科学原理保持一致。
ImageNet 十年之后：人工智能的 360° 视角
神经网络回归已有 10 年。在这一周年纪念日的推动下，我们对人工智能 (AI) 采取了整体视角。认知任务的监督学习得到了有效解决——前提是我们拥有足够高质量的标记数据。然而，深度神经网络模型不易解释，因此黑盒和白盒建模之间的争论成为了焦点。注意力网络、自我监督学习、生成建模和图神经网络的兴起拓宽了人工智能的应用空间。深度学习也推动了强化学习作为自主决策系统核心构建块的回归。新人工智能技术可能带来的危害引发了透明度、公平性和问责制等社会技术问题。控制人才、计算资源以及最重要的数据的大型科技公司在人工智能领域的主导地位可能会导致人工智能的极端分化。尽管人工智能驱动的对话代理最近取得了戏剧性和出人意料的成功，但备受瞩目的旗舰项目（如自动驾驶汽车）的进展仍然难以捉摸。必须小心调节该领域的言论，并使工程进步与科学原理保持一致。