XiaoMi-AI文件搜索系统
World File Search SystemCONTEXTUAL
Oracle金融服务贷款和租赁EV电池租赁 - 数据表| Oracle
阻止了戏剧性的讨论或使用类型娱乐性的亵渎和淫秽性。新闻或亵渎和淫秽的报道。基于类型的亵渎，手势和其他可能强大的动作的使用，但可能会被期望是普遍接受的语言和行为，以及高风险的淫秽和亵渎含量。
解剖背景信息是否可以改善 3D U-Net......
摘要：需要有效、稳健且自动化的脑肿瘤分割工具来提取对治疗计划有用的信息。最近，卷积神经网络在识别磁共振 (MR) 图像中的肿瘤区域方面表现出色。情境感知人工智能是开发用于计算机辅助医学图像分析的深度学习应用程序的一个新兴概念。当前研究的很大一部分致力于开发新的网络架构，以通过使用情境感知机制来提高分割准确性。在这项工作中，研究了以白质 (WM)、灰质 (GM) 和脑脊液 (CSF) 掩模和概率图的形式添加来自大脑解剖结构的情境信息是否能改善基于 U-Net 的脑肿瘤分割。 BraTS2020 数据集用于训练和测试两个标准 3D U-Net (nnU-Net) 模型，除了传统的 MRI 图像模态外，这两个模型还使用二元掩模 (CIM) 或概率图 (CIP) 形式的解剖上下文信息作为额外通道。为了进行比较，还训练了一个仅使用传统 MRI 图像模态的基线模型 (BLM)。从整体分割准确度、模型训练时间、领域泛化以及对每个受试者可用的 MRI 模态较少的补偿方面研究了添加上下文信息的影响。在官方 BraTS2020 验证数据集（125 名受试者）上，BLM、CIM 和 CIP 的中位 (均值) Dice 分数分别为 90.2 (81.9)、90.2 (81.9) 和 90.0 (82.1)。结果表明，在比较基线模型和上下文信息模型的 Dice 评分时，即使单独比较高级别和低级别肿瘤的性能，也没有统计学上显著的差异（ p > 0.05）。在少数看到改善的低级别病例中，假阳性的数量减少了。此外，在考虑模型训练时间或领域泛化时没有发现任何改进。只有在补偿每个受试者可用的 MR 模态较少的情况下，添加解剖上下文信息才能显著改善（ p < 0.05）整个肿瘤的分割。总之，当使用二元 WM、GM 和 CSF 掩模或概率图形式的解剖上下文信息作为额外通道时，分割性能并没有整体显著改善。
情境老虎机中的情境不确定性及其在推荐系统中的应用
循环神经网络已被证明可在为推荐系统建模顺序用户反馈方面发挥有效作用。然而，它们通常仅关注项目相关性，无法有效地为用户探索多样化的项目，因此从长远来看会损害系统性能。为了解决这个问题，我们提出了一种新型的循环神经网络，称为循环探索网络 (REN)，以联合执行表示学习和潜在空间中的有效探索。REN 试图在相关性和探索之间取得平衡，同时考虑到表示中的不确定性。我们的理论分析表明，即使学习到的表示存在不确定性，REN 也可以保持速率最优的亚线性遗憾。我们的实证研究表明，REN 可以在合成和现实世界的推荐数据集上获得令人满意的长期回报，表现优于最先进的模型。
针对战略买家的重复关联拍卖的二分法定价
我们对学习算法感兴趣，该算法可在单个卖家面对单个策略性买家的重复情境标价拍卖中优化收益。在我们的设定中，买家最大化其预期累积折现盈余，并且假设他对商品的估价是 ad 维情境（特征）向量的固定函数。我们引入了一种新颖的确定性学习算法，该算法基于二分法的思想，策略遗憾上界为 O（log 2 T）。与之前的研究不同，我们的算法不需要对情境信息的分布做出任何假设，并且遗憾保证适用于任何特征向量的实现（对抗性上界）。为了构建我们的算法，我们非平凡地采用了积分几何技术来对抗买家策略性，并改进了惩罚技巧以在情境拍卖中发挥作用。
一套基础模型捕获了密码子之间的上下文相互作用
图1：Encodon和Decodon的概述：A）已从NCBI基因组数据库中提取了5000种物种的6000万个编码序列，并用于预先培训Encodon和Decodon基础模型。b）绝大多数数据（98.7％）由细菌编码序列组成。显示了NCBI中非细菌编码序列的分裂构成的饼图。c）NCBI基因组数据库中编码序列长度（密码子数）的直方图。我们将2048用作由Encodon和Decodon支持的最大序列长度，并考虑到所示的分散量以覆盖超过99.8％的序列。d）我们使用蒙版语言建模（MLM）目标仔细研究了Encodon，其中序列的一部分被损坏/掩盖了，并且该模型必须在给定其余的令牌（即上下文）。decodon是一种有条件的生成变压器模型，它通过将序列生物体作为第一个输入令牌来提供可控的编码序列生成。我们在汇总的编码序列中，用因果（自动性）语言建模目标进行了训练，其中每个序列都用特殊的有机体令牌培养。旋转位置自我注意事项均在Encodon和Decodon块中使用。e）3个ecdodons和2个解码，比例不同（即可训练参数的数量）已在NCBI基因组数据库的汇总语料库上进行了超过1,000,000个优化步骤的预训练。
通过机器学习方法识别关键情境设计线索
承担安全关键功能的自主技术的发展，例如无人驾驶汽车或手术机器人，可以潜在地减少事故和错误并提高生产力。然而，尽管自主系统有望提高安全性和生产力，但之前的人机交互研究表明，增加自动化并不一定能保证提高系统效率或安全性。通常，在大型系统内实现任务自动化会通过将操作员的工作量从一种物理或认知资源转移到另一种物理或认知资源来修改任务，从而改变任务而不是改进任务。操作员无法理解的设计不良的自动化通常会导致人为错误，并因实施不便而降低系统效率（Lee and Morgan 1994）。
FaGANet：一种利用上下文信息的集成编码器的基于证据的事实核查模型
摘要 面对现实世界中虚假和误导信息的迅速传播，基于证据的人工事实核查工作变得越来越具有挑战性和耗时。为了解决这个问题，我们提出了 FaGANet，这是一个自动化、准确的事实核查模型，它利用句子级注意力和图注意力网络的强大功能来提高性能。该模型巧妙地将编码器模型与图注意力网络相结合，有效地融合了声明和证据信息，从而能够准确识别即使是伪装得很好的数据。实验结果证明了我们的 FaGANet 模型在准确率上的显著提升，以及其在基于证据的事实核查任务中的最优性能。我们在 https://github.com/WeiyaoLuo/FaGANet 发布了我们的代码和数据。
交易顾问
于2024年5月在线发布。版权所有©2024，由南非国家生物多样性研究所引用桑比。2024。南非的国家生物多样性评估：上下文和操作框架。 版本1.0。 南非南非的南非国家生物多样性研究所。 Written by: Carol Poole, Andrew Skowno, Kerry Sink, Jessica da Silva, Domitilla Raimondo, Nancy Job, Lara van Niekerk, Anisha Dayaram, Sediqa Khatieb, Maphale Monyeki, Megan van der Bank, Heidi van Deventer and Amanda Driver Acknowledgements The authors would like to thank the team who led the NSBA 2004, which broke新的基础并为随后的NBA奠定了基础，因此为该上下文和操作框架文档的基础奠定了基础。 NSBA 2004年的团队是：Amanda Driver，Kristal Maze，Mathieu Rouget，Amanda Lombard，Jeanne Nel，Jeanne Nel，Jane Turpie，Richard Cowling，Philip Desmet，Pellip Desmet，Peter Goodman，Jean Harris，Jean Harris，Zuziwe Nyareli（Nee Jonas），Nee Jonas（Nee Jonas），Belinda Reyers，Kererry Reyers，Kerry sintaniia Santaniia strate strate strate strate strate strate strate strate strate strate strate。 我们还要感谢迄今为止对所有三项国家生物多样性评估的其他贡献者 - 没有桑比以外的专家和机构的自愿捐款，NBA将不可能。 SANBI内部生物多样性评估和计划交叉功能指导委员会的成员也因其在有关本文档的各种讨论中的投入而得到认可。南非的国家生物多样性评估：上下文和操作框架。版本1.0。南非南非的南非国家生物多样性研究所。 Written by: Carol Poole, Andrew Skowno, Kerry Sink, Jessica da Silva, Domitilla Raimondo, Nancy Job, Lara van Niekerk, Anisha Dayaram, Sediqa Khatieb, Maphale Monyeki, Megan van der Bank, Heidi van Deventer and Amanda Driver Acknowledgements The authors would like to thank the team who led the NSBA 2004, which broke新的基础并为随后的NBA奠定了基础，因此为该上下文和操作框架文档的基础奠定了基础。 NSBA 2004年的团队是：Amanda Driver，Kristal Maze，Mathieu Rouget，Amanda Lombard，Jeanne Nel，Jeanne Nel，Jane Turpie，Richard Cowling，Philip Desmet，Pellip Desmet，Peter Goodman，Jean Harris，Jean Harris，Zuziwe Nyareli（Nee Jonas），Nee Jonas（Nee Jonas），Belinda Reyers，Kererry Reyers，Kerry sintaniia Santaniia strate strate strate strate strate strate strate strate strate strate strate。 我们还要感谢迄今为止对所有三项国家生物多样性评估的其他贡献者 - 没有桑比以外的专家和机构的自愿捐款，NBA将不可能。 SANBI内部生物多样性评估和计划交叉功能指导委员会的成员也因其在有关本文档的各种讨论中的投入而得到认可。南非南非的南非国家生物多样性研究所。Written by: Carol Poole, Andrew Skowno, Kerry Sink, Jessica da Silva, Domitilla Raimondo, Nancy Job, Lara van Niekerk, Anisha Dayaram, Sediqa Khatieb, Maphale Monyeki, Megan van der Bank, Heidi van Deventer and Amanda Driver Acknowledgements The authors would like to thank the team who led the NSBA 2004, which broke新的基础并为随后的NBA奠定了基础，因此为该上下文和操作框架文档的基础奠定了基础。NSBA 2004年的团队是：Amanda Driver，Kristal Maze，Mathieu Rouget，Amanda Lombard，Jeanne Nel，Jeanne Nel，Jane Turpie，Richard Cowling，Philip Desmet，Pellip Desmet，Peter Goodman，Jean Harris，Jean Harris，Zuziwe Nyareli（Nee Jonas），Nee Jonas（Nee Jonas），Belinda Reyers，Kererry Reyers，Kerry sintaniia Santaniia strate strate strate strate strate strate strate strate strate strate strate。我们还要感谢迄今为止对所有三项国家生物多样性评估的其他贡献者 - 没有桑比以外的专家和机构的自愿捐款，NBA将不可能。SANBI内部生物多样性评估和计划交叉功能指导委员会的成员也因其在有关本文档的各种讨论中的投入而得到认可。
用于脑肿瘤检测和分割的多任务上下文空洞残差网络
摘要 —近年来，深度神经网络在医学成像中的各种识别和分割任务中取得了最佳性能，包括脑肿瘤分割。我们发现，分割脑肿瘤面临着数据不平衡的问题，即属于背景类（非肿瘤像素）的像素数量远大于属于前景类（肿瘤像素）的像素数量。为了解决这个问题，我们提出了一个级联结构的多任务网络。我们的模型包含两个目标，即（i）有效区分脑肿瘤区域和（ii）估计脑肿瘤掩模。第一个目标由我们提出的上下文脑肿瘤检测网络执行，该网络起到注意力门的作用，只关注脑肿瘤周围的区域，而忽略与肿瘤相关性较小的远邻背景。与处理每个像素的其他现有物体检测网络不同，我们的上下文脑肿瘤检测网络只处理真实实例周围的上下文区域，这种策略旨在产生有意义的区域提议。第二个目标建立在 3D 空洞残差网络和编码解码网络之下，以便有效地分割大物体和小物体（脑肿瘤）。我们的 3D 空洞残差网络采用跳跃连接设计，使深层的梯度能够直接传播到浅层，从而保留不同深度的特征并用于相互细化。为了从体积 MRI 数据中整合更大的上下文信息，我们的网络利用具有各种内核大小的 3D 空洞卷积，从而扩大了滤波器的感受野。我们提出的网络已经在包括 BRATS2015、BRATS2017 和 BRATS2018 数据集在内的各种数据集上进行了评估，包括验证集和测试集。我们的性能已通过基于区域的指标和基于表面的指标进行了基准测试。我们还与最先进的方法进行了比较。1