XiaoMi-AI文件搜索系统
World File Search SystemClassifier
基于控制器区域网络的生成分类器的异常检测系统
摘要 - 作为电子系统在现代车辆中变得越来越复杂且普遍存在，因此在板载网络上保护至关重要，特别是这些系统中的许多都是至关重要的。研究人员表明，现代车辆容易受到各种攻击的影响，从而使攻击者能够控制并损害安全 - 关键的电子系统。因此，文献中已经提出了几种入侵检测系统（IDS）来检测对车辆的这种网络攻击。本文介绍了一个基于新颖的生成分类器的入侵检测系统（IDS），该系统（IDS）专为汽车网络中的异常检测而设计，特别关注控制器区域网络（CAN）。利用变异贝叶斯，我们提出的ID使用深层可变模型来构造有条件概率的因果图。使用自动编码器体系结构来构建分类器以估算条件概率，这有助于通过贝叶斯推断的最终预测概率。对公共汽车挖掘数据集上针对最新IDS的比较评估突出了我们提出的分类器在提高检测准确性和F1分数方面的出色表现。提出的ID通过用有限的培训数据胜过现有模型来证明其功效，从而为汽车系统提供了增强的安全保证。
人工智能分类器能与人类审阅者匹敌吗？
简介 > 随着医学文献的出版量不断增加，人工智能 (AI) 逐渐被视为提高文献综述筛选效率的工具。1 > 美国国家健康与护理卓越研究所 (NICE) 最近的指导承认了人工智能在协助文献综述过程中的优势，强调了人工智能辅助流程在支持报销提交方面的进展。> AI 分类器通过对一组问题进行出版物二元分类，为 AI 筛选提供了一种替代方案。> AI 分类器不限于单一用途设置，可以应用于多个评审，并有可能迭代提高准确性。> 虽然有大量关于 AI 筛选的文献，但评估 AI 分类器及其与人类审阅者的可比性的证据有限。
饮食纤维的潜在益生菌萨拉米调节人类干预研究中的新陈代谢和肠道菌群
西班牙M´Alaga大学的计算机建筑系B计算机科学与数值分析系C´ordoba University of C´ordoba，西班牙C c电子技术系，西班牙M´Alaga大学电子技术系
平衡的装袋分类器机器学习模型 -
Features n % Median Mean Standard deviation Chemotherapy cycles 3439 100 General Cancer type Breast cancer 1315 38 Lung cancer 890 26 Colorectal cancer 1159 34 Other cancers 75 2 Stage 1 to 3 1927 4 1512 Involved systems number* 0 0.8 1.1 Gender Female 1811 53 Male 1628 47 Age 55 55.1 11.4 ECOG performance status 1 0.7 0.7 Coronary disease No 3133 91 Yes 306 9慢性阻塞性肺疾病（冷）否3252 95是187 5放疗3372 98在3372 98之前没有接受67 2先前的化疗NO 1922 56是1517 44治疗治疗方法作为住院NO 3240 94是3240 94是3240 94 YES 199 6 CSF YES 199 6 CSF否2543 74 YES 896 26 26 26 26 26 NO 311 NO 311 NO 311 11 11 1117剂量重新降差 neutropenia No 3211 93 Yes 228 7 Febrile neutropenia after chemotherapy No 3306 96 Yes 133 4 Drug number** 1 336 10 2 1644 48 3 1076 31 4 382 11 5 1 0 Regimen risk*** 1 938 27 2 2157 63 3 344 10 Cycle no on current protocol 3 2.8 1.4 Laboratory LDH (IU/ml) 343 370 235 ALT （IU/mL）18 22 20 20肌酐（mg/dl）0.71 0.76 0.22淋巴细胞计数（x1000/mm3）1.7 1.7 1.9 1.3白蛋白（mg/dl）4.2 4.2 4.2 0.4
新的物理风格的判别分类器
摘要：物理学的概念和定律一直是工程师克服人类挑战和问题的宝贵灵感来源。分类是此类问题在工程科学各个领域中起主要作用的重要例子。表明，歧视性分类器倾向于优于其生成性对应物，尤其是在有足够标记的训练数据的情况下。在本文中，我们使用最小潜在线提出了一种新的物理启发性分类方法。为此，我们首先考虑两组固定点电荷（作为两类数据）和它们之间的可移动分类器线。然后，由于两组点电荷，我们通过最小化分类器线上的总电位积分来找到分类器线的稳定位置。令人惊讶的是，将显示获得的分类器实际上是基于不确定性的分类器，可最大程度地减少分类器线的总不确定性。实验结果显示了所提出的方法的有效性。
Bionne任务概述在Bioasq 2024
摘要在本文中，我们在Clef 2024介绍了自动幽默分析（Joker）实验室的工作。小丑实验室的目的是研究幽默的自动处理，其中包括诸如检索，分类和解释各种形式的幽默文本等任务。我们的任务涉及将幽默文本分类为不同类型的不同类型，我们采用了两种不同的方法。这些方法涉及BERT（变压器架构）和传统的机器学习模型（例如随机森林分类器）的使用。在这两种模型中，伯特的精度得分较高，为0.6731。从中，我们得出的结论是，伯特在大多数自然语言过程中都更好。我们展示了有关培训数据的实验，并且在即将出版的页面中介绍了所提供的测试数据集的结果。
提高和比较机器学习分类器的性能与元数据的技术来检测代码气味
背景：连续修改，次优的软件设计实践和严格的项目截止日期有助于代码气味的扩散。检测和重构这些代码气味对于维持复杂而必不可少的软件系统至关重要。忽略它们可能会导致未来的软件缺陷，使系统具有挑战性，并最终过时。监督的机器学习技术已成为无需专家知识或固定阈值值的代码气味分类的有价值的工具。可以通过有效的特征选择技术和优化超参数值来实现分类器性能的进一步增强。AIM：通过使用各种类型的元元素算法（包括群体智能，物理学，数学和基于生物的）等各种类型的元元素算法对多种机器学习分类器的性能度量进行改进。将其性能度量进行比较，以在代码气味检测的背景下找到最佳的元元素算法，并根据统计测试评估其影响。方法：本研究采用了十六种当代和鲁棒的元元素算法来优化两种机器学习算法的超参数：支持向量机（SVM）和k -near -tehermest邻居（K -NN）。无免费的午餐定理强调了一个应用程序中优化算法的成功可能不一定扩展到其他应用程序。因此，对这些算法进行了严格的比较分析，以确定最佳的代码气味检测解决方案。75％，100％和98。分别为57％。分别为57％。各种优化算法，包括算术，水母搜索，基于学生心理学，基于学生心理学，正弦余弦，Jaya，Jaya，crow Search，Dragon Fly Fly，Krill Herd，Multi-Forse，共生，花生，花授粉，基于学习的学习，基于学习，牵引力搜索，牵引力搜索和基于生物地理学的优化。结果：在优化的SVM的情况下，获得的最高准确性，AUC和F量值为98。非常明显的是，准确性和AUC的显着提高，达到32。22％和45。分别观察到11％。对于k -nn，最佳准确性，AUC和F量值的值在100％下都是完美的，准确性和ROC -AUC值值得注意的远足，相当于43。89％和40。 分别为83％。 结论：优化的SVM通过正弦余弦优化算法表现出卓越的性能，而K -NN则通过花朵优化算法达到其峰值性能。 统计分析强调了采用荟萃算法来优化机器学习分类器的实质性影响，从而大大提高了其性能。 优化的SVM在检测上帝类方面表现出色，而优化的K -NN在识别数据类方面特别有效。 这个创新89％和40。分别为83％。结论：优化的SVM通过正弦余弦优化算法表现出卓越的性能，而K -NN则通过花朵优化算法达到其峰值性能。统计分析强调了采用荟萃算法来优化机器学习分类器的实质性影响，从而大大提高了其性能。优化的SVM在检测上帝类方面表现出色，而优化的K -NN在识别数据类方面特别有效。这个创新
改进BI-LSTM以获得高精度蛋白序列家族分类器
对于鉴定生物化学过程和活细胞中生物学规范至关重要的主要营养素是蛋白质。蛋白质通常围绕由其家庭类型定义的一个或几个功能。因此，需要识别和分类来根据其结构和家庭分离蛋白质。在这项工作中，我们建立了一个模型来对蛋白质序列的家庭进行分类。我们使用的蛋白质序列数据集由各种生物学意义的大分子组成。分类器是使用BI-LSTM深入学习的。我们通过从结构生物信息学研究合作社的蛋白质数据库中收集数据集，使用令牌化对数据进行预处理，并基于BI-LSTM的深度学习网络对分类器进行建模。由于我们获得了受过训练的模型的最佳准确率，因此我们使用学习曲线，准确率和损失的评估指标来找出模型性能。结果表明，Deep Bi-LSTM具有拟合学习曲线，99％的精度率和0.042损失的出色性能。
一个单级分类器，用于检测GAN操纵多光谱卫星图像
摘要：当前的图像生成模型已经实现了非常现实的图像质量，提供了许多学术和工业应用。但是，为了确保这些模型用于良性目的，必须开发最终检测图像是否已合成生成的工具。因此，已经开发了几个在计算机视觉应用中表现出色的检测器。但是，这些检测器不能直接应用，因为它们是多光谱卫星图像，因此需要对新模型进行训练。虽然两类分类器通常达到高检测精度，但它们努力将图像域和与训练过程中遇到的形象不同的生成体系结构推广。在本文中，我们提出了一个基于量化量化的变异自动编码器2（VQ-VAE 2）功能的单级分类器，以克服两类分类器的局限性。我们首先要突出二进制分类器所面临的概括问题。通过在多个多光谱数据集中训练和测试有效网络架构来证明这一点。然后，我们说明，基于VQ-VAE 2的分类器，该分类器仅在原始图像上进行了培训，可以检测来自不同领域的图像，并由训练过程中未遇到的体系结构生成。最后，我们在同一生成的数据集上的两个分类器之间进行了面对面的比较，强调了基于VQ-VAE 2的检测器的出色概括能力，在使用vQ-ve-vae 2的探测器时，我们在使用蓝色和红色通道的0.05误报率为1时以1.05的误报率进行了检测。
使用级联分类器技术的Facemask检测
传染病的扩散强调了预防措施的重要性，面罩的使用是减轻空中传播的关键策略。在这种情况下，计算机视觉技术的集成提供了一种技术解决方案，用于监视面罩依从性。本摘要提出了一项研究，该研究重点是实施级联分类器技术，以进行自动面罩检测。这项研究的主要目的是评估级联分类器技术在识别戴着戴面膜或不戴上面罩的个体方面的功效。通过利用机器学习算法和对象检测原则，该研究旨在开发一个可靠，高效的系统，用于实时面罩检测。该研究采用了一个数据集，其中包括各种环境中有或没有面罩的各种环境中的不同图像。利用OPENCV库，对级联分类器技术进行了训练，以识别与口罩相关的独特模式。级联框架执行快速和连续过滤的能力被利用以准确检测面孔并评估面具的存在。该研究的结果证明了喀斯喀特分类器技术的成功实施，以实现面罩检测。训练有素的分类器在区分戴面膜和戴面具的个体时表现出值得称赞的精度，精确性和回忆。该系统展示了其在实时场景中运行的能力，从而有助于对公共空间的有效监视。