XiaoMi-AI文件搜索系统
World File Search SystemClassifier
比较 SVM 和朴素贝叶斯分类器对假新闻的识别...
可以帮助创建系统来学习和执行多种操作 (Ahmed 等人，2021)。通常，机器学习用于各种预测或检测欺诈。机器学习算法用于变化，必须使用数据集进行训练。训练结果的模型可用于对假新闻进行分类或检测。为了检测假新闻，一些研究人员创建了算法或系统，根据新闻文章、博客和社交媒体中包含的内容、文本和语言风格来检测假新闻。根据作者或作者使用语言的方式识别和分类假新闻。 (Torabi Asr & Taboada, 2019) 发现假新闻经常使用与丑闻、死亡和恐怖有关的词语。此外，误导性新闻中的许多语言风格都是故意夸大或过于戏剧化的，第二人称代词的使用与假新闻直接相关 (Hancock 等人，2007；Rashkin 等人，2017)。利用AI技术克服虚假新闻的频繁和快速出现。
连续变量量子 MNIST 分类器
本文利用 MNIST 数据集提出了经典和连续变量 (CV) 量子神经网络混合多分类器。当前可用的分类器最多只能分类两类。所提出的架构允许网络对最多 nm 个类进行分类，其中 n 表示截止维数，m 表示光子量子计算机上的量子模式数。CV 模型中截止维数和概率测量方法的结合使量子电路能够产生大小为 nm 的输出向量。然后将它们解释为独热编码标签，并用 nm −10 个零填充。基于“连续变量量子神经网络” [1] 中提出的二元分类器架构，在光子量子计算模拟器上使用 2、3、...、6 和 8 量子模式构建了总共七个不同的分类器。它们由经典前馈神经网络、量子数据编码电路和 CV 量子神经网络电路组成。在包含 600 个样本的截断 MNIST 数据集上，4 曲模式混合分类器实现了 100% 的训练准确率。
QUILT：使用多种量子分类器集合在量子计算机上进行有效的多类分类
介绍问题动机。量子算法已经在化学、密码学、机器学习和优化领域得到了发展（Lu 等人 2019 年；Shor 1999 年；Tiwari 和 Melucci 2019 年；Khairy 等人 2020 年）。一类称为量子变分算法的算法被设计用于优化和执行量子机器学习和分类工作负载（Benedetti 等人 2019 年）。虽然理论上很有希望，但现有的量子机器学习分类器是为未来大规模理想量子系统设计的。这是因为由于严重的硬件错误，在现有的近期中型量子 (NISQ) 计算机上加载数据、训练和测试样本具有挑战性（Schuld 和 Killoran 2019a；Jurcevic 等人 2021 年；Preskill 2018 年）。因此，现有的量子分类器已被证明仅对相对简单的二元分类任务有效（Schuld、Fingerhuth 和 Petruccione 2017；Grant 等人 2018）。正如我们的评估所证实的，现有的最先进方法对于多类分类无效（例如，八类图像分类的准确率不到 30%）。目前，缺乏在真实量子机器上执行多类分类任务的能力以供探索和改进。贡献。Quilt 通过向社区开源其框架和数据集，以便在 NISQ 量子机器上进行多类分类，专门弥补了这一空白。Quilt 做出了以下主要贡献：（1）Quilt 背后的一个关键思想是构建一组量子分类器来执行多类分类。
QUILT：使用多种量子分类器集合在量子计算机上进行有效的多类分类
介绍问题动机。量子算法已经在化学、密码学、机器学习和优化领域得到了发展（Lu 等人 2019 年；Shor 1999 年；Tiwari 和 Melucci 2019 年；Khairy 等人 2020 年）。一类称为量子变分算法的算法被设计用于优化和执行量子机器学习和分类工作负载（Benedetti 等人 2019 年）。虽然理论上很有希望，但现有的量子机器学习分类器是为未来大规模理想量子系统设计的。这是因为由于严重的硬件错误，在现有的近期中型量子 (NISQ) 计算机上加载数据、训练和测试样本具有挑战性（Schuld 和 Killoran 2019a；Jurcevic 等人 2021 年；Preskill 2018 年）。因此，现有的量子分类器已被证明仅对相对简单的二元分类任务有效（Schuld、Fingerhuth 和 Petruccione 2017；Grant 等人 2018）。正如我们的评估所证实的，现有的最先进方法对于多类分类无效（例如，八类图像分类的准确率不到 30%）。目前，缺乏在真实量子机器上执行多类分类任务的能力以供探索和改进。贡献。Quilt 通过向社区开源其框架和数据集，以便在 NISQ 量子机器上进行多类分类，专门弥补了这一空白。Quilt 做出了以下主要贡献：（1）Quilt 背后的一个关键思想是构建一组量子分类器来执行多类分类。
研究论文：使用集成迁移学习和量子变分分类器进行脑肿瘤检测的新模型
如果没有正确诊断，脑肿瘤是一种细胞异常增大。早期发现脑肿瘤对于临床实践和生存率至关重要。脑肿瘤有各种形状、大小和特征，治疗方法也各不相同。人工检测肿瘤既困难又耗时，而且容易出错。因此，对计算机诊断系统的需求很大，可以准确检测脑肿瘤。在本研究中，从 inceptionv3 模型中提取深度特征，其中得分向量从 softmax 获取并提供给量子变分分类器 (QVR)，以区分神经胶质瘤、脑膜瘤、无肿瘤和垂体瘤。分类后的肿瘤图像已传递到所提出的 Seg 网络，在该网络中对实际感染区域进行分割以分析肿瘤严重程度。已在三个基准数据集（例如 Kaggle、2020-BRATS 和本地收集的图像）上评估了所报告研究的结果。该模型实现了超过 90% 的检测分数，证明了所提出模型的有效性。
一种受大脑启发的低维计算分类器，用于微型设备推理
通过模仿类似大脑的认知并利用并行性，超维计算 (HDC) 分类器已成为实现高效设备推理的轻量级框架。尽管如此，它们有两个根本缺点——启发式训练过程和超高维度——导致推理精度不理想且模型尺寸过大，超出了资源受限严格的微型设备的能力。在本文中，我们解决了这些根本缺点并提出了一种低维计算 (LDC) 替代方案。具体而言，通过将我们的 LDC 分类器映射到等效神经网络，我们使用原则性训练方法优化我们的模型。最重要的是，我们可以提高推理精度，同时成功地将现有 HDC 模型的超高维度降低几个数量级（例如 8000 对 4/64）。我们通过考虑不同的数据集在微型设备上进行推理来进行实验以评估我们的 LDC 分类器，并且在 FPGA 平台上实现不同的模型以进行加速。结果表明，我们的 LDC 分类器比现有的受大脑启发的 HDC 模型具有压倒性优势，特别适合在微型设备上进行推理。
一种受大脑启发的低维计算分类器，用于微型设备推理
通过模仿类似大脑的认知并利用并行性，超维计算 (HDC) 分类器已成为实现高效设备推理的轻量级框架。尽管如此，它们有两个根本缺点——启发式训练过程和超高维度——导致推理精度不理想且模型尺寸过大，超出了资源受限严格的微型设备的能力。在本文中，我们解决了这些根本缺点并提出了一种低维计算 (LDC) 替代方案。具体而言，通过将我们的 LDC 分类器映射到等效神经网络，我们使用原则性训练方法优化我们的模型。最重要的是，我们可以提高推理精度，同时成功地将现有 HDC 模型的超高维度降低几个数量级（例如 8000 对 4/64）。我们通过考虑不同的数据集在微型设备上进行推理来进行实验以评估我们的 LDC 分类器，并且在 FPGA 平台上实现不同的模型以进行加速。结果表明，我们的 LDC 分类器比现有的受大脑启发的 HDC 模型具有压倒性优势，特别适合在微型设备上进行推理。
用于检测物理的机器学习分类器...
简介：基于加速度计的体育活动类型的测量通常用于替代自我报告。为了推进领域，希望这样的测量可以准确检测关键的日常体育活动类型。这项研究旨在评估机器学习分类器的性能，用于根据双重与单个加速度计的设置在自由生活中检测坐，站立，撒谎，步行，跑步和骑自行车。方法：22名成年人（平均年龄[SD，范围] 38.7 [14.4，25 - 68年）穿着两个轴性AXTIVITY AXTIVE AXTIVE AXTIVE AX3加速度仪位于低背部和大腿上，以及位于胸部上的GOPRO相机，在自由生活中记录下身体运动。使用标记的视频用作地面真理，用于训练使用1、3和5 s的窗口长度训练极端梯度的分类器。使用剩余的交叉验证评估分类器的性能。结果：总记录时间约为38小时。基于5-S窗口，双加速度计设置的总体精度分别为96％，单个大腿和后加速度计的设置分别为93％和84％。单个加速度计设置的精度降低是由于基于大腿加速度计记录（77％）的检测精度较差，并且基于后加速度计记录（64％）。结论：使用极端梯度提升分类器，可以根据双加速度计记录在自由生活中准确检测到关键的每日体育活动类型。当预测基于单个大腿加速度计的记录时，总体准确性会略有下降，但检测说谎很差。
使用朴素贝叶斯分类器对 FASD 儿童脑电信号进行分析的初步研究
1 圣路易斯儿童医院，31-503 克拉科夫，波兰；katarzyna.dylag@dzieciecyszpital.pl (KAD)；krasnoludki11a@poczta.onet.pl (BB) 2 克拉科夫雅盖隆大学医学院病理生理学系，31-121 克拉科夫，波兰 3 克拉科夫雅盖隆大学医学院生物信息学和远程医疗系，30-688 克拉科夫，波兰；wiktoria.wieczorek@student.uj.edu.pl (WW)； piotr.walecki@uj.edu.pl（PW）4 AGH 科技大学自动控制与机器人系，30-059 克拉科夫，波兰 5 VSB 俄斯特拉发技术大学控制论与生物医学工程系，708 00 俄斯特拉发-波鲁巴，捷克共和国；radek.martinek@vsb.cz 6 奥波莱理工大学电气工程学院，45-758 奥波莱，波兰* 通信地址：bauer@agh.edu.pl（WB）；kawala84@gmail.com（AK-S.）† 这些作者对本文的贡献相同。
裂缝实验中用于表面裂纹检测的机器学习分类器
在进行机械实验时，正确确定断裂的发作至关重要。通常是通过视觉检查进行的，这里提出了一种基于图像的机器学习方法来对破裂和未裂缝的标本进行分类。它产生了客观化和自动化裂纹检测的潜力，从而消除了实验后处理中的不确定性和错误来源。评估了从77个实验获得的三个试样几何形状的30'000以上斑点图案。它们包括单轴张力，缺口张力以及轴对称V弯曲实验。统计纹理特征是从所有图像中提取的。它们包括第一阶（方差，偏度，峰度）和高阶统计纹理特征，即Haralick功能。根据Fisher的判别比率评估纹理信息的歧视能力，并确定并量化特征相关性。高歧视能力的图像纹理特征子集用于解析从简单的ceptron到feed-fordward和cascade神经网络的不同复杂性的神经网络体系结构。发现，对于所有实验，研究的纹理特征的一小部分是高度重要的。获得了多层，非线性和低复杂性馈送网络体系结构的分类精度，以99％的顺序使用。同时，即使使用了高歧视性功能特征，也表明线性分类器不足以鲁棒区分样品的状态。图形摘要：