XiaoMi-AI文件搜索系统
World File Search SystemClassifier
使用 DEAP 进行 SVM 分类器特征提取的 DWT 与 PSD 性能比较
信号由在不同情况下组合的多个频率组成。离散小波变换 (DWT) 用于使用一系列高通/低通滤波器将信号分解为不同的频带。或者，使用功率谱密度 (PSD) 来获取频谱以及每个频率的功率分布。统计特征来自 DWT 和 PSD。然后，PCA 用于降维，并且在 SVM 分类器的情况下仅将得到的数据用于情绪分类，因为我们需要尽可能多的数据来进行深度学习。所有这些都是为了从分类器中提取最大性能并最小化所需的计算资源，然后将信号分解为组成频率并得出表征整个信号的相关统计特征。
机器学习分类器在前颅底病变鉴别中的应用
前颅底有多种病变。该区域最常见的肿瘤类型是垂体腺瘤、颅咽管瘤和脑膜瘤（1、2）。Rathke 裂囊肿也是与先天性鞍区肿块鉴别诊断的常见方法（3）。早期诊断该区域病变的重要性已得到强调，因为即使是这些良性病变，如果位于无法控制生长的区域，也可能呈进行性、持续性发展，有些病变还可能表现出侵袭性（4）。磁共振（MR）扫描具有良好的软组织分辨率，因此被强烈推荐用于前颅底病变的术前评估。磁共振成像（MRI）对这四种类型病变的描述具有特征性（5）。然而，MRI 图像的诊断准确性取决于放射科医生的经验，在某些情况下，具有相似 MRI 模式的病变可能彼此相似并使放射学诊断复杂化（6，7）。因此，有助于术前鉴别的新方法可能具有临床价值。放射组学可以从医学图像中提取高维特征，提供与病变病理生理相关的信息，而这些信息难以通过肉眼检查获得（8-10）。此外，可以利用新型机器学习技术分析病变的可挖掘放射组学特征，该技术在生物医学领域显示出良好的应用前景（11）。基于放射组学的机器学习已在先前的研究中应用于各种脑肿瘤的鉴别诊断，代表着在临床实践中应用于促进诊断和指导决策的潜力（12-16）。本研究评估了机器学习技术结合MRI影像组学特征和临床参数对前颅底四种常见病变的鉴别诊断能力。根据病变的流行病学和部位，将鉴别诊断分为三组：垂体腺瘤与颅咽管瘤（鞍区/鞍上区最常见的肿瘤）、脑膜瘤与颅咽管瘤（鞍旁区最常见的肿瘤）以及垂体腺瘤与Rathke裂囊肿（鞍内区最常见的病变）。
聚合学习：一种学习神经网络分类器的矢量量化方法
我们更进一步考虑学习神经网络分类的问题。在信息瓶颈 (IB) 原则下，我们将这个分类问题与表示学习问题联系起来，我们称之为“IB 学习”。我们表明，IB 学习实际上等同于量化问题的一个特殊类别。率失真理论的经典结果表明，IB 学习可以受益于“矢量量化”方法，即同时学习多个输入对象的表示。这种方法辅以一些变分技术，产生了一种用于使用神经网络模型进行分类的新颖学习框架“聚合学习”。在这个框架中，多个对象由单个神经网络联合分类。通过在标准图像识别和文本分类任务上的大量实验验证了该框架的有效性。
TarDict：基于 RandomForestClassifier 的软件预测药物-目标相互作用
根据已确定药物的数据预测未知或/和正在研究的药物的靶标不仅对于理解各种药物和分子相互作用过程非常重要，而且对于开发新药也非常重要。这里我们介绍 TarDict，一种基于 RandomForestClassifier 的软件，它基于化学物质的 SMILES 预测靶标通路或蛋白质。TarDict 接收 SMILES 并返回可能类似药物的列表，然后向用户导出药物所起作用的靶标列表。20442 个条目的训练数据集和测试显示准确率为 %95。
受量子理论启发的二元分类器
ml是一组模型，可以自动识别数据中的隐藏模式，然后可以利用隐藏的图案在不确定性条件下做出决策。mL已在包括化学，生物医学科学和机器人技术在内的多个领域逐步实施。ml分为三类，即监督学习（例如分类），无监督的学习（例如聚类）和增强学习。在本文中，我们专注于分类，这是将对象表示和分配到不同cate-gories的方式。QT是表示微观现象的特性和预测特性的概率方法。给出了微观粒子的可使用和任意状态，QT计算了可使用的值的概率分布。量子形式主义是可以明确接受的，可以解释不同类型的随机过程。已经出现了量子形式主义的几种非标准实施。例如，量子形式主义也被广泛用于经济过程，游戏理论和认知科学。由于数据呈指数增长，因此当前的ART模型仍然无效。尤其是，召回仍然不令人满意，因为大多数分类模型旨在最大化精度，尤其是当可以通过一定的级别成员资格来对班级的项目进行排名时；一个明显的例子是搜索互联网。相反，
探索神经网络：分类器和生成模型
为了培训分类器，我们首先查找了一些成功的分类器实现，例如Alexnet（旧），Inception-V1，V2，V2，V3，V4，V4（Google Net），残留网络，Inception-Resnet v1，v2，v2。试图实现这些模型，我们很快意识到它们对于我们的情况来说太复杂了，因为它们大多数是为Imagenet数据集设计的，该数据集的像素维度比我们的32x32图像大得多。因此，这个想法是遵循这些方法的结构，但将其优化到CIFAR数据集。首先，我们没有设法按照状态方法来制定有效和准确的模型，因为它们的精度非常缓慢，几乎没有达到40％。实际上，我们仅使用几个卷积层，合并层，批归归式化和恢复就可以更快，更准确。也就是说，使用这种简单的方法（类似于Alexnet），我们仅在几分钟内就达到了40％左右（时期= 10）。另一方面，为了避免消失的梯度问题，并能够进一步扩展我们的网络（更深入地），我们选择实施与所研究论文中的网络型模型相比，它的不同。这个想法是在块和块残差块中施加2-2卷积层，并重复每个块3次，以将它们求和以前的结果。块后，我们应用了一个还原模块，以使用步幅= 2降低图像的大小，并增加（翻倍）特征图的数量，然后再次将其添加到块的序列中。有关视觉表示，请参见图1。请注意，由于图像的大小已经相对较小（32x32），因此在模型的茎部分进行任何形式的还原/池很难，因为它很容易导致边缘损失。因此，在茎部分（在残留块之前），我们仅在原始图像上应用1 x 1卷积以生成相同大小的特征图。在第二个残留块的末尾应用一个最大池层层，以进一步降低图像的空间尺寸，然后再应用最终完全连接的层。
分类器传输与在线数据选择策略...
摘要。目标：分类器传输通常伴随着数据集偏移。为了克服数据集偏移，必须应用在线策略。对于实际应用，必须考虑批量学习算法（如支持向量机 (SVM)）的计算资源限制。方法：我们回顾并比较了几种使用 SVM 进行在线学习的策略。我们专注于通过不同的包含、排除和进一步的数据集操作标准来限制存储训练数据大小的数据选择策略。首先，我们对具有不同数据偏移的几个合成数据集上的策略进行了比较。其次，我们分析了使用 EEG 数据的不同传输设置的方法。在处理现实世界数据时，类别不平衡经常发生，例如在奇怪的实验中。这也可能是由数据选择策略本身造成的。我们通过评估两个新的平衡标准来分析这种影响。主要结果：对于不同的数据偏移，不同的标准是合适的。对于合成数据，将所有样本添加到考虑样本池中的表现通常比其他标准差得多。特别是，只添加错误分类的样本表现惊人地好。在这里，当其他标准选择不当时，平衡标准非常重要。对于传输设置，结果表明最佳策略取决于传输期间漂移的强度。添加所有样本并删除最旧的样本可获得最佳性能，而对于较小的漂移，仅添加潜在的 SVM 新支持向量就足够了，从而减少处理资源。意义：对于基于脑电图 (EEG) 模型的脑机接口，使用来自校准会话、先前记录会话甚至来自一个或多个其他受试者的记录会话的数据进行训练。学习模型的这种转移通常会降低性能，因此可以从在线学习中受益，在线学习可以像已建立的 SVM 一样调整分类器。我们表明，通过使用正确的数据选择标准组合，可以调整分类器并大大提高性能。此外，在某些情况下，可以通过使用特殊样本子集进行更新并保留一小部分样本来训练分类器，从而加快处理速度并节省计算量。
至：CNFJ HRO 分类器主题
PD 封面是否正确填写？___ 是的。所有项目均已填写并签名。这是主管职位还是领班职位？___ 是的。PD 封面，第 6 项已填写。___ 否。这是一个非主管/非领班职位。是否附有简要的 PM 报告？___ 是的。附有 PM 报告。是否附有组织结构图？___ 是的。附有经批准的当前和/或新组织结构图。是否附有职能说明？___ 是的。附有适当的功能说明。附有任务列表吗？___ 是。不超过 1 页。___ 否。确定适用的 MLC/IHA JD。所有任务都超过 10%？___ 是。所有任务都分组为总计 10% 或更多。所有任务都包含百分比？___ 是。百分比分配为总计 100%。是否使用主动动词？___ 是。使用主动动词描述任务。您是否想同时建立实习生 PD？___ 是。实习生 PD 已加入。___ 否。实习生 PD 不是必需的。组织中是否有其他职位受此职位影响？