XiaoMi-AI文件搜索系统
World File Search SystemDeniz
DenizLeasing 从 EFSE 和 GGF 获得 2000 万欧元融资...
能源项目。Deniz Leasing 总经理 Burak Koçak 表示：“作为 DenizLeasing，我们认为参与可再生能源融资是我们的使命，这是我们对子孙后代的责任，因为气候变化、人口增长和资源稀缺。目前，可再生能源项目（主要是太阳能和工业-商业屋顶 SPP 项目）在我们的资产负债表中占 13%。我们的目标是在未来几年将这一比例提高到 20%。基于这种理解，我们集中精力确保为相关领域获得长期且具有成本效益的资金。我们将转借 GGF 的 1000 万欧元贷款，以资助提高能源效率的项目。另一方面，我们还专注于为中小企业融资，这使我们的经济保持稳定，并支持我国的农业生产活动。通过与农业设备生产商和供应商的密切合作，2024 年，我们 7% 的交易量来自农业；目前，智能温室、现代化挤奶设施、联合收割机投资、收割、打包和青贮机正在引领潮流，这些将在农业机械化和数字化以及提高效率方面发挥重要作用。我们将将从 GGF 获得的 1000 万欧元贷款转借给中小企业，以确保中小企业获得所需的资源以及农业。在未来的日子里，我们将继续努力，以确保生产者和中小企业发展业务，同时支持绿色转型。”
denizbank开始用...
denizbank首席执行官哈坎·阿特（HakanAteş）用以下一句话反映了他对这个主题的看法：“我们很荣幸成为türkiye的第一家银行，以“产生您消耗的能量”的概念来实施自我消耗的SPP项目。我们有责任今天的一代和后代提供能源效率并创建一个面向储蓄的生态系统，从而增加了我们对环境的支持。基于这种理念，我们委托了四个太阳能发电厂项目，总容量为26.47 MWP。随着这些属于这些属于的可再生能源，我们将减少我们的企业碳足迹，这将使我们更加接近银行的环境可持续性目标，同时，我们将为降低成本和降低与国家能源政策一致的外国依赖性做出贡献。
oya deniz声明
优化稀疏多模式数据向量的集成：一种算法方法，用于最大程度地利用医学现实世界数据的可用性来基于AI的决策。（Julia Gehrmann;主管：Oya Deniz Beyan博士教授，共同裁员：Tatiana von Landesberger教授）（Math.-Nat。计算机科学系教师）
评论文章 现代计算机断层扫描与人工智能和深度学习应用 Coşkun Deniz
X 射线计算机断层扫描 (CT) 旨在通过使用定向 X 射线穿过人体内部切片来生成二维质量密度 (或 X 射线衰减系数) 图，从而从这些切片的 2D 图集合中构建 3D CT 图像。由于 CT 扫描为我们提供了身体内部结构，没有任何切割或物理损伤，因此它在我们的现代医疗应用中是不可或缺的。然而，由于 X 射线涉及电离辐射，它对生物体是危险的，它在医疗应用中带来了 ALARA（尽可能低）原则，强调尽可能高质量 CT 图像（具有尽可能高的分辨率），尽可能少地使用被扫描身体的 X 射线曝光。这项具有挑战性的任务以及对这些 CT 图像的正确解释，以得出正确的诊断和治疗计划，在 X 射线 CT 扫描的发展过程中，设计了各种扇形几何形状、扫描样式和先进的图像重建技术。我们可以看到，自 20 世纪 70 年代初首次发现以来，X 射线 CT 扫描已经发生了巨大的变化，并且随着人工智能 (AI) 和深度学习 (DL) 在我们现代 CT 中的应用，这种变化仍在继续，并取得了令人鼓舞的成功成果。在这项工作中，我们介绍了现代 X 射线 CT 的教学研究，并回顾了有关 i 扫描几何、ii 重建技术和 iii-AI&DL 应用的相关文献，希望能够为该领域的学者和研究人员提供快速参考。
现代海战的新范式：A2/Ad 方法
纵观海战历史，对手都采取措施阻止对方在战场上自由机动。过去封锁通道的尝试既是为了保护友军，也是为了防止敌人在战场上获得有利位置。如今，凭借其全球权力转移能力，美国海军已变得依赖于安全部署到冲突地区来维持空中、太空和海上优势。然而，中国、俄罗斯甚至伊朗已经成为具有强大反介入和排除（A2/AD）能力的地区大国，旨在破坏美国向波罗的海、黑海、波斯湾和西太平洋的力量投射。本文旨在揭示针对美国在世界权力转移能力而提出的反介入/区域拒止概念的内容，并通过其历史背景和现实实例进行分析。
EEG-GAT：用于脑电图 (EEG) 信号分类的图形注意力网络 /作者=Demir, Andac；Koike-Akino, Toshiaki；Wang, Ye；Erdogmus, Deniz /创建日期=2022 年 9 月 17 日 /主题=人工智能、机器学习、机器人技术、信号处理
摘要 图神经网络 (GNN) 是深度学习社区中一个新兴的框架。在大多数 GNN 应用中，数据样本的图拓扑结构在数据集中提供。具体而言，图移位算子 (GSO) 是先验已知的，它可以是邻接、图拉普拉斯或它们的规范化。然而，我们通常不了解现实世界数据集背后的真实图拓扑结构。其中一个例子是从生理脑电图 (EEG) 中提取主体不变特征来预测认知任务。以前的方法使用电极位点来表示图中的节点并以各种方式连接它们来手工设计 GSO，例如，i) 每对电极位点连接以形成完整图，ii) 特定数量的电极位点连接以形成 k 最近邻图，iii) 仅当欧几里得距离在启发式阈值内时，每对电极位点才连接。在本文中，我们通过使用多头注意机制对 GSO 进行参数化来克服这一限制，以探索不同电极位置之间在认知任务下的功能性神经连接，同时结合图卷积核的参数学习无监督图拓扑结构
通过对抗性推理从 EEG 中学习不变表征 /作者=Ozdenizci, Ozan；Wang, Ye；Koike-Akino, Toshiaki；Erdogmus, Deniz /创建日期=2020 年 4 月 18 日 /主题=人工智能、机器学习
摘要 在基于脑电图 (EEG) 的分类任务中发现和利用共享的、不变的神经活动对于跨受试者或 EEG 记录会话的解码模型的通用性具有重要意义。虽然深度神经网络最近成为通用的 EEG 特征提取器，但这种迁移学习方面通常依赖于先前的假设，即深度网络自然表现为受试者（或会话）不变的 EEG 特征提取器。我们建议在模型训练期间以系统的方式进一步实现 EEG 深度学习框架的不变性。我们引入了一种对抗性推理方法来学习在判别设置内对受试者间变异不变的表示。我们使用公开的运动想象 EEG 数据集和基于卷积神经网络的 EEG 解码模型在提出的对抗性学习框架内进行实验研究。我们展示了跨学科模型转移场景中的结果，展示了学习网络的神经生理学解释，并讨论了对抗性推理为不断发展的 EEG 深度学习领域提供的潜在见解。