XiaoMi-AI文件搜索系统
World File Search SystemDetect
预测分析可早期检测糖尿病风险
这项研究介绍了一个先进的预测分析框架，用于早期发现糖尿病风险，旨在通过整合复杂的机器学习算法来增强主动的健康监测。该模型经过精心训练，以各种患者的健康指标，包括人口统计和临床变量，例如年龄，体重指数，血压和葡萄糖水平。通过确定数据中的微妙模式和相关性，该模型促进了对患有糖尿病高风险的个体的早期识别。这种早期检测能力可以及时进行临床干预，有可能减轻疾病的进展并优化患者管理策略。该研究强调了该模型的鲁棒性和可扩展性，突出了其在临床环境中部署的重要潜力，这是预防医疗基础设施的关键组成部分。
网络弹性成熟度5：增强检测
●妥协的早期检测：在备份和生产环境中检测可疑活动的复杂监控工具，包括未经授权的更改或数据加密。●主动威胁狩猎：使用备份和其他安全数据连续搜索妥协指标（IOC），甚至在完全识别事件之前。●最小化停留时间：通过尽早发现威胁，您的团队可以更快地做出响应，减少时间攻击者必须在系统中徘徊并限制攻击的影响。●跨环境的集成威胁检测：监视和警报系统已集成，以确保立即标记生产或备份系统中违规的任何迹象，从而可以快速措施包含攻击。
文本到图像生成模型中的开放式偏差检测
文本到图像生成模型正变得越来越流行，公众可以访问。由于这些模型看到大规模的部署，因此有必要深入研究其安全性和公平性，以免消散和永久存在任何形式的偏见。然而，存在的工作重点是检测封闭的偏见集，定义了先验的偏见，将研究限制为众所周知的概念。在本文中，我们解决了出现OpenBias的文本到图像生成模型中开放式偏见检测的挑战，该模型是一条新管道，该管道可识别和量化双质量的严重性，而无需访问任何预编译的集合。OpenBias有三个阶段。在第一阶段，我们利用大型语言模型（LLM）提出偏见，给定一组字幕。其次，目标生成模型使用相同的字幕绘制图像。最后，一个视觉问题回答模型认识到了先前提出的偏见的存在和范围。我们研究了稳定扩散1.5、2和XL强调新偏见的稳定扩散，从未研究过。通过定量实验，我们证明了OpenBias与当前的封闭式偏见检测方法和人类判断一致。
聚焦 LRP：用于人脸变形攻击检测的可解释 AI
近年来，检测变形人脸图像的任务变得非常重要，以确保基于人脸图像的自动验证系统（例如自动边境控制门）的安全性。基于深度神经网络 (DNN) 的检测方法已被证明非常适合此目的。然而，它们在决策过程中并不透明，而且不清楚它们如何区分真实人脸图像和变形人脸图像。这对于旨在协助人类操作员的系统尤其重要，因为人类操作员应该能够理解其中的推理。在本文中，我们解决了这个问题，并提出了聚焦分层相关性传播 (FLRP)。该框架在精确的像素级别向人类检查员解释深度神经网络使用哪些图像区域来区分真实人脸图像和变形人脸图像。此外，我们提出了另一个框架来客观地分析我们方法的质量，并将 FLRP 与其他 DNN 可解释性方法进行比较。该评估框架基于移除检测到的伪影并分析这些变化对 DNN 决策的影响。特别是，如果 DNN 的决策不确定甚至不正确，与其他方法相比，FLRP 在突出显示可见伪影方面表现得更好。
CopyLeaks AI 检测.docx
如果学生提交的内容包含 AI 生成的内容，评分员将在右上角的整体相似度得分下方看到一条警报。点击“查看警报”将显示警报类型，点击“预览”将以红色下划线显示疑似为 AI 内容的文本部分
表演者：一种新型的PPG至ECG重建变压器，用于心血管疾病检测的数字生物标志物
心电图（ECG）是一种捕获心脏活动的电测量，是诊断心血管疾病（CVD）的金标准。但是，由于ECG需要使用用户参与，因此不可避免地进行心脏监测。相比之下，光电学（PPG）提供了易于收集的数据，但其精度有限限制了其临床用法。为了确定这两个信号的优势，最近的研究不适合将PPG信号重新构成到ECG的各种深度学习技术；但是，缺乏文本信息以及降低噪声生物医学信号的能力最终会限制模型的影响。在这项研究中，我们提出了一种基于变压器的新型体系结构，可从PPG重建ECG，并将PPG和重建的ECG与CVD检测的多种方式相结合。此方法是第一次在生物医学波形重构上进行了变压器序列到序列转换，并结合了PPG和ECG的优势。我们还创建了基于斑块的注意（SPA），这是一种效率方法，用于编码/解码生物医学波形。通过获取各种序列长度并捕获交叉点连接，SPA最大程度地提高了本地特征和全局上下文反复的信号操作。所提出的体系结构在BIDMC数据库上生成了0.29 RMSE的状态性能，以重新构建PPG到ECG，超过了先前的研究。我们还在模拟III数据集上评估了该模型，在CVD检测中达到了95.9％的精度，并在PPG-BP数据集中评估了该模型，在相关的CVD糖尿病检测中达到了75.9％的精度，表明其一般能力。作为一种概念证明，一种名为Pearl（原型）的耳环可穿戴式可穿戴，旨在扩大护理点（POC）医疗保健系统。
移动机器人障碍物检测和避免NAV ...
摘要 - 智能机器人技术在维护，维修和大修（MRO）机库操作方面具有重要意义，其中移动机器人可以在其中导航复杂而动态的环境，以进行飞机视觉检查。飞机机库通常忙碌而变化，形状和尺寸各不相同，呈现出严格的障碍物和条件，可能导致潜在的碰撞和安全危害。这使得障碍物检测和避免对安全有效的机器人导航任务至关重要。常规方法已在计算问题上应用，而基于学习的方法的检测准确性受到限制。本文提出了一个基于视觉的导航模型，该模型将预训练的Yolov5对象检测模型集成到机器人操作系统（ROS）导航堆栈中，以优化复杂环境中的障碍物检测和避免。该实验在ROS-Gazebo模拟和Turtlebot3 Waffle-Pi机器人平台中进行了验证和评估。结果表明，机器人可以越来越多地检测并避免障碍物，而无需碰撞，同时通过不同的检查点导航到目标位置。关键字 - 自主导航，对象检测，避免障碍物，移动机器人，深度学习
心律不齐检测的机器学习技术的比较分析
摘要：心血管心律失常确实是全球最普遍的心脏问题之一。在本文中，主要目标是开发和评估自动分类系统。该系统采用了电解图（ECG）数据的全面数据库，特别着重于改善少数心律失常类别的检测。在这项研究中，重点是在心律不齐检测的背景下研究三种不同监督机器学习模型的性能。这些模型包括支持向量机（SVM），逻辑回归（LR）和随机森林（RF）。使用真正的患者心电图（ECG）记录进行了分析，这在临床环境中是一种更现实的情况，在临床环境中，ECG数据来自各种患者。该研究根据四个重要指标评估了模型的性能：准确性，精度，召回和F1得分。彻底实验后，结果强调，随机森林（RF）分类器在实验中使用的所有指标中的其他方法都优于其他方法。该分类器的精度令人印象深刻，表明它在准确检测不同患者收集的各种心电图信号中的心律不齐方面有效。
迈向自动动力电池检测：新挑战基准数据集和基线
我们对一项名为动力电池检测（PBD）的新任务进行了全面的研究，该任务旨在从 X 射线图像中定位密集的阴极和阳极板端点，以评估动力电池的质量。现有制造商通常依靠人眼观察来完成 PBD，这使得很难平衡检测的准确性和效率。为了解决这个问题并让更多人关注这个有意义的任务，我们首先精心收集了一个称为 X 射线 PBD 的数据集，该数据集包含从 5 家制造商的数千个动力电池中选择的 1,500 张不同的 X 射线图像，具有 7 种不同的视觉干扰。然后，我们提出了一种基于分割的新型 PBD 解决方案，称为多维协作网络（MDCNet）。借助线和计数预测器，可以在语义和细节方面改进点分割分支的表示。此外，我们设计了一种有效的距离自适应掩模生成策略，可以缓解由板分布密度不一致引起的视觉挑战，从而为 MDCNet 提供稳定的监督。无需任何花哨的修饰，我们基于分割的 MDCNet 始终优于其他各种角点检测、人群计数和基于一般/微小物体检测的解决方案，使其成为有助于促进 PBD 未来研究的强大基础。最后，我们分享了一些潜在的困难和未来研究的工作。源代码和数据集将在 X-ray PBD 上公开提供。
使用TF-IDF技术在阿拉伯社交媒体中进行进攻性语言检测
摘要。我们的生活现在围绕社会交流，并且由于阿拉伯文本非常复杂并且包含了许多方言，因此在阿拉伯社交媒体上很难识别出令人反感的语言。本文研究了机器学习模型的实施。使用了选择的分类器，包括决策树，支持向量机，随机森林和逻辑回归。在实验中使用了包含4505个推文的“ ARCYBC”数据集，以评估机器学习模型的性能。根据实验的结果，使用更多运行可以增强机器学习模型的性能，尤其是在精度和召回率方面。随着更多的运行，决策树（DT）和随机森林（RF）分类器显示出更好的回忆和精度，但是DT分类器显示出更好的精度。