XiaoMi-AI文件搜索系统
World File Search SystemDetection
深度绘制无监督异常检测
X射线照相成像方案集中在特定的身体区域上，因此产生了相似性的图像并产生跨染料的复发性解剖结构。为了利用这些结构化信息，我们建议使用空间感知的记忆队列在射线照相图像（缩写为squid）中进行镶嵌和检测异常。我们表明，鱿鱼可以将无网状的解剖结构分类为复发模式。在推论中，它可以识别图像中的异常（未见/修改模式）。squid在无监督的异常检测中超过了13种最先进的方法，在两个胸部X射线基准数据集中至少在曲线下测量的两个胸部X射线基准数据集（AUC）。此外，我们还制定了一个新的数据集（数字解剖），该数据集综合了胸部解剖结构的空间相关性和一致的形状。我们希望数字解剖学能够促使异常检测方法的开发，评估和解释性。
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。
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。
基于人工智能的 COVID-19 检测药物发现技术 ■ 120
药物发现是寻找治疗新疾病的药物的过程。它涉及靶标识别、靶标验证、先导化合物识别和先导化合物优化。识别对疾病有特定功能的蛋白质称为靶标识别。根据发明人的思维过程验证靶标称为靶标验证。针对靶标蛋白识别最佳化合物的过程称为先导化合物识别。先导化合物优化是确保化合物具有与药物相关的特性的过程。发明人必须确保所识别化合物的生物利用度、特异性和毒性。用动物测试化合物以检查化合物反应的过程称为临床前测试。图 1 解释了药物发现和开发时间表。
利用生物信号进行焦虑检测的机器学习
摘要：焦虑症 (AD) 是一种主要的精神疾病。然而，由于 AD 的症状和混杂因素很多，很难诊断，患者长期得不到治疗。因此，研究人员对非侵入性生物信号的兴趣日益浓厚，例如脑电图 (EEG)、心电图 (ECG)、皮肤电反应 (EDA) 和呼吸 (RSP)。将机器学习应用于这些信号使临床医生能够识别焦虑模式并区分病人和健康人。此外，已经开发了具有多种不同生物信号的模型，以提高准确性和便利性。本文回顾并总结了 2012 年至 2022 年发表的将不同的机器学习算法应用于各种生物信号的研究。在此过程中，它提供了当前发展优缺点的观点，以指导未来焦虑检测的进步。具体而言，这篇文献综述表明，对于样本量为 10 至 102 名参与者的研究，测量准确度在 55% 至 98% 之间，非常有希望。平均而言，仅使用 EEG 的研究似乎获得了最佳性能，但使用 EDA、RSP 和心率可获得最准确的结果。随机森林和支持向量机被发现是广泛使用的机器学习方法，只要进行了特征选择，它们就会产生良好的结果。神经网络也被广泛使用，并提供良好的准确性，其优点是不需要进行特征选择。这篇综述还评论了模态的有效组合以及检测焦虑的不同模型的成功。
在挑战性的天气条件下可靠的对象检测
对象检测在各种自主系统中至关重要，例如监视，自动驾驶和驾驶员的稳定性，通过识别行人，车辆，交通信号灯和标志来确保安全。然而，诸如雪，雾和雨等不利天气条件构成了挑战，具有检测准确性，冒险发生事故和大坝。这清楚地表明了在所有天气条件下都起作用的强大观察检测解决方案的必要性。我们采用了三种策略来增强不利天气中的基于深度学习的对象检测：对全球全天候图像进行培训，对图像进行培训，并具有合成的增强天气噪声，并将对象的变形与不利天气图像denosistighting进行整合。使用分析方法，GAN网络和样式转移网络产生合成天气噪声。我们使用BDD100K数据集中的真实世界全天候图像和用于评估未见现实世界的不利天气图像的评估，通过训练对象进行分割模型比较了这些策略的性能。通过降级现实世界的不利天气图像以及对物体检测的结果和原始嘈杂图像的结果进行了评估，从而评估了不利天气。我们发现，使用全天候现实世界图像训练的模型表现最佳，而对对象检测进行对象检测的策略则表现最差。
一个航天器数据集用于检测，分割和零件识别
现代生活的几乎所有方面都取决于太空技术。多亏了计算机视频的一般和深度学习技术的巨大进步，几十年来，全世界都见证了将深度学习的发展用于解决太空问题的问题，例如自动驾驶机器人，诸如示踪剂，类似昆虫的机器人，类似昆虫的机器人和SpaceCraft的健康监测。这些只是一些在深度学习的帮助下具有高级空间行业的重要例子。但是，深度学习模型的成功需要大量的培训数据才能具有不错的性能，而另一方面，用于培训深度学习模型的公开空间数据集非常有限。当前没有用于基于太空的对象检测或实例分割的公共数据集，部分原因是手动注释对象分割掩码非常耗时，因为它们需要像素级标签，更不用说从空间获取图像的挑战了。在本文中，我们的目标是通过释放数据集以进行航天器检测，实例分割和零件识别来填补这一差距。这项工作的主要贡献是使用太空设置和卫星的图像开发数据集，并具有丰富的注释，包括绑定的航天器和口罩的框架盒对物体部分的水平，这些盒子是通过自动程序和手动努力的混合而获得的。我们还提供了对象检测和Intance Sementation的最新方法作为数据集的基准。可以在https://github.com/yurushia1998/satellitedataset上找到下载建议数据集的链接。
人工智能生成文本检测工具的测试
生成式预训练 Transformer 大型语言模型的最新进展强调了在学术环境中不公平使用人工智能 (AI) 生成内容的潜在风险，并加大了寻找检测此类内容的解决方案的力度。本文研究了人工智能生成文本检测工具的一般功能，并根据准确性和错误类型分析对其进行了评估。具体来说，该研究试图回答以下研究问题：现有检测工具是否能够可靠地区分人类书写的文本和 ChatGPT 生成的文本，以及机器翻译和内容混淆技术是否会影响对人工智能生成文本的检测。该研究涵盖了 12 种公开可用的工具和两种在学术环境中广泛使用的商业系统（Turnitin 和 PlagiarismCheck）。研究人员得出结论，现有的检测工具既不准确也不可靠，主要偏向于将输出归类为人类书写的文本，而不是检测人工智能生成的文本。此外，内容混淆技术会显著降低工具的性能。该研究做出了几项重要贡献。首先，它总结了该领域最新的类似科学和非科学成果。其次，它展示了迄今为止最全面的测试之一的结果，该测试基于严格的研究方法、原始文档集和广泛的工具覆盖范围。第三，它讨论了在学术环境中使用检测工具检测人工智能生成的文本的含义和缺点。
通过GPU和机器学习加速结构变体检测
结构变异（SV）是重大的基因组改变，在包括癌症在内的遗传多样性，进化和各种疾病中起着至关重要的作用。检测SVS的传统方法通常在计算效率，准确性和可扩展性方面面临挑战，尤其是在处理大型基因组数据时。近年来，图形处理单元（GPU）和机器学习（ML）的出现已经开发了解决这些挑战的新途径。本文探讨了GPU加速度和ML技术的整合，以增强结构变体的检测和分析。我们提出了一个全面的框架，该框架利用深度学习模型（用于在GPU上并行处理）以高精度实现实时SV检测。我们的方法不仅减轻了计算负担，而且还提高了与常规方法相比，SV检测的敏感性和特异性。通过在各种基因组数据集上进行广泛的基准测试，我们在速度，准确性和可扩展性方面证明了我们的GPU加速ML框架的出色性能。这些发现强调了将GPU和ML技术相结合以革新基因组研究的潜力，并为在临床和研究环境中更有效，更精确的结构变体分析铺平道路。