XiaoMi-AI文件搜索系统
World File Search SystemFD
TNFD in a Box v6 - 模块 1：自然与商业关系
“我们知道，我们的长期成功取决于自然环境的健康和稳定。这意味着要采取可持续的农业实践，保护水资源、生物多样性、气候和土壤健康，并在全球范围内发挥我们的作用，解决粮食生产和消费对环境的影响”
FDA 为 AI 服务：10 个关键见解
1.“人工智能的 FDA” 是一个直白的比喻。一个更有成效的起点是研究 FDA 式的监管干预措施，以及它们如何针对人工智能供应链中的不同点。2.FDA 式的干预措施可能更适合人工智能供应链的某些部分。3.FDA 模式为优化信息生产而非产品安全的监管设计提供了有力的教训。鉴于市场参与者缺乏明确性以及人工智能开发和部署的结构不透明性，人工智能迫切需要这一点。4.对什么算作功效（而不是安全性）缺乏共识是监管人工智能的有力切入点。人工智能总是存在潜在危害；因此，监管问题必须考虑其好处是否大于危害。但要知道这一点，我们需要明确的证据（目前我们缺乏这些证据）来证明人工智能技术带来的具体好处。5.上市前批准可能是监管干预最有力的阶段：这是监管权力与公司遵守激励之间的协调达到顶峰的地方。6.无论是在 FDA 还是在人工智能中，确保产品进入市场后的下游合规性都是一项监管挑战。鉴于人工智能系统组件的来源各异，上市后监管对人工智能来说是一项挑战，但目前这是正在进行的人工智能监管执法的主要特征。7.8.目前，“人工智能市场”的构成尚不明确且不透明。任何针对人工智能领域的监管干预要想有效，都必须远远超出目前的处罚标准，对世界上一些最大的公司进行有意义的挑战。提高市场本身的透明度以及人工智能产品的销售过程对人工智能治理至关重要。9.监管机构的资金模式对其有效性至关重要，并且可能无意中使监管机构受制于行业动机。10.FDA 式的人工智能文档要求已经是
统计自适应傅里叶分解 (SAFD)
摘要：本文提出了一种新型的监督学习方法——统计自适应傅里叶分解（SAFD）。SAFD 使用正交有理系统或 Takenaka-Malmquist（TM）系统为训练集建立学习模型，在此基础上可以对未知数据进行预测。该方法侧重于信号或时间序列的分类。AFD 是一种新开发的信号分析方法，它可以自适应地将不同的信号分解为不同的 TM 系统，引入了傅里叶类型但非线性和非负的时频表示。SAFD 将学习过程与 AFD 的适应性特征充分结合起来，其中少量的学习原子足以捕获信号的结构和特征以进行分类。SAFD 有三个优点。首先，在学习过程中会自动检测和提取特征。其次，所有参数都由算法自动选择。最后，将学习到的特征以数学形式表示出来，并可以根据感应瞬时频率进一步研究特征。通过心电图 (ECG) 信号分类验证了所提方法的有效性。实验表明，该方法比其他基于特征的学习方法效果更好。
FDA AI ML 讨论文件_V2
Flatiron 对 FDA 的讨论文件“人工智能和机器学习在药品和生物制品开发中的应用”（“讨论文件”）表示赞赏和欢迎。1 我们认识到人工智能/机器学习具有通过创造巨大效率来促进药品和生物制品开发的潜力，而这种效率的提高部分得益于数据收集和证据生成方面的快速技术创新。我们还认识到需要仔细评估这项技术是否会带来特定的风险或危害。Flatiron 支持 FDA 的使命，即确保这些创新的全部益处得以实施并造福公众。因此，我们赞赏该机构通过讨论文件主动与利益相关者展开对话，并计划就这个跨多个部门的快速发展话题举行未来多利益相关者研讨会，以促进相互学习和讨论并塑造监管格局。
基于 OpenFOAM 和 CPU/GPU 计算的 AI 加速 CFD 模拟 ⋆
摘要。在本文中，我们提出了一种通过将传统 CFD 求解器与我们的 AI 模块集成来加速 CFD（计算流体动力学）模拟的方法。所研究的现象负责化学混合。所考虑的 CFD 模拟属于一组稳态模拟，并使用基于 OpenFOAM 工具箱的 MixIT 工具。所提出的模块被实现为 CNN（卷积神经网络）监督学习算法。我们的方法通过为模拟现象的每个数量创建单独的 AI 子模型来分发数据。然后可以在推理阶段对这些子模型进行流水线处理以减少执行时间，或者逐个调用以减少内存需求。我们根据 CPU 或 GPU 平台的使用情况检查所提出方法的性能。对于具有不同数量条件的测试实验，我们将解决时间缩短了约 10 倍。比较基于直方图比较法的模拟结果显示所有数量的平均准确率约为 92%。
原始发表论文（记录版本）的引用：Sadik, M.、López-Urdaneta, J.、Ulén, J. 等人 (2021)。人工智能可以提醒使用 FDG-PET/CT 分期的霍奇金淋巴瘤患者局部骨骼/骨髓摄取。科学报告，11(1)。http://dx.doi.org/10.1038/s41598-021-89656-9
开发一种基于人工智能 (AI) 的方法，用于检测接受 FDG-PET/CT 分期的霍奇金淋巴瘤 (HL) 患者的局灶性骨骼/骨髓摄取 (BMU)。将单独测试组的 AI 结果与独立医生的解释进行比较。使用卷积神经网络对骨骼和骨髓进行分割。AI 的训练基于 153 名未接受治疗的患者。骨摄取明显高于平均 BMU 的被标记为异常，并根据总异常摄取平方计算指数以识别局灶性摄取。指数高于预定义阈值的患者被解释为具有局灶性摄取。作为测试组，回顾性纳入了 48 名在 2017-2018 年期间接受过分期 FDG-PET/CT 且活检证实患有 HL 的未接受治疗患者。十位医生根据局灶性骨骼/BMU 对 48 例病例进行分类。在 48 例 (81%) 的局部骨骼/骨髓受累病例中，大多数医生同意 AI 的观点。医生之间的观察者间一致性为中等，Kappa 值为 0.51（范围为 0.25–0.80）。可以开发一种基于 AI 的方法来突出显示使用 FDG-PET/CT 分期的 HL 患者中的可疑局部骨骼/BMU。核医学医生之间关于局部 BMU 的观察者间一致性为中等。
大桥向当地退伍军人致敬 - UFDC 图像阵列 2
生日 — 坚持不懈终有回报。一旦你有了动力，看到结果只是时间问题。射手座（11 月 23 日至 12 月 21 日）— 你的才华和努力将得到认可。回报将激发你的斗志，推动你争取更高的荣誉。摩羯座（12 月 22 日至 1 月 19 日）— 你有一条清晰的道路可以将你的梦想变成现实。不要害怕改变；采取行动，让它发挥作用。水瓶座（1 月 20 日至 2 月 19 日）— 不要分享个人信息、秘密或任何可能损害你声誉的事情。双鱼座（2 月 20 日至 3 月 20 日）——谨慎选择与谁交往。有人会利用你的慷慨和善良来利用你。白羊座（3 月 21 日至 4 月 19 日）——承担额外的工作，赚取额外的现金，以帮助支付年终费用。你的热情会给你的老板或新客户留下深刻印象，也会带来丰厚的回报。金牛座（4 月 20 日至 5 月 20 日）—— 相信你有能力完成任务。如果你想改变，那就成为实现它的人。全速前进！双子座（5 月 21 日至 6 月 20 日）——观察别人的行为和言论，但不要发表你的想法或意见。你应该保密，直到你弄清楚其他人的计划。巨蟹座（6 月 21 日至 7 月 22 日）——努力为你的社区做出贡献。以创新的方式应对挑战，并发挥领导作用。狮子座（7 月 23 日至 8 月 22 日）——投入更多有意义的思考和行动，思考如何取悦你所爱的人，而不会负债累累。处女座（8 月 23 日至 9 月 22 日）——你的知识和经验将得到回报。每个人都想和你一起工作，帮助你实现目标。不要犹豫，走进聚光灯下。天秤座（9 月 23 日至 10 月 23 日）——让生活简单起来，确保你的银行账户盈余，不要泄露你的秘密。不要在压力下屈服，也不要屈服于要求或某人的操纵策略。天蝎座（10 月 24 日至 11 月 22 日）——如果你把工作和娱乐结合起来，就会有令人兴奋的发现。参与活动，向你的同伴展示你的活力和惊喜。
机器人头
关于FDP：有关人工智能（AI）的教师开发计划（FDP），用于计算机视觉，医学成像和物联网应用程序将帮助教育者和研究人员了解AI基础知识以及它如何适用于具有多个安全应用的医学成像和物联网技术。参与者将探索机器学习和深度学习概念，专注于使用AI和IoT进行医学成像，这有助于诊断，医疗保健，农业，零售和监视系统。AI通过基于面部识别，虹膜识别，指纹分析和语音识别的准确有效的身份验证方法，在计算机视觉中起关键作用。通过动手活动和现实世界的例子，与会者将获得实用技能，以有效地使用AI在教学和研究中使用不同的算法。在计划结束时，参与者将准备将AI工具整合到他们的工作中，提高他们通过现代技术来教授和解决安全挑战的能力。这将通过增强他们在这些关键领域的专业知识和教学能力来使参与者受益。主要课程内容：•物联网体系结构，通信协议，计算机视觉简介，大数据分析，IIT，生物医学和医学图像分析应用程序。•机器学习基础知识，使用数据预处理和数据可视化。监督和无监督的学习方法，神经网络和应用。•深度学习方法的简介和基于DL的其他架构及其应用。•张量流/keras/pytorch/jupyter和colab的基础知识。•CNN架构用于计算机视觉，生物特征和医学成像实现。•IOMT，AI/IOT用于医疗保健监测，精密农业，医疗诊断，工业应用。•用于生物医学成像，CT扫描/MRI/X射线图像分析，眼底和医学图像分类的AI/ML。•活动识别，对象检测/跟踪算法（例如Yolo等），诸如UNET等分段算法等。•使用Python/Matlab使用数据预处理和数据可视化。•使用Python/Matlab的动手会话。主持此计划的教师：该计划将由NIT Warangal的教职员工进行；邀请来自IIT/NIT/IIIT的有关领域的院士在该计划中发表讲座。也有望作为课程的一部分提供行业的演讲者。注册费细节：教师和研究学者Rs.750/ - 行业参与者Rs.2250/ -