XiaoMi-AI文件搜索系统
World File Search SystemGoodfellow
使用自动编码器的无监督表示形式通过...
I would like to thank all the past and present members of the PSI lab and the Machine Learning group at U of T, especially Babak Alipanahi, Andrew Delong, Christopher Srinivasa, Jimmy Ba, Hannes Bretschneider, Alice Gao, Hui Xiong, Leo Lee, Michael Leung, and Oren Kraus for sharing ideas and collaborating with me.在我的博士学位期间，我在Google上做了两次Intenrship，这对我来说都是一次很棒的学习经历。我要感谢Google Brain Team和Google DeepMind团队的所有成员，尤其是Oriol Vinyals，Jon Shlens，Navdeep Jaitly，Ian Goodfellow，Ilya Sutskever，Timothy Lillicrap，Ali Eslicrap，Ali Eslami，Sam Bowman，Sam Sam Bowman和Jon Gauthier。我特别要感谢Alireza Moghaddamjoo和Hamid Sheikhzadeh Nadjar启发我在伊朗阿米尔卡比尔技术大学的本科生期间从事学术研究并与我合作。我很高兴与许多好朋友一起度过博士学位。尤其要感谢Sadegh Jalali，Aynaz Vatankhah，Masoud Barekatain，Amin Heidari，Weria Havary-Nassab，David Jorjani，Parisa Zareapour，Ehsan Shojaei，Siavash Fazeli和Mohammad norououzi。我借此机会特别感谢Nasrin Tehrani和Hamid Emami。，由于过去几年的持续支持，我在加拿大感到家。当然，我最深切的感激和爱属于我的父母，纳斯林和哈桑，
2023父手册
LEADERSHIP TEAM SPECIALIST TEACHERS Principal Christine Comas Art Helen Williams Deputy Principal Susanne Harding Auslan Mary Mellon APRIM Rose Valenti Music Jasmine Lim Physical Education Michael Woods TEACHING STAFF Reception Unit EDUCATION SUPPORT OFFICERS RDM Vanessa Dibbens Business Manager Luke Healey Sophie Melingakos Receptionist Nadia Udina RP Stephanie Patching Enrolment Registrar Mandy Goodfellow RT Coreen泰勒薪资官纳塔莉·汤普金斯（Natalie Tompkins）RV纳塔莎·沃克利斯（Natasha 1S Rachel Spry Peter Pudney Reine Bolding Jasmine Jenkins Year 2 Unit Felicia Tsialafos 2D Giselle De Klerk Jenushair Fernando 2I Maria Iannotti Rina Willmore 2M Marnie Moss Alice Harding 2SW Sue Schmick Lauren Howse Helen Williams Stella Ross Network Technician Andrew Nielsen Year 3 Unit Alex Klajn 3B Tessa Bahr Groundsman Jason Bielak 3G Dylan George WHS Michele Dick 3J Jasmina Jukic Canteen Nives Grgic 3RM Gina Robb Sustainability Officer Peter Kuerschner Wayne Martin Chaplain Lisa Foti OSHC Director Stephen Clark Year 4 Unit School Nurse Emma Kondrat 4G Linda Gentilcore Counsellor Ruby Lai 4Ma Melanie Maguire 4Mi Daniel Milford
神经网络的机器学习
本教科书基于我在哥德堡大学和瑞典哥德堡的Chalmers技术大学提供的课程人工神经网络的讲义。当我准备讲座时，我的主要来源是Hertz，Krogh和Palmer [1]对神经计算理论的介绍。其他来源是神经网络：Haykin [2]的综合基础，霍纳的讲座注释[3]，Heidelberg，Goodfellow，Bengio＆Courville的深度学习[4]，在线书籍神经网络和Nielsen的深度学习[5]。I thank Martin ˇ Cejka for typesetting the first version of my hand-written lecture notes, Erik Werner and Hampus Linander for their help in preparing Chapter 8, Kris- tian Gustafsson for his detailed feedback on Chapter 11, Nihat Ay for his comments on Section 4.5, and Mats Granath for discussions about autoencoders.I would also like to thank Juan Diego Arango, Oleksandr Balabanov, Anshuman Dubey, Johan Fries, Phillip Gräfensteiner, Navid Mousavi, Marina Rafajlovic, Jan Schiffeler, Ludvig Storm, and Arvid Wenzel Wartenberg for implementing algorithms described in this book.许多数字基于其结果。Oleksandr Balabanov，Anshuman Dubey，Jan Meibohm，尤其是Johan Fries和Marina Rafajlovic提出了考试问题，这些问题成为了本书的练习。最后，我要感谢StellanÖstlund的鼓励和批评。最后但并非最不重要的一点是，许多同事和学生（过去和现在）指出了错误的印刷和错误，并提出了改进。我感谢他们。目前的版本不包含练习（剑桥大学出版社拥有的版权）。完整的书可从剑桥大学出版社获得。
gan和vaes的比较分析在产生高质量的
指标，例如网络大小，培训时间和生成数据的质量。此外，还研究了潜在的数学，并与gan和vaes的理论基础有关。2。相关的生成模型近年来一直是机器学习领域的重要研究的主题，具有生成的对抗网络（GAN）和变异自动编码器（VAE）是两种最广泛使用的技术。几项研究比较了gan和vaes在不同的数据集和应用程序上的性能，其中一些报道了gan的结果更好（Karras等，2019），而其他人则报告了VAE的更好结果（Bowman等，2019）。该领域最有影响力的论文包括Goodfellow等人。的（2014年）引入了GAN框架，以及Kingma and Welling（2014）的VAE框架的引入，这些框架已在随后的作品中广泛引用。Salimans等。的（2016）论文提出了稳定gan训练的技术，例如为发电机和歧视者使用不同的学习率，而Chen等人。（2016）提出了对GAN框架的修改，该修改允许学习可解释的表示形式。Mescheder等。的（2017）论文提出了一个结合了VAE和gans强度的混合模型，以及Arjovsky等。的（2017）论文提出了对GAN框架的修改，该框架将Wasserstein距离用作目标函数，从而进行了更稳定的训练。Kumar等。 3。 每个Kumar等。3。每个的（2019年）论文提出了对GAN框架的修改，该框架在歧视者中引入了瓶颈，从而提高了性能，而Shen等人则进行了改善。的（2020）论文提出了一种在gan的潜在空间中发现可解释方向的方法，从而可以控制生成的图像的特定属性。方法论3.1数据集我们从MNIST数据集中应用了60,000张培训照片和10,000个手写数字的测试图像。
现代方法，经典约束
[1] Jimmy Lei BA，Jamie Ryan Kiros和Geoffrey E. Hinton。层归一化。2016。Arxiv：1607.06450 [Stat.ml]。[2] Nanxin Chen等。Wavegrad：估计波形产生的梯度。2020。Arxiv：2009.00713 [Eess.as]。[3]凯瑟琳·克罗森（Katherine Crowson）。在CIFAR-10上训练扩散模型。在线。2024。URL：https：//colab.research.google.com/drive/1ijkrrv-d7bosclvkhi7t5docryqortm3。[4]凯瑟琳·克罗森（Katherine Crowson）。v-diffusion。在线。2024。URL：https： / / github。com/crowsonkb/v-diffusion-pytorch/blob/master/diffusion/utils.py。[5] Ekin D. Cubuk等。randaugment：实用的自动化数据增强，并减少了搜索空间。2019。Arxiv：1909.13719 [CS.CV]。 [6] Yann N. Dauphin等。 通过封闭式卷积网络进行语言建模。 2017。Arxiv：1612.08083 [CS.CL]。 [7] Mostafa Dehghani等。 通用变压器。 2019。Arxiv：1807.03819 [CS.CL]。 [8] Yilun Du和Igor Mordatch。 基于能量的模型中的隐性产生和概括。 2020。Arxiv：1903.08689 [CS.LG]。 [9] Ian J. Goodfellow等。 生成对抗网络。 2014。Arxiv：1406.2661 [Stat.ml]。 [10] Dan Hendrycks和Kevin Gimpel。 高斯错误线性单元（Gelus）。 2023。Arxiv：1606.08415 [CS.LG]。 [11] Jonathan Ho，Ajay Jain和Pieter Abbeel。 剥离扩散概率模型。 2020。Arxiv：2006.11239 [CS.LG]。2019。Arxiv：1909.13719 [CS.CV]。[6] Yann N. Dauphin等。通过封闭式卷积网络进行语言建模。2017。Arxiv：1612.08083 [CS.CL]。[7] Mostafa Dehghani等。通用变压器。2019。Arxiv：1807.03819 [CS.CL]。 [8] Yilun Du和Igor Mordatch。 基于能量的模型中的隐性产生和概括。 2020。Arxiv：1903.08689 [CS.LG]。 [9] Ian J. Goodfellow等。 生成对抗网络。 2014。Arxiv：1406.2661 [Stat.ml]。 [10] Dan Hendrycks和Kevin Gimpel。 高斯错误线性单元（Gelus）。 2023。Arxiv：1606.08415 [CS.LG]。 [11] Jonathan Ho，Ajay Jain和Pieter Abbeel。 剥离扩散概率模型。 2020。Arxiv：2006.11239 [CS.LG]。2019。Arxiv：1807.03819 [CS.CL]。[8] Yilun Du和Igor Mordatch。基于能量的模型中的隐性产生和概括。2020。Arxiv：1903.08689 [CS.LG]。[9] Ian J. Goodfellow等。生成对抗网络。2014。Arxiv：1406.2661 [Stat.ml]。[10] Dan Hendrycks和Kevin Gimpel。高斯错误线性单元（Gelus）。2023。Arxiv：1606.08415 [CS.LG]。[11] Jonathan Ho，Ajay Jain和Pieter Abbeel。剥离扩散概率模型。2020。Arxiv：2006.11239 [CS.LG]。[12] Jonathan Ho和Tim Salimans。无分类器扩散指南。2022。ARXIV：2207.12598 [CS.LG]。[13]安德鲁·霍华德（Andrew Howard）等人。搜索MobilenetV3。2019。Arxiv：1905.02244 [CS.CV]。[14] Andrew G. Howard等。 Mobilenets：用于移动视觉应用的有效卷积神经网络。 2017。Arxiv：1704.04861 [CS.CV]。 [15] Forrest N. Iandola等。 squeezenet：较小的参数和€0.5MB型号的Alexnet级准确性。 2016。Arxiv：1602.07360 [CS.CV]。 [16] Imagenet 64x64基准（图像生成）。 用代码的论文，2024。URL：https：//paperswithcode.com/sota/image-generation-generation-en-on-imagenet-64x64。 [17] Sergey Ioffe和Christian Szegedy。 批次归一化：通过减少内部协变性转移来加速深层网络训练。 2015。Arxiv：1502.03167 [CS.LG]。 [18] Diederik P. Kingma和Jimmy Ba。 亚当：一种随机优化的方法。 2017。Arxiv：1412.6980 [CS.LG]。 [19] Diederik P. Kingma和Ruiqi Gao。 将扩散目标理解为具有简单数据增强的ELBO。 2023。Arxiv：2303.00848 [CS.LG]。 [20] Diederik P. Kingma等。 变化扩散模型。 2023。Arxiv：2107.00630 [CS.LG]。 [21] Zhenzhong Lan等。 albert：一个精简版的语言表示学习。 2020。Arxiv：1909.11942 [CS.CL]。 [22] Ilya Loshchilov和Frank Hutter。 重量衰减正则化。[14] Andrew G. Howard等。Mobilenets：用于移动视觉应用的有效卷积神经网络。2017。Arxiv：1704.04861 [CS.CV]。 [15] Forrest N. Iandola等。 squeezenet：较小的参数和€0.5MB型号的Alexnet级准确性。 2016。Arxiv：1602.07360 [CS.CV]。 [16] Imagenet 64x64基准（图像生成）。 用代码的论文，2024。URL：https：//paperswithcode.com/sota/image-generation-generation-en-on-imagenet-64x64。 [17] Sergey Ioffe和Christian Szegedy。 批次归一化：通过减少内部协变性转移来加速深层网络训练。 2015。Arxiv：1502.03167 [CS.LG]。 [18] Diederik P. Kingma和Jimmy Ba。 亚当：一种随机优化的方法。 2017。Arxiv：1412.6980 [CS.LG]。 [19] Diederik P. Kingma和Ruiqi Gao。 将扩散目标理解为具有简单数据增强的ELBO。 2023。Arxiv：2303.00848 [CS.LG]。 [20] Diederik P. Kingma等。 变化扩散模型。 2023。Arxiv：2107.00630 [CS.LG]。 [21] Zhenzhong Lan等。 albert：一个精简版的语言表示学习。 2020。Arxiv：1909.11942 [CS.CL]。 [22] Ilya Loshchilov和Frank Hutter。 重量衰减正则化。2017。Arxiv：1704.04861 [CS.CV]。[15] Forrest N. Iandola等。squeezenet：较小的参数和€0.5MB型号的Alexnet级准确性。2016。Arxiv：1602.07360 [CS.CV]。[16] Imagenet 64x64基准（图像生成）。用代码的论文，2024。URL：https：//paperswithcode.com/sota/image-generation-generation-en-on-imagenet-64x64。[17] Sergey Ioffe和Christian Szegedy。批次归一化：通过减少内部协变性转移来加速深层网络训练。2015。Arxiv：1502.03167 [CS.LG]。[18] Diederik P. Kingma和Jimmy Ba。亚当：一种随机优化的方法。2017。Arxiv：1412.6980 [CS.LG]。[19] Diederik P. Kingma和Ruiqi Gao。将扩散目标理解为具有简单数据增强的ELBO。2023。Arxiv：2303.00848 [CS.LG]。[20] Diederik P. Kingma等。变化扩散模型。2023。Arxiv：2107.00630 [CS.LG]。[21] Zhenzhong Lan等。albert：一个精简版的语言表示学习。2020。Arxiv：1909.11942 [CS.CL]。[22] Ilya Loshchilov和Frank Hutter。重量衰减正则化。2019。Arxiv：1711.05101 [CS.LG]。[23] Preetum Nakkiran等。深度下降：更大的模型和更多数据损害。2019。Arxiv：1912.02292 [CS.LG]。[24] Alex Nichol和Prafulla Dhariwal。改进了扩散概率模型。2021。Arxiv：2102.09672 [CS.LG]。[25] Aaron van den Oord，Nal Kalchbrenner和Koray Kavukcuoglu。像素复发性神经网络。2016。Arxiv：1601.06759 [CS.CV]。[26] Prajit Ramachandran，Barret Zoph和Quoc V. Le。搜索激活功能。2017。Arxiv：1710.05941 [CS.NE]。 [27] Danilo Jimenez Rezende和Shakir Mohamed。 差异推断与归一化流量。 2016。Arxiv：1505.05770 [Stat.ml]。2017。Arxiv：1710.05941 [CS.NE]。[27] Danilo Jimenez Rezende和Shakir Mohamed。差异推断与归一化流量。2016。Arxiv：1505.05770 [Stat.ml]。
人工智能与机器学习 IV 年级课程大纲
神经网络与深度学习 B.Tech. IV 第一年 学期 LTPC 3 0 0 3 课程目标： 介绍人工神经网络的基础知识 获取有关深度学习概念的知识 学习各种类型的人工神经网络 获取应用优化策略的知识 课程成果： 能够理解神经网络的概念 能够选择学习网络来建模现实世界系统 能够使用有效的深度模型算法 能够将优化策略应用于大规模应用 UNIT-I 人工神经网络简介、ANN 的基本模型、重要术语、监督学习网络、感知器网络、自适应线性神经元、反向传播网络。联想记忆网络。模式关联的训练算法、BAM 和 Hopfield 网络。 UNIT-II 无监督学习网络-简介，固定权重竞争网络，Maxnet，Hamming 网络，Kohonen 自组织特征映射，学习矢量量化，反向传播网络，自适应共振理论网络。特殊网络-各种网络的介绍。 UNIT - III 深度学习简介、深度学习的历史趋势、深度前馈网络、基于梯度的学习、隐藏单元、架构设计、反向传播和其他微分算法 UNIT - IV 深度学习的正则化：参数范数惩罚、范数惩罚作为约束优化、正则化和欠约束问题、数据集增强、噪声鲁棒性、半监督学习、多任务学习、早期停止、参数类型化和参数共享、稀疏表示、Bagging 和其他集成方法、Dropout、对抗性训练、切线距离、切线 Prop 和流形、切线分类器 UNIT - V 训练深度模型的优化：神经网络优化中的挑战、基本算法、参数初始化策略、具有自适应学习率的算法、近似二阶方法、优化策略和元算法应用：大规模深度学习、计算机视觉、语音识别、自然语言处理教科书：1. 深度学习：麻省理工学院出版社出版的书籍，作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 2. 神经网络和学习机器，Simon Haykin，第 3 版，Pearson Prentice Hall。
首席军士长杰里迈亚·W·“开膛手”·罗斯
1999 年 完成信号情报分析课程，德克萨斯州古德费罗空军基地 2003 年 完成空军士官课程，日本冲绳嘉手纳空军基地 2005 年 获得空军社区学院通信应用技术理学副学士学位 2007 年 获得马里兰大学心理学理学学士学位 2008 年 阿拉巴马州麦克斯韦空军基地空军士官学校 2009 年 完成马里兰州乔治米德堡国家安全局空军士官密码学进阶课程 2010 年 完成空军高级士官联合专业军事教育信号课程 2012 年 完成阿拉巴马州麦克斯韦空军基地空军高级士官课程 2015 年 获得俄克拉荷马大学情商教学理学硕士学位 2017 年 完成空军高级士官联合专业军事教育二级信号课程完成高级士官法律事务课程，阿拉巴马州麦克斯韦空军基地，2019 年；完成葛底斯堡地图研究课程，宾夕法尼亚州葛底斯堡，2021 年；完成战略领导力课程，科罗拉多州科罗拉多斯普林斯。 2023 年 空军战略领导力课程结业，阿拉巴马州麦克斯韦空军基地 2024 年 国防大学基石课程结业，华盛顿特区
监管市场：人工智能治理的未来
2023 年 4 月 摘要：适当监管人工智能是一项紧迫的政策挑战。立法机构和监管机构缺乏将公众需求转化为法律要求所需的专业技术知识。过度依赖行业自律无法让人工智能系统的生产者和用户对民主要求负责。有人提出了监管市场，即政府要求监管对象从私人监管机构购买监管服务。这种人工智能监管方法可以克服命令和控制监管和自我监管的局限性。监管市场可以使政府为人工智能监管制定政策优先事项，同时依靠市场力量和行业研发努力来开创最能实现政策制定者既定目标的监管方法。 1. 简介 过去十年见证了人工智能领域取得的惊人成就。这十年始于图像分类的突然进步（He 等人，2019 年）。五年后，深度强化学习在围棋等狭窄任务中表现出意想不到的能力（Silver 等人，2016 年）。最近，拥有数十亿个参数并经过数十亿个单词和图像训练的大型生成模型已经展现出令人惊讶的基础能力，可以编写合理的文本或计算机代码、阐明想法、根据命令生成图像、回答复杂问题等等（Goodfellow 等人，2020 年；Wei 等人，2022 年）。过去十年，围绕人工智能治理的讨论也发生了变化。早期认识到（Sweeney，2013 年；Buolamwini 和 Gebru，2018 年）基于随意选择的数据（从互联网上抓取的图像或文字、招聘决策历史）训练的不透明分类系统将重现并可能放大种族和性别偏见，这引发了全球关于人工智能伦理的讨论。很快，行业和民间社会组织就出现了一系列原则和指导方针（Jobin 等人，2019 年）。现在，各国政府已经开始探索（在某些情况下是出台）立法来管理已经通过人工智能驱动的互联网平台和设备嵌入日常生活的技术的开发和使用。然而，治理人工智能的挑战是巨大的。任何新技术都面临着“步调”问题（Marchant 2011），即创新速度落后于行业实验室，治理速度落后于政治和官僚机构，人工智能也不例外。但治理人工智能的挑战不仅仅是延迟，而是传统治理工具的能力与我们需要的解决方案的性质之间的根本不匹配，以确保一项技术能够
传记 - FireDawg.us
首席军士长 Phillip G. Winkelmann 是消防和紧急服务职业现场经理，总部设在华盛顿特区五角大楼的美国空军。他为空军土木工程师提供建议，帮助他们利用、发展和准备 5,689 名消防员。此外，首席军士长 Winkelmann 还制定职业领域的入职要求，监测职业领域的健康和人员配备，并就人事政策和计划提供意见。最后，他与 MAJCOM 准备部门进行协调，并担任国防部消防学院的顾问，担任高级士兵，指导所有 3E7X1 人员的部队发展和职业发展机会。首席军士长 Winkelmann 出生于华盛顿州史蒂文斯湖，于 1996 年 6 月加入空军。他的背景包括中队、大队、联队、作战司令部和主要司令部级别的领导职务。他的任务包括华盛顿、新墨西哥、马里兰、亚利桑那、新泽西、科罗拉多、韩国、意大利和英国的基地，并被派往沙特阿拉伯、科威特、伊拉克、阿富汗、卡塔尔和阿拉伯联合酋长国 14 次，以支持南方守望、持久自由、伊拉克自由、新黎明、坚定决心、自由哨兵、斯巴达盾牌和坚决支持行动。在担任现职之前，他曾担任亚利桑那州卢克空军基地第 56 土木工程中队消防队长。教育经历 1996 年 德克萨斯州拉克兰空军基地基本军事训练 2001 年 华盛顿州费尔柴尔德空军基地飞行员领导学校 2005 年 佛罗里达州肯尼迪航天中心航天飞机轨道器救援课程 2007 年 德国卡蓬空军基地士官学院 2008 年 阿拉巴马州麦克斯韦空军基地事故指挥官课程 2008 年 空军社区学院消防科学副学士学位 2009 年 空军大学高级士官非驻校 2010 年 联合部队参谋学院高级士兵联合专业军事教育课程 2011 年 空军技术学院消防应急服务飞行长课程 2012 年 阿拉巴马州冈特空军基地高级士官驻校 2013 年 空军社区学院专业经理人认证 2015 年 空军技术学院土木工程主管课程2019 年获得美国军事大学消防管理理学学士学位 2019 年在阿拉巴马州麦克斯韦尔-冈特基地参加首席领导力课程 任务 1. 1996 年 6 月 - 1996 年 9 月，受训人员，基础军事训练，德克萨斯州拉克兰空军基地 2. 1996 年 9 月 - 1996 年 12 月，学生，消防，德克萨斯州古德菲洛空军基地
将数字病理与多部的整合
参考文献1。Tomczak，K.，P。Czerwinska和M. Wiznerowicz，《癌症基因组地图集》（TCGA）：不可估量的知识来源。当代Oncol（POZN），2015年。19（1a）：p。 A68-77。2。Vandereyken，K.，A。Sifrim，B。Thienpont和T. Voet，单细胞和空间多词的方法和应用。nat Rev Genet，2023。24（8）：p。 494-515。3。nahm，F.S。，接收器操作特征曲线：临床医生的概述和实际用途。韩国J麻醉剂，2022年。75（1）：p。 25-36。4。Bray，F。等，《 2018年全球癌症统计：Globocan在185个国家 /地区在全球36家癌症的发病率和死亡率估计。 ca Cancer J Clin，2018年。 68（6）：p。 394-424。 5。 Chen，L。等人，组织病理学图像和多词的整合预测肺腺癌的分子特征和存活。 前牢房Dev Biol，2021。 9：p。 720110。 6。 McQuin，C。等人，Cellprofiler 3.0：生物学的下一代图像处理。 PLOS Biol，2018年。 16（7）：p。 E2005970。 7。 Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。 ca Cancer J Clin，2021。 71（3）：p。 209-249。 8。 Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。 Future Oncol，2021。 17（13）：p。 1665-1681。 9。 J Thorac Dis，2023。 15（5）：p。 2528-2543。 10。Bray，F。等，《 2018年全球癌症统计：Globocan在185个国家 /地区在全球36家癌症的发病率和死亡率估计。ca Cancer J Clin，2018年。68（6）：p。 394-424。5。Chen，L。等人，组织病理学图像和多词的整合预测肺腺癌的分子特征和存活。前牢房Dev Biol，2021。9：p。 720110。6。McQuin，C。等人，Cellprofiler 3.0：生物学的下一代图像处理。PLOS Biol，2018年。16（7）：p。 E2005970。7。Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。 ca Cancer J Clin，2021。 71（3）：p。 209-249。 8。 Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。 Future Oncol，2021。 17（13）：p。 1665-1681。 9。 J Thorac Dis，2023。 15（5）：p。 2528-2543。 10。Sung，H。等，《全球癌症统计》 2020年：Globocan在185个国家 /地区在全球36种癌症的发病率和死亡率估计。ca Cancer J Clin，2021。71（3）：p。 209-249。8。Kay，C。等人，HR+/HER2+乳腺癌治疗的当前趋势。Future Oncol，2021。17（13）：p。 1665-1681。9。J Thorac Dis，2023。15（5）：p。 2528-2543。10。Hu，J。等人，基于数字病理学和HR（+）/HER2（ - ）乳腺癌基于数字病理和深度学习的临床病理特征，多摩学事件和预后的预测。Koch，S.，J。Schmidtke，M。Krawczak和A. Caliebe，多基因风险评分的临床实用性：关键的2023年评估。 J社区基因，2023年。 11。 OTA，M。和K. Fujio，《免疫介导疾病精确医学的多摩学方法》。 炎症，2021年。 41（1）：p。 23。 12。 Arehart，C。等人，聚词风险评分预测炎症性肠病的诊断。 Biorxiv，2022。 13。Vander Laak，J。，G。Litjens和F. Ciompi，《组织病理学深度学习：通往诊所的道路》。 nat Med，2021。 27（5）：p。 775-784。 14。 ehteshami bejnordi，B。等人，对乳腺癌女性淋巴结转移的深度学习算法的诊断评估。 Jama，2017年。 318（22）：p。 2199-2210。 15。 Varga，Z。等人，KI-67免疫组织化学在2级乳腺癌中的可靠性如何？ 瑞士乳房和妇科病理学家的质量检查研究。 PLOS ONE，2012年。 7（5）：p。 E37379。 16。 Weinstein，R.S。等人，远程病理学，虚拟显微镜和整个幻灯片成像的概述：未来的前景。 Hum Pathol，2009年。 40（8）：p。 1057-69。 17。 办公室，N.A。，政府数字化转型：解决效率的障碍。 2023。 18。 2016，马萨诸塞州剑桥：麻省理工学院出版社。Koch，S.，J。Schmidtke，M。Krawczak和A. Caliebe，多基因风险评分的临床实用性：关键的2023年评估。J社区基因，2023年。11。OTA，M。和K. Fujio，《免疫介导疾病精确医学的多摩学方法》。炎症，2021年。41（1）：p。 23。12。Arehart，C。等人，聚词风险评分预测炎症性肠病的诊断。Biorxiv，2022。13。Vander Laak，J。，G。Litjens和F. Ciompi，《组织病理学深度学习：通往诊所的道路》。nat Med，2021。27（5）：p。 775-784。14。ehteshami bejnordi，B。等人，对乳腺癌女性淋巴结转移的深度学习算法的诊断评估。Jama，2017年。318（22）：p。 2199-2210。15。Varga，Z。等人，KI-67免疫组织化学在2级乳腺癌中的可靠性如何？瑞士乳房和妇科病理学家的质量检查研究。PLOS ONE，2012年。7（5）：p。 E37379。16。Weinstein，R.S。等人，远程病理学，虚拟显微镜和整个幻灯片成像的概述：未来的前景。Hum Pathol，2009年。40（8）：p。 1057-69。17。办公室，N.A。，政府数字化转型：解决效率的障碍。2023。18。2016，马萨诸塞州剑桥：麻省理工学院出版社。Goodfellow I，B.Y.，Courville A，深度学习。