XiaoMi-AI文件搜索系统
World File Search SystemINFER
开放量子系统的模拟辅助学习
在电子传输问题和量子计算中起重要作用的开放量子系统的模型必须考虑到与周围环境的量子系统的反应。尽管在某些特殊情况下可以得出此类模型，但在大多数实际情况下，确切的模型是未知的，必须校准。本文提出了一种学习方法，可以从测量数据中推断马尔可夫开放量子系统中的参数。该方法中的一种重要成分是量子主方程的直接模拟技术，该技术旨在保存完全阳性的属性。在测量之间的时间间隔很大的情况下，该方法特别有用。该方法通过错误估计和数值实验验证。
审查研究论文神经形态计算和
神经形态计算会影响大脑，以创建能够进行高度复杂任务的信息处理的节能硬件。使用常规电子设备构建的系统通过模仿大脑的分散拓扑来获得节奏和能量的收益。将这种安排扩展并提高其能量使用，性能和速度几个数量级需要一场硬件革命。神经形态计算。我们使用电阻性开关元素，光子学，旋转三位技术和其他技术来审查具有利用物理学来提高人工神经网络的计算能力的令人印象深刻的结果。我们研究可能影响这些可能实时推断和获取的低功率，微型芯片的成熟方法的途径。
共情伦理人工智能的哲学规范...
摘要 — 为了构建一个符合道德规范的人工智能 (AI)，必须克服两个复杂问题。首先，人类对于什么是道德规范、什么是不道德规范并没有一致的看法。其次，当代人工智能和机器学习方法往往是生硬的工具，要么在预定规则的范围内寻找解决方案，要么模仿行为。符合道德规范的人工智能必须能够推断潜规则、解释细微差别和背景、拥有并能够推断意图，不仅解释其行为，还解释其意图。使用行动主义、符号学、感知符号系统和符号涌现，我们指定一个代理，它不仅可以学习符号之间的任意关系，还可以学习它们在其感觉运动系统的感知状态方面的含义。随后，它可以学习句子的含义，并根据自己的经验推断他人的意图。它具有可塑性意图，因为符号的含义会随着它的学习而改变，并且它的意图以符号形式表示为目标。这样，它可以学习一个概念，即人类群体中大多数人最有可能认为是合乎道德的，然后可以将其用作目标。抽象符号的含义使用原始的多模态感觉运动刺激的感知符号来表达，作为最弱的（与奥卡姆剃刀原则一致）必要和充分概念，从显性定义中学到的内涵定义，从中可以获得所有道德决策的外延定义或类别。因为这些抽象符号对于情况和响应都是相同的，所以在执行或观察动作时使用相同的符号。这类似于人脑中的镜像神经元。镜像符号可以让代理产生同理心，因为它自己的经历与符号相关联，而符号也与另一个代理体验该符号所代表的事物的观察相关联。
子图结构对图神经网络的成员推理攻击
图形神经网络（GNN）已被广泛应用于不同域之间的变量应用。但是，最近的研究表明，GNN易受成员推理攻击（MIA）的影响，该攻击旨在推断该模型的培训数据中包括某些特定的数据样本。虽然大多数先前的MIA都集中在训练图内的单个节点和边缘的成员中，但我们引入了一种新型的成员推理攻击形式，称为结构成员推理攻击（SMIA），该攻击（SMIA）旨在确定一组特定的目标结构，例如某个特定目标结构，例如集团或多跳训练图中的特定目标结构。为了解决此问题，我们提出了新颖的黑盒SMIA攻击，这些攻击利用了目标GNN模型产生的推理的预测输出。我们的方法涉及培训三标签分类器，该分类器与影子训练相结合，有助于加入推理攻击。我们对三种代表性GNN模型和三个现实世界图数据集的广泛实验评估表明，我们提出的攻击始终超过三个基线方法，包括采用常规链接成员资格推理攻击来推断子图结构的方法。此外，我们设计了一种防御机制，将扰动引入节点嵌入，从而影响了目标模型的相应预测输出。我们的防御选择性地覆盖了节点床中的尺寸，这些尺寸对模型的准确性影响最小。我们的经验结果表明，我们的方法的防御效力与两种既定的防御技术相媲美，这些技术采用了差异隐私。此外，与现有的两种防御方法相比，我们的方法在防御强度和目标模型的准确性之间取得了更好的权衡。
IMG2nDSM：使用深度学习从单个机载 RGB 图像估计高度
摘要：估计单幅航拍图像中建筑物和植被的高度是一个具有挑战性的问题。提出了一种以任务为中心的深度学习 (DL) 模型，该模型结合了成功的 DL 模型（U-NET 和残差网络）的建筑特征，并学习从单个航拍图像到规范化数字表面模型 (nDSM) 的映射。该模型在具有相应 DSM 和数字地形模型 (DTM) 的航拍图像上进行训练，然后用于推断没有高程信息的图像的 nDSM。使用覆盖英国曼彻斯特大片地区的数据集以及 2018 年 IEEE GRSS 数据融合竞赛 LiDAR 数据集对该模型进行了评估。结果表明，所提出的 DL 架构适合该任务，并且大大超越了其他最先进的 DL 方法。
强直性脊柱炎对糖尿病的危害：孟德尔随机化分析的新证据
方法：为了推断 AS 与各种糖尿病相关特征（包括 1 型糖尿病 (T1DM)、T2DM、血糖水平、空腹血糖、糖化血红蛋白和空腹胰岛素）之间的因果关系，我们采用了孟德尔随机化 (MR) 分析。我们从 IEU OpenGWAS 数据库、GWAS 目录和 FinnGen 数据库中获取了暴露和结果变量的 GWAS 汇总数据。为了综合 MR 分析的结果，我们应用了使用固定或随机效应模型的荟萃分析技术。为了识别和排除与结果表现出水平多效性的工具变异 (IV)，我们使用了 MR-PRESSO 方法。使用 MR-Egger 方法以及 Q 和 I^2 检验进行敏感性分析，以确保我们的研究结果的稳健性。
基于进化和物理学的机器学习
摘要 计算蛋白质设计有助于发现具有规定结构和功能的新蛋白质。最近报道了使用新颖的数据驱动方法进行的令人兴奋的设计，这些方法大致可分为两类：基于进化的方法和受物理启发的方法。前者推断进化相关蛋白质组所共有的特征序列特征，例如保守或共同进化的位置，并将它们重新组合以生成具有相似结构和功能的候选物。后者使用机器学习替代品估计关键的生化特性，例如结构自由能、构象熵或结合亲和力，并对其进行优化以产生改进的设计。在这里，我们回顾了这两个轨道上的最新进展，讨论了它们的优点和缺点，并强调了协同方法的机会。
使用 COMSOL Multiphysics ® 中的人工智能 (AI) 创建机器学习工具
在工业标记领域，连续喷墨技术以墨滴的高速发射为基础。发射出的墨滴形状是墨水特性和刺激操作点的结合，对打印质量有直接影响。本文通过使用 COMSOL Multiphysics ® 模拟多种粘度的液滴形状（正问题）并使用机器学习技术从液滴形状推断粘度（逆问题）来探索粘度的作用。此用例说明了如何设置机器学习逆问题解决策略的主要阶段：收集数据、选择和训练模型、测试模型并提高其预测能力。COMSOL Multiphysics ® 的灵活性使其易于与 Python 机器学习工具交互，从而高效地产生有价值的结果。
人工智能承保为人寿保险带来新挑战：政策和监管考虑
詹娜·伯雷尔 (Jenna Burrell) 教授指出了三类不透明性，这些不透明性使得算法对用户来说可能难以理解，有时对设计者来说也是如此。12 虽然并非所有算法都是“黑箱”系统，但更先进的算法依赖于深度学习或 ML 技术，这些技术旨在处理大量输入数据和相关结果（即“学习集”）来“训练”机器识别模式，最终生成自己的实现期望结果的途径。这些系统是不透明的，因为它们处理大量数据并推断数据点之间的关系，而这种关系超出了人类在类似时间限制内可以合理计算的能力。算法的准确性和预测能力与其复杂性成正比。此类系统自动化程度最高，但截至本文发表时，业界使用的可能性最小。
用于 ESG 评估的人工智能
自动化 自动化是指在很少或完全不需要人工干预的情况下执行重复性任务。3 虽然自动化可能需要人工智能来完成任务，但情况并非总是如此。例如，在使用基于人工智能的模型推断金融交易的货币（或手动研究）之前，检查数据点“货币”是否已存在于另一个数据库中以及是否可以通过从该数据库中提取数据来自动填充此数据字段会很有用。尽管如此，基于人工智能的自动化也具有巨大的潜力——例如，当软件工程师使用大型语言模型 (LLM) 自动完成代码时。既然我们已经确定人工智能最好被视为自动化的一个更具体的应用领域或其子集，那么我们现在来研究人工智能与其他自动化技术的区别。