XiaoMi-AI文件搜索系统
World File Search SystemLeCun
人工智能技术在肺癌影像诊断中的应用
参考文献 1 ． LeCun Y, Bengio Y, Hinton G. 深度学习。自然。2015；521：436-444。 2 ． Gu D，Liu G，Xue Z。肺结节检测、分割和分类的性能研究。计算机医学成像图。2021；89：101886。 3 ． Tomassini S，Falcionelli N，Sernani P，Burattini L，Dragoni AF。通过卷积神经网络从计算机断层扫描数据进行肺结节诊断和癌症组织学分类：一项综述。计算机生物医学。2022；146：105691。 4 ． Chassagnon G，De Margerie-Mellon C，Vakalopoulou M，Marini R，Hoang-Thi TN，Revel MP 等。肺癌中的人工智能：当前的应用和前景。日本放射学杂志。2023；41：235-244。
带射频的卷积神经网络，带有射频旋转纳米驱动器
摘要卷积神经网络（Lecun and Bengio 1998脑理论与神经网络手册255-58； Lecun，Bengio和Hinton 2015 Nature 521 436-44）在现代信号处理和机器视觉中是最先进的，无处不在。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。 这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。 SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。 然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。 在这里，我们提出了一个建筑，其中突触通信基于共振效果。 这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。 我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。 我们表明，具有多个自旋谐振器的多个链可以实现并行实现。 我们为这些链条提出了两种不同的空间布置。如今，基于新兴纳米版的硬件解决方案旨在减少这些网络的功耗。这是通过使用实现卷积滤波器并顺序乘以输入的连续子集的设备，或者通过使用不同的一组设备来并行执行不同的乘法，以避免将中间计算步骤存储在内存中。SpinTronics设备由于提供了各种神经和突触功能，因此可以进行信息处理。然而，由于其低/偏高/比率，在单个步骤中使用横杆式旋转记忆阵列进行卷积所需的所有乘法将导致偷偷摸摸的路径电流。在这里，我们提出了一个建筑，其中突触通信基于共振效果。这些突触通信具有频率选择性，可防止由偷偷摸摸电流引起的串扰。我们首先演示了一系列自旋谐振器如何通过依次校正编码连续输入集的射频信号来充当突触并进行卷积。我们表明，具有多个自旋谐振器的多个链可以实现并行实现。我们为这些链条提出了两种不同的空间布置。对于每个人，我们解释了如何同时调整许多人工突触，从而利用了突触重量共享特定的卷积。我们通过使用自旋振荡器作为人工微波神经元来展示如何通过使用自旋振荡器在卷积层之间传输信息。最后，我们模拟了这些射频谐振器和自旋振荡器的网络，以求解MNIST手写数字数据集，并获得与软件卷积神经网络相当的结果。由于它可以与纳米设备的单一步骤完全平行运行卷积神经网络，因此本文提出的架构对于需要机器视觉的嵌入式应用程序（例如自主驾驶）很有希望。
用于指导建筑设计课程构思的语义 AI 模型 Emmanouil Vermisso 建筑学院 佛罗里达大西洋大学 111 East Las Olas Boulevard 劳德代尔堡，佛罗里达州 33301，美国 evermiss@fau.edu
摘要 本文讨论了可用的人工智能 (AI) 模型的组合，即神经语言模型 (NLM) 与经过训练的 GAN 和人类解释，以促进架构构思。工作流程使用语义提示识别推测设计的概念场景。结果成为视觉参考，以补充修订的语义描述，以指导 VQGAN+CLIP 模型，利用对结果的控制，然后使用降维对结果进行排序，并进一步策划以训练其他模型 (GAN)。NLM 对文本输入的解释增加了跨越更大语义距离的可能性，以实现创造性的视觉结果，而 AI-人类步骤的嵌套工作流程可以自动查询更大的解决方案空间。此外，它还考虑了基于语言 (NLM) 的处理模型 (LeCun, 2021) 导致的视觉数据 (Hadamard, 1945) 的低带宽、还原编码问题，这可能会限制设计机构。
QDNN：具有量子层的深神经网络
量子计算机使用量子机械原理进行计算，在许多计算问题中，它们比古典计算机更强大（Shor 1994； Grover 1996）。开发了许多量子机学习算法，例如量子支持矢量机，量子主体分析和量子玻尔兹曼机器（Wiebe等人。2012; Schuld等。2015a; Biamonte等。2017; Rebentrost等。2014;劳埃德等。2014; Amin等。2018; Gao等。2018），这些算法比其经典版本更有效。近年来，DNNS（Lecun等人2015）成为机器学习中最重要，最有力的方法，该方法广泛应用于计算机视觉中（Voulodimos等人。2018），自然语言处理（Socher等人2012）和许多其他领域。DNN的基本单元是感知器，它是一种仿射转换，以及激活函数。激活函数的非线性和深度给出了DNN大量表示
QDNN：具有量子层的深度神经网络
量子计算机利用量子力学原理进行计算，在许多计算问题上比经典计算机更强大（Shor 1994；Grover 1996）。许多量子机器学习算法被开发出来，例如量子支持向量机、量子主成分分析和量子玻尔兹曼机（Wiebe 等 2012；Schuld 等 2015a；Biamonte 等 2017；Rebentrost 等 2014；Lloyd 等 2014；Amin 等 2018；Gao 等 2018），这些算法被证明比经典版本更有效。近年来，DNN（LeCun et al. 2015 ）成为机器学习中最重要和最强大的方法，广泛应用于计算机视觉（Voulodimos et al. 2018 ）、自然语言处理（Socher et al. 2012 ）等许多领域。DNN的基本单元是感知器，它由一个仿射变换和一个激活函数组成。激活函数的非线性和深度赋予了DNN很多的表示能力
风险源自现代AI系统的代理概况
基于深度学习过程的现代人工智能（AI）系统大量数据并学习支持适应性，目标指导行为的复杂表示（Lecun等，2015； Rahwan等，2019）。这些系统凭借这些属性而明显比传统工具更明显（Russell＆Norvig，2020）。同时，现代的AI系统缺乏生物机构的核心方面，例如体现和自主权，将它们与生物体有很大的区别（Meincke，2018; Moreno＆Etxeberria，2005年）。这种情况促使人们对代理机构对AI系统的适用性进行了重新讨论（例如，Nyholm，2018； Swanepoel，2021）。我在本文中没有诉讼适用性问题，而是说，现代AI系统所拥有的代理机构与代理机构相关的特性的独特组合，我将其描述为一种构成概况，在对人类用户造成伤害的潜力中扮演着重要且低估的作用。尤其是，我观察到现代AI系统具有定性新颖的代理概况，将代理商的表面特征与复杂的目标指导信息处理能力相结合。这样的个人资料，我声称，阻止推论推理
COMP6113：高级人工智能，2017 年秋季
苏丹卡布斯大学 计算机科学系 COMP6113：高级人工智能，2017 年秋季 讲师：Hamza 博士，分机：1407，房间：0020，电子邮件：zidoum@squ.edu.om 上课时间：周一/周三 14:15-15:35 SCI/0005 办公时间：张贴在办公室门口 教科书：神经网络与深度学习。迈克尔·尼尔森。2017 年 8 月 [免费在线书籍] 参考书：AI：一种现代方法，作者 S. Russel 和 P. Norvig，Prentice-Hall。评论：Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton，深度学习。2015 年 5 月 28 日 | 第 521 卷 | 自然 | 436-444 课程描述：本课程的主要目标是让学生熟悉人工智能涵盖的广泛主题，以及对一些特定主题和算法的深度和经验。我们还向学生介绍人工智能的最新发展和研究问题。这种方法力求在了解知识和能够在以后进行更多研究之间取得平衡，并具备一些实践经验，使用尖端人工智能算法来解决实际问题。学习成果：课程结束后，学员有望能够：
最佳脑压缩：用于准确训练后量化和修剪的框架
我们考虑在具有挑战性的一声/训练后设置中，深度神经网络（DNN）的模型压缩问题，在该设置中，我们将获得一个准确的训练有素的模型，并且必须仅基于少量校准输入数据而无需进行任何重新训练。鉴于新兴软件和硬件支持，该问题已变得很流行，以通过加速进行修剪和/或量化来执行模型，并且已经针对两种压缩方法独立提出了良好的表现解决方案。在本文中，我们引入了一个新的压缩框架，该框架涵盖了在统一的环境中涵盖重量修剪和量化的，这是时间和空间效果，并且在现有后训练方法的实际性能上大大提高。在技术层面上，我们的方法基于[Lecun，Denker和Solla，1990]的经典最佳脑外科医生（OBS）框架的精确而有效的实现，以涵盖现代DNNS规模的体重量化。从实际的角度来看，我们的实验结果表明，它可以在现有训练后方法的压缩准确性权衡方面显着改善，并且它可以在培训后环境中启用修剪和量化的准确复合应用。
最佳大脑压缩：准确的训练后量化和修剪框架
我们考虑深度神经网络 (DNN) 在具有挑战性的一次性/后训练环境中的模型压缩问题，在该环境中，我们获得了一个经过精确训练的模型，并且必须仅基于少量校准输入数据对其进行压缩，而无需进行任何重新训练。鉴于新兴的软件和硬件支持通过加速剪枝和/或量化来执行压缩模型，这个问题变得很普遍，并且已经针对这两种压缩方法分别提出了性能良好的解决方案。在本文中，我们介绍了一种新的压缩框架，该框架在统一的环境中涵盖权重剪枝和量化，具有时间和空间效率，并且大大提高了现有后训练方法的实际性能。在技术层面，我们的方法基于 [LeCun、Denker 和 Solla，1990] 的经典最佳脑外科医生 (OBS) 框架的精确和高效实现，该框架扩展到还涵盖现代 DNN 规模的权重量化。从实际角度来看，我们的实验结果表明，它可以显著改善现有后训练方法的压缩-准确度权衡，并且可以在后训练环境中实现修剪和量化的准确复合应用。
用于龋齿检测的人工智能：数据的价值......
人工智能 (AI) 和深度学习子领域的应用已迅速进入医疗领域。特别是使用卷积神经网络 (CNN) 进行图像分析已被证明具有提高从业人员的可靠性和准确性的潜力。CNN 通过反复消化图像和图像标签对（例如，“此图像包含某种病理”）来学习图像中固有的统计模式，这些标签通常由医学专家提供，并最终能够评估未见过的数据 (LeCun 等人，2015)。对于检测龋齿病变，我们在诊断准确性研究 (Cantu 等人，2020) 中发现 CNN 的诊断准确度优于单个牙医，并在随机对照试验 (Mertens 等人，2021) 中证实了这一点。检测龋齿病变等病理本身不会给患者或医疗保健系统带来任何有形价值。相反，健康益处（和进一步的成本）来自后续（正确或错误分配的）治疗。对于射线照片上的龋齿检测，在建模研究中发现 CNN 具有成本效益，其中使用马尔可夫模型跟踪患者一生中检测到的（或未检测到的）和治疗的（或未治疗的）病变（Schwendicke