XiaoMi-AI文件搜索系统
World File Search SystemLearning
从远处的表亲学习？奖之后的经济学，比较政治经济学和增长模型
自全球金融危机以来，政治经济学家对后的宏观经济理论的兴趣越来越大。尤其是比较政治经济学（CPE）的最新增长模型大大借鉴了需求制度的宏观经济学。本文首先追踪了19世纪政治经济学的瓦解，并强调了异质经济学中的许多流是政治经济学项目的延续，社会科学中CPE和国际政治经济学的子领域也是如此。其次，本文概述了增长模型方法及其与之后的经济学（PKE）的关系。它阐明了从经验上识别增长模型的不同策略，即GDP增长分解与分析增长动力的策略，并突出了自全球金融危机以来增长模型的变化。最终，它确定了PKE与政治经济的持续参与，尤其是与CPE的持续参与所带来的机遇和挑战。
学习人机团队的互补政策
当算法和人类都无法在给定上下文中的所有实例中发挥主导作用时，人机互补性就很重要。最近探索人机协作的研究考虑了与分类任务相对应的决策。然而，在许多人类可以从人工智能互补性中受益的重要情况下，人类会采取行动。在本文中，我们提出了一种新颖的人机协作框架，用于选择有利的行动方案，我们将其称为人机团队的学习互补政策 (LCP - HAI)。我们的解决方案旨在利用人机互补性来最大化决策奖励，通过学习旨在补充人类的算法策略，通过使用路由模型将决策推迟给人类或人工智能以利用由此产生的互补性。然后，我们扩展了我们的方法来利用机会并降低实践中重要情况下出现的风险：1）当一个团队由多个具有差异和潜在互补能力的人组成时，2）当观察数据包括一致的确定性动作时，3）当未来决策的协变量分布与历史数据不同时。我们使用真实人类反应和半合成数据证明了我们提出的方法的有效性，并发现我们的方法在各种设置下都提供了可靠且有利的性能，并且优于算法或人工智能自己做出决策时。我们还发现，我们提出的扩展有效地提高了人机协作性能在不同挑战性设置下的稳健性。
使用机器学习预测中风 - 警告
中风是全球第二大死亡原因，对个人和国家医疗保健系统来说仍然是一个重要的健康负担。我们的项目将机器学习原理应用于大量现有数据集，以根据潜在可改变的风险因素有效地预测中风。然后，它打算开发应用程序，根据每个用户的中风风险水平提供个性化警告，并提供有关中风风险因素的生活方式纠正信息。
镜子u-net：将多模式裂变与多任务学习嫁给医学成像中的语义分割
正电子发射断层扫描（PET）和计算的刻录术（CT）通常共同用于检测肿瘤。PET/CT分割模型可以自动化肿瘤的描述，但是，当前的多模式模型不能完全阐明每种模式中的互补信息，因为它们要么串联PET和CT数据，要么在决策水平上融合它们。为了对抗这一点，我们提出了镜像u-net，它通过将多模式表示形式分配到模态特异性的解码器分支和辅助多模态解码器中，以多模态化的方式代替了传统的融合方法。在这些分支上，镜像u-net标志着一个针对每种模式量身定制的任务，以增强单峰特征，同时保留共享表示中的多模式特征。与以前的方法相比使用了其他方法或多任务学习，Mirror U-net将两个范式结合在一个统一的框架中。我们探索各种任务组合，并检查在模型中共享的哪些参数。我们在Autopet PET/CT和多模式MSD Braintumor数据集上评估了Mirror U-NET，证明了其在多模式分段中的有效性并在两个数据集中实现了先进的性能。代码：https：//github.com/zrrrrr1997/ autopet_challenge_mirrorunet
深层：使用深度学习和公共多光谱图像促进大规模自动化树库存
Deeptrees项目提供了用于培训，微调和部署深度学习模型的工具，以使用德国的数字矫正图计划（DOP）以20 cm的分辨率从德国的数字矫正图计划（DOP）中使用公共访问的图像进行诸如Tree Crown分割，树状特征检测和树种分类。这些DOP图像是根据“ Amtliches popographis-kartographissches Informationssystems”（AKTIS）指南进行标准化的，以确保其长期使用的可靠性和一致性[2]。利用深层python软件包，我们成功地绘制了萨克森州（137,293,260棵树）和萨克森 - 安哈尔特（81,449,641棵树）的218,742,901棵树，展示了该工具在森林，Urban和乡村环境中的可伸缩性（图1）。这些数据集为市政当局和机构提供了宝贵的见解，以管理街道树木，监测城市绿化和评估森林健康，从而实现更明智的决策和可持续的管理实践。
用于预测患者预后的机器学习
机器学习的进步（ML）正在通过基于复杂的多维数据来预测患者结果，从而改变了医疗保健行业。本研究探讨了ML模型在各种医疗状况中预测治疗功效的使用，重点是改善患者的结果和个性化治疗计划。预测结果的传统方法，例如临床判断和统计模型，通常在处理大量患者数据和治疗反应的可变性方面通常缺乏。相比之下，ML算法，包括决策树，支持向量机和神经网络，为更准确和数据驱动的预测提供了潜力。
6G中值得信赖的深度学习启用了群众自主权
摘要 - 质量自治有望彻底改变广泛的工程，服务和流动性行业。超密集的自主代理之间的协调复杂的沟通需要新的人工智能（AI）在第五代（5G）和第六代（6G）移动网络中实现无线通信服务的管弦乐队。在特定的安全和任务关键任务中，合法需要透明的AI决策过程，以及一系列人类最终用户（消费者，工程师，法律）的量化质量质量质量（QOT）指标。我们概述了6G的值得信赖的自主权的概念，包括基本要素，例如可解释的AI（XAI）如何产生信任的定性和定量方式。我们还提供了与无线电资源管理和相关的关键绩效指标（KPI）集成的XAI测试协议。提出的研究方向将使研究人员能够开始测试现有的AI优化算法，并开发新的算法，认为应该从设计到测试阶段内置信任和透明度。
人工智能与深度学习硬件...
Ashutosh Mishra 博士于 2018 年获得印度理工学院 (BHU) 瓦拉纳西电子工程系博士学位。他曾在印度国家技术学院 Raipur 分校担任电子与通信工程助理教授。他是韩国国家研究基金会通过韩国科学与信息通信技术部提供的 2019 年韩国研究奖学金 (KRF) 的获得者。目前，他在韩国延世大学无缝交通实验室担任研究员。他的研究兴趣包括智能传感器、智能系统、自动驾驶汽车和人工智能等。