XiaoMi-AI文件搜索系统
World File Search SystemML
机器学习与人工智能：SWOT 分析
教职人员@莱斯大学、新加坡国立大学、于默奥大学、浙江大学、北卡罗来纳大学、林雪平分校、印度医学科学院、卡本代尔大学、文图拉大学、南洋理工大学、以色列理工学院 博士后@苏黎世联邦理工学院（3）、麻省理工学院（2）、麦吉尔大学、图灵大学 其他@Kandou bus、SwissRE、TUM
用于可变形医学图像配准的相关感知粗到精 MLP
可变形图像配准是医学图像分析的基本步骤。最近，Transformer 已用于配准，其表现优于卷积神经网络 (CNN)。Transformer 可以捕获图像特征之间的长距离依赖性，这已被证明对配准有益。然而，由于自注意力的计算/内存负载高，Transformer 通常用于下采样特征分辨率，无法捕获全图像分辨率下的细粒度长距离依赖性。这限制了可变形配准，因为它需要每个图像像素之间精确的密集对应关系。没有自注意力的多层感知器 (MLP) 在计算/内存使用方面效率高，从而可以捕获全分辨率下的细粒度长距离依赖性。然而，MLP 尚未在图像配准中得到广泛探索，并且缺乏对医学配准任务至关重要的归纳偏差的考虑。在本研究中，我们提出了第一个基于相关感知 MLP 的配准网络 (CorrMLP) 用于可变形医学图像配准。我们的 CorrMLP 在新颖的粗到细配准架构中引入了关联感知多窗口 MLP 块，该架构可捕获细粒度多范围依赖性以执行关联感知粗到细配准。对七个公共医疗数据集进行的大量实验表明，我们的 CorrMLP 优于最先进的可变形配准方法。
MLD-日常生活中的能量
单元-II化石燃料和能源转换能源：化石燃料及其类型，能源含量和能源潜力，能源容量测量，能量转换，转化效率，化石燃料和供应链的全球潜力 - 污染的起源 - 污染类型及其对日常生活的影响 - 能源，环境和可持续发展之间的日常生活。
ML-DSA Post-...
纸质贡献。本文研究了ML-DSA的内存优化技术，以增强其实际适用性，同时保留其强大的安全性。探索的关键优化之一是通过现场矩阵矢量乘法减少内存足迹。通过实施这些操作，该算法可以显着减少所需的内存量，从而使在具有约束资源的环境中部署ML-DSA更为可行，例如嵌入式系统，IoT设备和移动平台。另一个重要的优化是减少秘密钥匙大小，这是通过延迟构成秘密钥匙的七个参数的计算来获得的，直到需要签名的那一刻。因此，ML-DSA的关键内存消耗可能会降低，从而提高了其对大型秘密键存储的各种实际用例的适合能力。
XMTP MLS实施评论
libxmtp，它们对可扩展消息传输协议（XMTP）的生锈实现，它是在Web3环境中建立在消息层安全性（MLS）上的，用户将其现有的基于区块链的身份利用其基于区块链的身份进行身份验证。该应用程序是由OpenML的基础，并提供了XIP-46中所述的自定义身份验证服务，该服务建立了将多个钱包地址与单个自我管理的身份相关联的框架。审查是由三个顾问在三周的时间内进行的，总共努力为25人。在2024年11月18日的一周进行了一次重新测试，发现11个发现中有9个已固定。其余2个发现被视为“接受风险”，XIP-46更新了集成应用程序的设计选择和责任。
PharmAML：创建一个机器学习过程来分析动作机理＆
●随机森林：一种合奏学习算法，该算法构建了多个决策树并结合了输出以提高准确性并减少过度效果。●XGBoost：像随机森林一样，XGBoost是一种集合学习算法，但它使用梯度提升来依次构建决策树，在每个步骤上纠正错误，以提高准确性和效率。●KNN：一种基于实例的学习算法，该算法基于其K最近的K最近邻居的多数类或通过平均值来预测值。●XGBlend：我们创建的XGBoost模型！将标准神经网络与XGBoost体系结构相结合，以提高算法处理的速度。●1D-CNN：使用卷积层将每一行视为1D序列的卷积神经网络，以捕获特征相互作用并提取图案，以提高预测性能。●TABNET：专为表格数据而设计的深度学习模型，利用注意机制动态选择相关特征，从而实现可解释性和有效的学习。
人工智能（AI）和机器学习（ML）培训教学大纲
该教学大纲旨在为参与者提供对人工智能（AI）和机器学习（ML）概念的全面理解，涵盖了理论基础和实际应用。参与者将获得流行的AI/ML库和框架的动手经验，从而使他们能够为各种现实世界中的问题构建和部署AI和ML解决方案。
基于优化的ML- ...
在启动应用程序或设备时，用户可以保证环境尚未被恶意或其他方式更改？确保环境的完整性和机密性至关重要，尤其是在不在完全控制和安全的环境中的系统中。设备的完整性确保其数据是准确的，并且没有被恶意药物篡改，从而保护信息内容。在这种情况下，有必要使用证明环境保持安全状态的机制。tpms对于确保计算系统的完整性和可信度至关重要。他们使用对称密钥方案和消息验证代码（MAC）验证了硬件和软件组件的真实性。此外，TPM支持使用公共密钥加密算法，以允许受信任的第三方评估和比较不同设备的完整性。此过程对于防止运营失败，财务损失，服务中断和安全风险至关重要，突出了TPMS在维持系统完整性和安全性中的关键作用。
在学校使用 Scratch 和 LearningML 学习人工智能.pdf
Brummelen, JV、Shen, JH 和 Patton, EW (2019)。流行歌星、诗人和格林奇：通过基于块的编码将人工智能与计算思维框架联系起来。2019 年国际计算思维教育会议论文集。香港：香港教育大学，2