XiaoMi-AI文件搜索系统
World File Search SystemMach
人工智能和机器学习的专利保护
在依赖发明人了解潜在的现有技术时，尤其是对于使用人工智能的发明，您应该谨慎行事。许多公司和大学都强烈鼓励发明人寻找在现有流程中实施人工智能的方法，这导致许多发明人无意中重新发明了其他人可能已经探索或实施的东西。当然，这并不一定意味着两组发明人都发明了相同的解决方案。如果您确实发现了这样的问题，您应该彻底调查这些方法是否真的相同，或者这些方法之间是否存在差异，这些差异可能足以证明新颖性和非显而易见性。请参阅显而易见性驳回：攻击表面案例和显而易见性驳回：反驳表面案例。
利用生物信号进行焦虑检测的机器学习
摘要：焦虑症 (AD) 是一种主要的精神疾病。然而，由于 AD 的症状和混杂因素很多，很难诊断，患者长期得不到治疗。因此，研究人员对非侵入性生物信号的兴趣日益浓厚，例如脑电图 (EEG)、心电图 (ECG)、皮肤电反应 (EDA) 和呼吸 (RSP)。将机器学习应用于这些信号使临床医生能够识别焦虑模式并区分病人和健康人。此外，已经开发了具有多种不同生物信号的模型，以提高准确性和便利性。本文回顾并总结了 2012 年至 2022 年发表的将不同的机器学习算法应用于各种生物信号的研究。在此过程中，它提供了当前发展优缺点的观点，以指导未来焦虑检测的进步。具体而言，这篇文献综述表明，对于样本量为 10 至 102 名参与者的研究，测量准确度在 55% 至 98% 之间，非常有希望。平均而言，仅使用 EEG 的研究似乎获得了最佳性能，但使用 EDA、RSP 和心率可获得最准确的结果。随机森林和支持向量机被发现是广泛使用的机器学习方法，只要进行了特征选择，它们就会产生良好的结果。神经网络也被广泛使用，并提供良好的准确性，其优点是不需要进行特征选择。这篇综述还评论了模态的有效组合以及检测焦虑的不同模型的成功。
机器学习和人工智能的成熟度评估
Contino 是一家专业服务公司，通过采用数据平台、数据科学企业 DevSecOps 和云原生计算，帮助组织实现可衡量的转型。我们帮助客户构建自己的创新引擎，使他们能够更快、更高效地提供更好的解决方案，作为其数字化转型目标的一部分，并减少对外部提供商的依赖。我们与所有客户采用双重交付和技能提升方法。这意味着，除了帮助您完成最具战略性的项目外，我们还将专注于技能转移和提高您自己的数据管理和利用、云、DevSecOps 和相关最佳实践（如 CI/CD、自动化和微服务的采用）的能力。
在复杂的样本设计，复杂的评估结构和复杂的不确定性下的机器学习
摘要。使用统计建模可以从数据得出结论时有两种文化。一个人假设数据是由给定随机数据模型生成的。另一个使用算法模型，并将数据机理视为未知的。统计社区已致力于几乎独家使用数据模型。这一承诺导致了无关紧要的理论，可疑的结论，并阻止了统计学家从事各种有趣的当前问题。在理论和实践中，算法建模在统计数据外迅速发展。 它既可以在大型复杂的数据集上使用，也可以用作更准确，更有信息的替代方法，可在较小的数据集上进行数据建模。 如果我们作为领域的目标是使用数据来解决问题，那么我们需要摆脱对数据模型的独家依赖并采用更多样化的工具。算法建模在统计数据外迅速发展。它既可以在大型复杂的数据集上使用，也可以用作更准确，更有信息的替代方法，可在较小的数据集上进行数据建模。如果我们作为领域的目标是使用数据来解决问题，那么我们需要摆脱对数据模型的独家依赖并采用更多样化的工具。
使用 IBM 量子计算机模拟器和 IBM 量子计算机硬件将量子机器学习应用于 LHC 的高能物理分析
我们小组率先在 LHC 的高能物理分析中使用量子机器学习 (QML)。我们已在门模型量子计算机模拟器和硬件上成功将几种 QML 分类算法应用于 ttH（与顶夸克对相关的希格斯粒子生成）和希格斯粒子到两个μ子（希格斯粒子与第二代费米子的耦合）这两项最近的 LHC 旗舰物理分析。模拟研究已使用 IBM Quantum Framework、Google Tensorflow Quantum Framework 和 Amazon Braket Framework 进行，并且我们已实现良好的分类性能，其性能类似于目前在 LHC 物理分析中使用的经典机器学习方法，例如经典 SVM、经典 BDT 和经典深度神经网络。我们还使用 IBM 超导量子计算机硬件进行了研究，其性能令人鼓舞，并且接近 IBM 量子模拟器的性能。此外，我们将研究扩展到其他 QML 领域，例如量子异常检测和量子生成对抗，并已取得一些初步成果。此外，我们还使用 NVIDIA cuQuantum 和 NERSC Perlmutter HPC 克服了大量子比特（25 个量子比特或更多）和大量事件情况下的密集计算资源挑战。
让人工智能远离自我炒作：了解机器学习的益处和挑战
本文比较了不同的船舶性能建模方法，目的是找到最适合运营优化的建模技术。特别强调了机器学习等数据驱动方法的潜力和挑战。与中午报告相比，使用基于传感器数据的数据驱动方法的附加值是量化的。除了行业标准方法之外，还提出了一种基于物理信息机器学习的新方法，称为“船舶内核”。船舶内核在短期准确性方面优于此处考虑的其他方法。这使它们成为需要对广泛条件进行预测的运营优化（例如路线和速度优化）的理想构建块。与其他方法相比，船舶内核具有出色的长期准确性，使其成为性能监控用例（例如与船体和螺旋桨性能相关的维护计划）的宝贵工具。本文最后对机器学习操作化面临的挑战进行了总体评论和警告。
应用机器学习算法预测非正规经济的规模
近来，使用机器学习模型和技术预测经济变量的情况越来越多，其动机是它们比线性模型具有更好的性能。尽管线性模型具有相当大的解释能力的优势，但近年来，人们加大了努力，使机器学习模型更具解释性。本文进行了测试，以确定基于机器学习算法的模型在预测非正规经济规模方面是否比线性模型具有更好的性能。本文还探讨了机器学习模型检测到的最重要的这种规模的决定因素是否与文献中基于传统线性模型检测到的因素相同。为此，从 2004 年到 2014 年，收集并处理了 122 个国家的观测数据。接下来，使用 11 个模型（四个线性模型和七个基于机器学习算法的模型）来预测这些国家非正规经济的规模。使用 Shapley 值计算了预测变量在确定机器学习算法产生的结果中的相对重要性。结果表明：(i)基于机器学习算法的模型比线性模型具有更好的预测性能；(ii)通过 Shapley 值检测到的主要决定因素与文献中使用传统线性模型检测到的主要决定因素一致。