XiaoMi-AI文件搜索系统
World File Search SystemMulti
一周的国家水平教师发展计划“ AI和数据科学的多学科研究趋势”
一周的国家一级教师发展计划（FDP）关于1月29日至2024年2月2日计划的“人工智能多学科研究趋势（AI）和数据科学”。此FDP旨在使教职员工掌握遍历AI和数据科学景观所需的知识和技能，从而促进了在学术界的创新，协作和负责任的技术文化。
通过共享缺少模态的多模态学习...
缺失模态问题对于多模态模型来说至关重要，但并非易事。当前旨在处理多模态任务中缺失模态问题的方法要么仅在评估期间处理缺失模态，要么训练单独的模型来处理特定的缺失模态设置。此外，这些模型是为特定任务设计的，例如，分类模型不易适应分割任务，反之亦然。在本文中，我们提出了共享特定特征建模 (ShaSpec) 方法，该方法比解决上述问题的竞争方法简单得多，也更有效。ShaSpec 旨在通过学习共享和特定特征来更好地表示输入数据，从而在训练和评估期间利用所有可用的输入模态。这是通过一种依赖于基于分布对齐和域分类的辅助任务以及残差特征融合程序的策略实现的。此外，ShaSpec 的设计简单性使其易于适应多种任务，例如分类和分割。在医学图像分割和计算机视觉分类方面进行了实验，结果表明 ShaSpec 的表现远胜于竞争方法。例如，在 BraTS2018 上，ShaSpec 将增强肿瘤的 SOTA 提高了 3% 以上，将肿瘤核心的 SOTA 提高了 5%，将整个肿瘤的 SOTA 提高了 3%。1
MAIA 项目：多语言 AI 代理助理
在线对话支持——聊天——是增长最快的客户服务渠道，是千禧一代获得客户服务的首选方式。如今，通过该渠道支持国际客户主要是通过使用讲不同语言的人工代理——一种稀缺且昂贵的资源。语言技术（机器翻译和对话系统）在过去几年中取得了巨大进步，使其成为多语言客户服务的有吸引力的工具。然而，当前的系统仍然过于脆弱和不切实际：首先，它们需要太多数据和计算能力，在标记数据稀缺的领域或语言中失败；其次，它们不捕获上下文信息（例如，当前的机器翻译系统以逐句为基础工作，忽略对话上下文）；第三，全自动系统缺乏人类同理心，在意外情况下会失败，导致客户满意度低
MP-SeizNet：一种使用 EEG 进行癫痫类型分类的多路径 CNN Bi-LSTM 网络。
癫痫发作类型识别对于癫痫患者的治疗和管理至关重要。然而，这是一个耗时耗力的困难过程。随着机器学习算法的进步，自动诊断系统有可能加速分类过程、提醒患者并支持医生做出快速准确的决策。在本文中，我们提出了一种新型多路径癫痫发作类型分类深度学习网络 (MP-SeizNet)，它由卷积神经网络 (CNN) 和具有注意机制的双向长短期记忆神经网络 (Bi-LSTM) 组成。本研究的目的是仅使用脑电图 (EEG) 数据对特定类型的癫痫发作进行分类，包括复杂部分性、简单部分性、失神性、强直性和强直阵挛性癫痫发作。EEG 数据以两种不同的表示形式输入到我们提出的模型中。 CNN 接收从 EEG 信号中提取的小波特征，而 Bi-LSTM 接收原始 EEG 信号，以便我们的 MP-SeizNet 能够从癫痫发作数据的不同表示中进行联合学习，从而获得更准确的信息学习。我们利用最大的 EEG 癫痫数据库——天普大学医院 EEG 癫痫发作语料库 TUSZ v1.5.2 评估了所提出的 MP-SeizNet。我们使用三重交叉验证对不同患者数据评估了我们提出的模型，并使用五重交叉验证对癫痫发作数据评估了模型，结果分别获得了 87.6% 和 98.1% 的 F1 分数。
地理空间植被预测的多模式学习
精确的地理空间植被预测具有各个部门的潜力，包括农业，林业，植物援助和碳会计。为了利用卫星图像的广泛可用性来完成此任务，各种作品应用了深层神经网络，以预测具有逼真质量的多光谱图像。但是，尚未彻底探索植被动力学的重要领域。我们的研究介绍了Greenearthnet，这是第一个专门为高分辨率植被预测设计的数据集，以及ContextFormer，这是一种新颖的深度学习方法，可预测Sentinel 2卫星2卫星图像，并在整个Eu-Rope之间进行精细分辨率。我们的多模式变压器模型上下文形式通过视觉主链利用空间上下文，并以参数有效的方式预测局部上下文贴片上包含气象时间序列的时间动态。Greenearthnet数据集具有学习的云蒙版和适当的植被建模评估方案。它还与现有的卫星图像预测数据集SEARNET2021保持兼容性，从而实现了跨数据库模型比较。我们广泛的定性和定量分析表明，我们的方法的表现优于广泛的基线技术。这包括超越了SEARNET2021上的先前最先进的模型，以及时间序列预测和视频预测的改编模型。我们提供开源代码和预训练的权重，以根据https：// gith ub.com/vitusbenson/greenearthnet [10]重新产生我们的实验结果。据我们所知，这项工作为大陆规模植被建模的第一个模拟介绍了良好的分辨，能够在季节性周期以外捕获异常，从而为对气候变化和极端的响应铺平了预测植被健康和行为的道路。
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。
PT Multix 1PT Multix 1
UC3M领导一个欧洲项目，建立了6G网络，与Carlos III de Madrid大学（UC3M）与现实进行智能互动，这是一个欧洲科学项目，这是一个欧洲科学项目，其中17个研究中心和技术公司参与了该项目，旨在彻底改变未来的6G通信网络，从而改变他们的概念和运营。通过整合多感知感知的创新系统，多Ix旨在使网络能够智能观察环境并实时与环境进行交互。这项创新旨在改变相关部门，例如医疗设施和自动驾驶汽车行业。“我们希望通过这项技术的开发实现的目标是，网络不再是简单的通信供应商，并成为现实的积极观察者，能够与之互动，” UC3M Telematic工程系教授Antonio de la Oliva解释说。“为此，我们想使用多种工具，例如相机和通信网络，这些工具同时用作传感器。以这种方式，我们可以更广泛地了解周围发生的事情，并构想一个新的访问网络。 ”该项目的推广者解释说，这项新技术的众多应用之一是使网络能够认识到特定地区是否有更多的人集中在特定地区，如果一名老人在家中遭受下降或优化封面的分配，以动态地适应用户的需求。此时多IX正在工作的其他潜在用途包括在家中相关的工业自动化和健康过程。一方面，我们希望网络能够实时协调机器人运动，检测障碍并允许更有效的任务管理。”“另一方面，该项目正在努力监控健康，而无需在国内环境中接触。IE通过连接的家用设备，可以监测心率或呼吸等生命体征。实际上，该网络甚至可以检测到紧急情况，例如心脏病发作，并可能警告健康服务。透明另一方面，多数还因为对可持续性的关注而脱颖而出，这是6G技术的基本挑战。因此，为了最大程度地提高能源效率并降低资源消耗，该项目利用人工智能来实施低消费解决方案并适应未来网络的需求。
一种多视图聚类的锚点增强策略
近年来，基于锚点的方法在多视图聚类中取得了可喜的进展。这些方法的性能受到锚点质量的显著影响。然而，以前的研究生成的锚点仅仅依赖于单视图信息，忽略了不同视图之间的相关性。特别地，我们观察到相似的模式更有可能存在于相似的视图之间，因此可以利用这种相关性信息来提高锚点的质量，而这同样被忽略了。为此，我们提出了一种新颖的即插即用的通过视图相关性进行多视图聚类的锚点增强策略。具体而言，我们基于对齐的初始锚点图构建视图图来探索视图间相关性。通过从视图相关性中学习，我们使用相邻视图上锚点和样本之间的关系来增强当前视图的锚点，从而缩小相似视图上锚点的空间分布。在七个数据集上的实验结果证明了我们的方法优于其他现有方法。此外，大量的对比实验验证了所提出的锚增强模块应用于各种基于锚的方法时的有效性。
利用生物传感器实现抗生素多路复用现场治疗药物监测
随着抗生素耐药性不断上升到危险水平，我们面临失去抗生素效力的风险。新开发的药物失效速度比过去几十年快得多，而我们新发明的速度却令人担忧地落后。这一瓶颈迫使我们重新评估关于如何使用现有抗生素的战斗策略。治疗药物监测 (TDM) 是一种临床实践，用于测量血液或血浆中或可与血液药物水平相关的其他生物体液中的药物浓度。抗生素治疗的成功在很大程度上取决于能否将抗生素浓度保持在治疗范围内，以适应患者独特的药代动力学/药效动力学 (PK/PD)。然而，在目前的实践中，这个操作窗口是根据数据确定的