XiaoMi-AI文件搜索系统
World File Search SystemParanjape
Trenton Chang
[P6] E. A. Chi，A。Paranjape，A。参见，C。Chiam，T。Chang，K。Kenealy，S。K。Lim，A。Hardy，C。Rastogi，H。Li，A。Iyabor，Y。He，H。Sowrirajan，P。 2022。
CICP ICME '24CICP ICME '24
使用机器学习Akshay Paranjape，UgurKüpper，Daniel Schulze Brock，Daniel Schulze Brock，Robert H. Schmitt，Markus Ohlenforst，Martin Peterek（德国）基于计算机的深度学习方法，用于自动化分层检测和分类的碳纤维Monson Monsone Monsone Pairyir pairyir Pairyir， ConceiçãoJr。，Alessandro Roger Rodrigues，Fabio Romano Lofrano Dotto（巴西）16.30 - 16.45会议关闭与告别
Megha Srivastava
Mina Lee, Megha Srivastava , Amelia Hardy, John Thickstun, Esin Durmus, Ashwin Paranjape, Ines Gerard-Ursin, Xiang Lisa Li, Faisal Ladhak, Frieda Rong, Rose E. Wang, Minae Kwon, Joon Sung Park, Hancheng Cao, Tony Lee, Rishi Bommasani, Michael Bernstein,珀西·梁。“评估人类语言模型的互动”机器学习研究（TMLR）的交易，2023。
人工智能进步对中低收入国家实验室医学的影响：挑战与建议——文献综述
1. Paranjape K、Schinkel M、Hammer RD 等。人工智能在实验室医学中的价值。Am J Clin Path。2021；155(6)：823 ‐ 831。doi:10.1093/ajcp/aqaa170 2. AAcC.org。实验室医学中人工智能的现状报告。2023 年 1 月 1 日。2023 年 12 月 1 日访问。https://www.aacc.org/cln/articles/2023/janfeb/a-status-report-on-ai-in-laboratory-medicine 3. Hanna MG、Hanna MH。人工智能在病理学中的当前应用和挑战。Hum Pathol Rep。2022；27：300596。 doi:10.1016/j.hpr.2022.300596 4. López DM、Rico ‐ Olarte C、Blobel B、Hullin C。通过人工智能改变中低收入国家卫生生态系统的挑战和解决方案。Front Med。2022；9：958097。doi:10.3389/fmed.2022.958097 5. Ciecierski ‐ Holmes T、Singh R、Axt M、Brenner S、Barteit S。人工智能用于加强中低收入国家医疗保健系统：系统范围审查。NPJ Digit Med。2022；5(1)：162。 doi:10.1038/s41746-022-00700-y 6. Lencucha R、Neupane S。“低收入和中等收入国家”类别的使用、误用和过度使用。BMJ Glob Health。2022；7(6):e009067。doi:10.1136/bmjgh-2022-009067 7. Nkengasong JN、Yao K、Onyebujoh P。低收入和中等收入国家的实验室医学：进展与挑战。
人工智能教育文本分类 - 个人机器人集团
[1] Abhijnan Chakraborty、Bhargavi Paranjape、Sourya Kakarla 和 Niloy Ganguly。2016 年。杜绝点击诱饵：检测和预防在线新闻媒体中的点击诱饵。在《社交网络分析与挖掘进展》（ASONAM）中，2016 年 IEEE/ACM 国际会议。IEEE，9-16。[2] Stefania Druga。2018 年。Cognimates。http://cognimates.me/home/ [3] 谷歌。[nd]。https://tfhub.dev/google/universal-sentence-encoder/4 [4] Italo José。[nd]。https://towardsdatascience.com/knn-k-nearest-neighbors-1-a4707b24bd1d [5] Kaggle。[nd] https://www.kaggle.com/lakshmi25npathi/sentiment-analysisof-imdb- movie-reviews/data [6] Ken Kahn、Rani Megasari、Erna Piantari 和 Enjun Junaeti。2018 年。发展中国家儿童使用 Snap! 进行 AI 编程的块编程。在 EC-TEL 从业者论文集 2018：第 13 届欧洲技术增强学习会议，英国利兹，2018 年 9 月 3 日至 6 日。http://ceur-ws.org/Vol-2193/paper1.pdf [7] 终身幼儿园。[nd]。https://github.com/LLK/scratch-blocks [8] 儿童机器学习。[nd]。https://machinelearningforkids.co.uk/ [9] 个人机器人小组和 I2 学习。[nd] https://aieducation.mit.edu/documents/i2educatorguide2019.pdf [10] TensorFlow。[nd]。https://github.com/tensorflow/tfjs-models/tree/master/knnclassifier [11] David Touretzky、Christina Gardner-McCune、Fred Martin 和 Deborah Seehorn。2019 年。展望 K-12 的人工智能：每个孩子应该了解哪些人工智能知识？在 AAAI 中。[12] Uclassify。[nd]。https://uclassify.com/ [13] Jessica Raquelle Van Brummelen。2019 年。创建和民主化对话式人工智能的工具。[14] Avinash Navlani。2018 年。https://www.datacamp.com/community/tutorials/k-nearest-neighbor-classification-scikit-learn [15] Julia Bazińska。 2017。https://lamyiowce.github.io/word2viz/
tnm以外的预后标记
P-D-08研究摘要用于医学图像分割的黑盒改编Jay Nitin Paranjape； Shameema Sikder，医学博士，FACS； S. Swaroop Vedula，MBBS，博士，MPH；以及马里兰州巴尔的摩的Vishal M. Patel Johns Hopkins大学；约翰·霍普金斯大学医学院，马里兰州巴尔的摩简介：大型基础模型在一般计算机视觉任务中具有先进的图像细分，但是由于接受了非医疗数据培训，它们在医学图像细分方面经常表现不佳。当前用于将这些模型调整为医疗任务的方法通常假设对模型参数完全访问，这并不总是可行的，因为许多模型仅作为API或黑框可用。此外，对此类模型进行微调可能是计算密集的，并且隐私问题限制了与第三方共享医疗数据。方法：为了解决这些挑战，我们提出了BAPS（用于促进分割的黑盒改编），这是一种新型技术，旨在在黑盒条件下适应医疗图像分割中的基础模型。BAPS由两个组成部分组成：一个图像促销解码器（IP解码器），该解码器（IP解码器）从输入映像和提示中生成视觉提示，以及零订单优化（Zoo）方法，SPSA-GC，该方法可更新IP解码器，而无需通过基础模型进行回音。此方法允许在不了解模型的权重或梯度的情况下进行适应，因此它非常适合黑色盒子方案。结果：BAPS以四种不同的医学成像方式进行了测试，表明原始基础模型的性能大约提高了4％。公开可用的BAPS代码。实现了这种改进，而没有与基础模型的内部参数进行任何直接相互作用，从而突出了我们的黑盒适应方法的有效性。结论：BAPS为将基础模型调整为医学图像分割提供了创新的解决方案，尤其是在模型参数无法访问时。通过将图像推出解码器与零订单优化方法相结合，BAP可以有效地提高分割性能，而无需访问模型的内部结构。这种方法解决了计算和隐私方面的关键挑战，为在医学成像中应用基础模型提供了新的途径。
John Glongstun
1。背包语言模型。在计算语言学协会年会（ACL）年会2023年。接受率：23.5％未偿还纸张奖：39 /3872纸提交。约翰·休伊特（John Hewitt），约翰·加斯敦（John Glongstun），克里斯托弗·D·曼宁（Christopher D. Manning），珀西·梁（Percy Liang）。2。通过生成预训练的旋律转录。在国际音乐信息检索研讨会（ISMIR）2022中。接受率：43.3％的克里斯·多纳休（Chris Donahue），约翰·加斯敦（John Glongstun），珀西·梁（Percy Liang）。3。扩散lm改善可控文本生成。神经信息处理系统的进步（神经）2022。接受率：25.6％的口头呈递。Xiang Lisa Li，John Glongstun，Ishaan Gulrajani，Percy Liang，Tatsunori B. Hashimoto。 4。 淡紫色：使用发散边界来测量神经文本和人类文本之间的差距。 神经信息处理系统的进步（神经）2021。 接受率：25.7％未偿还纸张奖：6 /9122纸质提交。 奎师那·普鲁图拉（Krishna Pillutla），斯瓦巴（Swabha Swayamdipta），罗文·泽勒斯（Rowan Zellers），约翰·盖斯坦（John Gondstun），肖恩·威尔克（Sean Welleck），Yejin Choi，Zaid Harchaoui。 5。 通过Langevin Dynamics从自回旋模型进行平行和灵活的采样。 在机器学习国际会议（ICML）2021中。 接受率：21.5％Vivek Jayaram*，John Glongstun*（*同等贡献）。 6。 使用连续时间梯度更快地学习。 动态与控制学习（L4DC）2021。 7。 8。 9。 10。Xiang Lisa Li，John Glongstun，Ishaan Gulrajani，Percy Liang，Tatsunori B. Hashimoto。4。淡紫色：使用发散边界来测量神经文本和人类文本之间的差距。神经信息处理系统的进步（神经）2021。接受率：25.7％未偿还纸张奖：6 /9122纸质提交。奎师那·普鲁图拉（Krishna Pillutla），斯瓦巴（Swabha Swayamdipta），罗文·泽勒斯（Rowan Zellers），约翰·盖斯坦（John Gondstun），肖恩·威尔克（Sean Welleck），Yejin Choi，Zaid Harchaoui。5。通过Langevin Dynamics从自回旋模型进行平行和灵活的采样。在机器学习国际会议（ICML）2021中。接受率：21.5％Vivek Jayaram*，John Glongstun*（*同等贡献）。6。使用连续时间梯度更快地学习。动态与控制学习（L4DC）2021。7。8。9。10。塞缪尔·阿恩斯沃思（Samuel Ainsworth），肯德尔·洛里（Kendall Lowrey），约翰·康斯敦（John Glongstun），扎伊德·哈科伊（Zaid Harchaoui），悉达多·斯里尼瓦萨（Siddhartha Srinivasa）。一种信息瓶颈方法，用于控制理由提取中的简洁性。自然语言处理中的经验方法（EMNLP）2020。接受率：24.5％Bhargavi Paranjape，Mandar Joshi，John Glongstun，Hannaneh Hajishirzi，Luke Zettlemoyer。用深的生成先验的源分离。在国际机器学习会议（ICML）2020中。接受率：21.8％Vivek Jayaram*，John Glongstun*（*同等贡献）。卷积作曲家分类。在国际音乐信息检索研讨会（ISMIR）2019中。接受率：45.1％苛刻的Verma，John Glongstun。耦合复发模型，用于复音音乐组成。在国际音乐信息检索研讨会（ISMIR）2019中。接受率：45.1％John Glongstun，Zaid Harchaoui，Dean P. Foster，Sham M. Kakade。11。监督音乐转录的不断增长和数据增强。在国际声学，言语和信号处理（ICASSP）2018中。接受率：49.7％的口头介绍。John Gongstun，Zaid Harchaoui，Dean P. Foster，Sham M. Kakade。12。用于多个F0估计的频域卷积。Mirex摘要（技术报告）2017。John Gongstun，Zaid Harchaoui，Dean P. Foster，Sham M. Kakade。13。音乐网：从头开始学习音乐的功能。在2017年国际学习表征会议（ICLR）。接受率：39.1％John Glongstun，Zaid Harchaoui，Sham M. Kakade。