XiaoMi-AI文件搜索系统
World File Search SystemRize
责任不应成为军队的价值观
最后，研究人员发现，由于人类大脑的功能主要在于对物体进行分类并赋予它们品质，因此我们会很自然地将彼此——甚至我们自己——重新归类为拥有类似希望和恐惧的自由人以外的其他东西。14 例如，在战争期间，许多士兵将他们的对手归类为“目标”、“敌人”，甚至是“越南佬”或“朝觐者”。 15 这可能使他们在战斗中更容易被杀死。不过，鲍迈斯特讲述了一个例子，表明这种心理分类在适当的条件下是可以翻转的。在 20 世纪 30 年代的西班牙内战期间，著名作家和道德家乔治·奥威尔正要向一名在无人区方便的法西斯士兵开枪。当奥威尔的战友向法西斯分子开枪时，奥威尔瞄准的那名男子用双手提着裤子逃跑了。奥威尔后来承认，他不敢向那名男子开枪。
使用持久同源性拓扑特征来表征医学图像：肺癌和脑癌案例研究
肿瘤形状是影响肿瘤生长和转移的关键因素。本文提出了一种通过持久同源性计算的拓扑特征来表征数字病理学和放射学图像中的肿瘤进展，并研究了其对事件发生时间数据的影响。所提出的拓扑特征对于尺度保持变换不变，可以总结各种肿瘤形状模式。拓扑特征在功能空间中表示，并用作功能Cox比例风险模型中的功能预测因子。所提出的模型可以对拓扑形状特征与生存风险之间的关联进行可解释的推断。对连续的133名肺癌患者和77名脑瘤患者进行了两项案例研究。两项研究的结果表明，拓扑特征在调整临床变量后可以预测生存预后，预测的高风险组的生存结果比低风险组更差。此外，发现与生存风险呈正相关的拓扑形状特征是不规则和异质的形状模式，已知它们与肿瘤进展有关。
《人工智能法案》下法医图像分析的合规挑战
摘要 — 在法医图像分析的许多应用中，如今最先进的结果都是通过机器学习方法实现的。然而，对其可靠性和不透明性的担忧引发了人们对此类方法是否可以用于刑事调查的疑问。到目前为止，这个法律合规性问题几乎没有被讨论过，这也是因为对机器学习方法的法律规定没有明确定义。为此，欧盟委员会最近提出了人工智能 (AI) 法案，这是一个值得信赖的人工智能使用的监管框架。根据人工智能法案草案，允许在执法中使用高风险人工智能系统，但必须遵守强制性要求。在本文中，我们回顾了为什么将机器学习在法医图像分析中的使用归类为高风险。然后，我们总结了高风险人工智能系统的强制性要求，并根据两个法医应用（车牌识别和深度伪造检测）讨论了这些要求。本文的目的是提高人们对即将到来的法律要求的认识，并指出未来研究的途径。索引术语——法医图像分析、人工智能法案
副教授教授ERDEM DWARF - AVESIS
ERDEM CÜCE 副教授 个人信息 办公室电话：+90 464 223 7518 分机：1203 传真电话：+90 464 223 7514 电子邮件：erdem.cuce@erdogan.edu.tr 其他电子邮件：erdemcuce@gmail.com 网址：https://www.erdemcuce.com 地址：机械工程系，工程与建筑学院，雷杰普·塔伊普·埃尔多安大学，Zihni Derin 校区，53100 Rize，土耳其 国际研究人员 ID ORCID：0000-0003-0150-4705 Publons / Web Of Science 研究人员 ID：P-4562-2015 ScopusID：47560946200 Yoksis 研究人员 ID：152577 教育信息 博士后，诺丁汉大学，工程学院，可持续能源技术研究所，英国2014 - 2016 博士学位，诺丁汉大学，工程学院，可持续能源技术研究所，英国 2012 - 2014 研究生，伦敦大学，伯贝克学院，伦敦预科校园，工程硕士预科课程（Mfp），英国 2011 - 2012 研究生，Karadeniz 技术大学，Mühendislik Fakültesi，Mukine Mühendisliği，土耳其 2006 - 2009 本科，Bursa Uludağ 大学，Mühendislik Fakültesi，Mukine Mühendisliği，土耳其 2002 - 2006 外语 英语，C1 先进 研究领域 能源、替代能源资源、能源存储技术、太阳能、先进能源技术、热力学、传热和传质、供暖、制冷和空调、热系统、数值分析 学术头衔/任务 副教授，雷杰普·塔伊普·埃尔多安大学，MÜHENDISLIK VE MıMARLIK FAKÜLTESI，MAKINE MÜHENDISLIĞI，2021 - 继续
提高移动应用程序能源效率的技术：分类和系统文献评论
智能手机的严重限制是它们具有电池供电。这意味着低电池可能会阻止用户执行重要任务。能源效率被认为是移动应用程序的重要非功能性能。鉴于全球使用的移动设备的双倾向的共同消费，移动应用程序的能源效率与绿色软件工程密切相关[1]。与可持续性一起，两者在许多学科中都是新兴的主题，并且在软件启动中也越来越相关。研究表明，移动开发人员意识到能源消耗问题，并且对解决这些问题的解决方案感兴趣[2]。但是，阻止移动开发人员构建节能软件系统的两个主要障碍是缺乏知识和缺乏工具[3]。因此，我们确定了调查和概括可用技术以提高文献中移动应用程序能源效率的必要性。为了满足这一需求，我们进行了一项大规模的系统文献综述（SLR），旨在汇编有关该主题现有知识的代表性样本。为了增强SLR对从业者和研究人员的可及性和实用性，我们将发现结果组织为分类学。通过浏览分类法的类别，从业人员可以轻松访问相关且适用的研究结果，而研究人员可以找到与当前研究努力相关的相关研究。
SmartBook：人工智能辅助情况报告生成
新出现的事件，例如 COVID 大流行和乌克兰危机，需要对情况有时间敏感性的全面了解，以便做出适当的决策和有效的行动响应。自动生成情况报告可以显著减少领域专家在准备官方人工策划报告时的时间、精力和成本。然而，朝着这个目标的人工智能研究非常有限，还没有进行过任何成功的试验来自动化这种报告生成。现有的自然语言处理方法、基于大型语言模型的文本生成和信息检索技术不足以识别、定位和总结重要信息，并且缺乏详细、结构化和战略意识。我们提出了 SmartBook，一种针对情况报告生成的新颖的任务公式，它使用大量新闻数据来生成结构化的形势报告，该报告总结了多个假设（主张），并以丰富的事实证据链接为基础。我们通过自动生成情报分析报告来协助专家分析师，实现了乌克兰-俄罗斯危机的 SmartBook。机器生成的报告以时间线的形式组织，每个时间线由主要事件（或章节）、相应的战略问题（或部分）及其基础摘要（或部分内容）组织而成。我们提出的框架会自动检测与事件相关的实时战略问题，这些问题比分析师手动设计的问题更有针对性，因为这些问题往往过于复杂、难以理解。
SmartBook：人工智能辅助情况报告生成
诸如 COVID 大流行和乌克兰危机之类的新兴事件需要对情况有时间敏感性的全面了解，以便做出适当的决策和有效的行动响应。自动生成情况报告可以显着减少领域专家在准备其官方人工策划报告时的时间、精力和成本。但是，朝着这一目标进行的 AI 研究非常有限，尚未进行成功的试验来自动化此类报告生成。现有的自然语言处理方法、基于大型语言模型的文本生成和信息检索技术不足以识别、定位和总结重要信息，并且缺乏详细、结构化和战略意识。我们提出了 SmartBook，这是一种针对情况报告生成的新颖任务公式，它使用大量新闻数据来生成结构化的情况报告，其中总结了多个假设（主张），并以丰富的事实证据链接为基础。我们通过自动生成情报分析报告来协助专家分析师，实现了针对乌克兰-俄罗斯危机的智能书。机器生成的报告以时间线的形式构建，每个时间线由主要事件（或章节）、相应的战略问题（或部分）及其依据的摘要（或部分内容）组织而成。我们提出的框架可以自动检测实时事件相关的战略问题，这些问题比分析师手工制作的问题更有针对性，而这些问题往往过于复杂、困难
城市中激进主义之间的冲突......
抵抗运动——哈马斯 3 ，向犹太复国主义和以色列发起斗争，争取解放“大巴勒斯坦”，即约旦河和地中海之间的土地，1998 年包括被占领的加沙、约旦河西岸和以色列，没有任何妥协的余地。事实上，塑造希伯伦市的历史、政治和宗教环境为激进宗教社区的稳定定居铺平了道路。以 1998 年至 1999 年派驻希伯伦临时国际存在 (TIPH) 观察员的眼光，我将尝试总结一些关于穆斯林和犹太人之间艰难共处的见解，这些见解是通过特派团的经验和为巴勒斯坦人提供安全感的努力获得的，而安全感是稳定的先决条件。在这一努力中，我得到了历史和地缘政治文本的支持，以更好地解释宗教冲突的强度及其出现的根本原因。本文的想法和草稿开始于大约四个月前，但随后在 2023 年 10 月 7 日，即犹太节日 Simchat Torah 5 期间，哈马斯和其他巴勒斯坦武装民兵 6 发动了毁灭性的袭击 4 ，这一点变得更加明显，对导致当前激烈冲突的事件进行历史分析不仅是可取的，而且是必要的，以便更好地理解未来可能对以色列和整个中东造成的后果和影响。了解不同宗教代表之间的冲突达到如此高潮并主导国际事务的原因的努力
AI-KG：人工智能自动生成的知识图谱
摘要：科学知识传统上是通过在期刊、会议论文集和在线档案中发表的研究文章来传播和保存的。然而，这种以文章为中心的范式经常受到批评，因为它不能自动处理、分类和推理这些知识。另一种愿景是生成语义丰富、相互关联的研究出版物内容描述。在本文中，我们提出了人工智能知识图谱 (AI-KG)，这是一个自动生成的大规模知识图谱，描述了 820K 个研究实体。AI-KG 包含从 333K 个人工智能领域的研究出版物中提取的大约 14M 个 RDF 三元组和 1.2M 个具体化语句，并描述了由 27 种关系链接的 5 种类型的实体（任务、方法、指标、材料、其他）。 AI-KG 旨在支持各种智能服务，用于分析和理解研究动态、支持研究人员的日常工作以及帮助资助机构和研究政策制定者做出决策。AI-KG 是通过应用自动管道生成的，该管道使用三种工具提取实体和关系：DyGIE++、Stanford CoreNLP 和 CSO Classifier。然后，它使用深度学习和语义技术的组合来集成和过滤生成的三元组，以生成高质量的知识图谱。该管道根据手工制作的黄金标准进行了评估，获得了具有竞争力的结果。AI-KG 在 CC BY 4.0 下可用，可以作为转储下载或通过 SPARQL 端点查询。
离线政策学习的深层生成模型
深层生成模型（DGM）在各个领域都表现出了巨大的成功，尤其是在使用离线数据训练的模型生成文本，图像和视频方面。同样，数据驱动的决策和机器人控制也需要从离线数据中学习发电的功能，以作为策略或政策。在这种情况下，在离线政策学习中应用深层生成模型具有巨大的潜力，并且在这个方向上进行了许多研究。但是，该领域仍然缺乏全面的审查，因此不同分支机构的发展相对独立。在本文中，我们提供了有关深层生成模型用于离线政策学习的应用的首次系统审查。，我们涵盖了五个主流深层生成模型，包括变量自动编码器，生成的对抗网络，正常的流量，变压器和扩散模型，以及它们在离线增强学习（离线RL）和模仿学习（IL）中的应用。离线RL和IL是离线政策学习的两个主要分支，是依次决策的广泛方法。值得注意的是，对于每种基于DGM的离线政策学习，我们根据DGM的使用来提炼其基本方案，CateGo-size相关工作，并在该领域中整理算法的开发过程。在主要内容之后，我们提供了有关深层生成模型和离线政策学习的深入讨论，作为摘要，我们介绍了我们对未来研究方向的观点。1这项工作为离线政策学习深度生成模型的研究进度提供了动手参考，并旨在激发改进基于DGM的离线RL或IL算法的改进。为方便起见，我们在https://github.com/lucascjysdl/dgms-forline-policy-learning上维护纸张列表。