XiaoMi-AI文件搜索系统
World File Search SystemShafer
Dempster-Shafer 可信 AI 方法及其在胎儿脑部 MRI 分割中的应用
摘要 — 对于病理病例和在不同中心获取的图像（而不是训练图像），用于医学图像分割的深度学习模型可能会意外且严重地失败，其标记错误违反了专家知识。此类错误破坏了用于医学图像分割的深度学习模型的可信度。检测和纠正此类故障的机制对于安全地将这项技术转化为临床应用至关重要，并且很可能成为未来人工智能 (AI) 法规的要求。在这项工作中，我们提出了一个值得信赖的 AI 理论框架和一个实用系统，该系统可以使用基于 Dempster-Shafer 理论的回退方法和故障安全机制来增强任何骨干 AI 系统。我们的方法依赖于可操作的可信 AI 定义。我们的方法会自动丢弃由骨干 AI 预测的违反专家知识的体素级标记，并依赖于这些体素的回退。我们在最大的已报告胎儿 MRI 注释数据集上证明了所提出的可信 AI 方法的有效性，该数据集由来自 13 个中心的 540 个手动注释的胎儿大脑 3D T2w MRI 组成。我们值得信赖的 AI 方法提高了四个骨干 AI 模型的稳健性，这些模型适用于在不同中心获取的胎儿脑部 MRI 以及患有各种脑部异常的胎儿。我们的代码可在此处公开获取。
一种用于定量验证神经网络
摘要。验证的可靠性和实用性取决于适当表示不确定性的能力。关于神经网络验证的大多数现有工作依赖于输入的基于集合或概率的信息的假设。在这项工作中，我们依靠不精确的概率（特定P-boxes）的框架提出了Relu神经网络的定量性验证，这可以说明输入的概率信息和认识论的不确定性。，可以提高紧密性和效率之间的贸易，同时处理在投入方面的不确定性类别的更一般类别，并提供了完全确保的结果。
基于L1-Norm和Dempster-Shafer理论的CSP的内部特征选择方法
摘要 - 常见的空间模式（CSP）算法是一种公认的空间过滤方法，用于运动成像（MI）基于脑部计算机的特征提取方法（BCIS）。然而，由于非统计学对电向形态学（EEG）的影响以及CSP目标函数的固有缺陷，空间滤波器以及它们相应的特征在CSP中使用的特征空间中不一定是最佳的。在这项工作中，我们设计了一种新功能选择方法来通过基于改进的目标函数选择功能来解决此问题。，改进是通过压制异常值和发现较大阶段距离的功能进行的。此外，提出了一种基于Dempster - Shafer理论的融合算法，该算法考虑了特征的分布。有了两个竞争数据集，我们首先根据分类精度，特征分布和嵌入性评估了改善目标函数的性能。然后，在精度和计算时间都进行了与其他特征选择方法的比较。实验结果表明，所提出的方法消耗的额外计算成本较少，并导致基于MI的BCI系统的性能显着提高。
Dempster-Shafer 理论中的证据组合
注意：本报告是作为美国政府机构赞助的工作的记录而编写的。美国政府、其任何机构、其任何雇员、其任何承包商、分包商或其雇员均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务，并不一定构成或暗示美国政府、其任何机构或其任何承包商或分包商对其的认可、推荐或支持。本文表达的观点和意见不一定代表或反映美国政府、其任何机构或其任何承包商的观点和意见。