XiaoMi-AI文件搜索系统
World File Search SystemSoheil
需求和人工智能人类，Soheil
纵观历史，智人一直利用技术来更好地满足自身需求。需求与技术之间的关系如此根本，以至于美国国家研究委员会将技术的显着特征定义为其目标“改变世界以满足人类需求” [1]。人工智能 (AI) 是我们这个时代最有前途的新兴技术之一。与其他技术类似，AI 也有望“满足 [人类] 需求”。在本文中，我们反思需求与 AI 的关系，并呼吁实现需求感知的 AI 系统。我们认为，重新思考对 AI 的需求、通过 AI 的需求和通过 AI 的需求，可以成为开发可持续的以人为本、负责任、守法和合乎道德 (HALE) 的 AI 系统的现实方法的非常有用的手段。我们讨论了共同创建未来基于 AI 的社会技术系统的一些最关键的差距、障碍、推动因素和驱动因素，在这些系统中 [人类] 的需求得到充分考虑和满足。最后，我们概述了应仔细考虑的潜在威胁和 HALE 注意事项，并呼吁联合、立即和跨学科的努力和合作。
基于大脑 sMRI、rs-fMRI 和 EEG 的自闭症谱系障碍诊断的机器学习算法的准确性：三项系统评价和荟萃分析的方案
I. Amir Valizadeh 1，医学博士，thisisamirv@gmail.com，ORCID II。 Mana Moassefi 1，医学博士，Moassefi@gmail.com，ORCID III。 Amin Nakhostin-Ansari 2，医学博士，a-nansari@alumnus.tums.ac.ir，ORCID IV。 Iman Menbari Oskoie 2，医学博士，imanmenbary@gmail.com，ORCID V. Soheil Heidari Some'eh 2,3，医学博士，S-heidari@student.tums.ac.ir，ORCID VI。 Faezeh Aghajani 2,3，医学博士，faezehaghajani.fa@gmail.com，ORCID VII。 Mehrnush Torbati 4，医学博士，M.storbati@yahoo.com，ORCID VIII。 Zahra Maleki Ghorbani 2,3，医学博士，Malmandi25@gmail.com，ORCID IX。 Reyhaneh Aghajani 2,3，医学博士，Reyhaneh.aghajani1376@gmail.com，ORCID X. Seyed Hossein Hosseini Asl 2,3，医学博士，hoseinihocein@gmail.com，ORCID XI。 Alireza Mirzamohammadi 2,3，医学博士，alireza.mirzamohamadi@shahed.ac.ir，ORCID XII。 Mohammad Ghafouri 2，医学博士，mohammadghafouri1372@gmail.com，ORCID XIII。 Shahriar Faghani 5,6，医学博士，Shahriar.faghani@gmail.com，ORCID XIV。 Amir Hossein Memari 2 ，医学博士，Mehranamir@yahoo.com ，ORCID
自闭症的自动诊断：最新技术
I. Amir Valizadeh 1，医学博士，thisisamirv@gmail.com，ORCID：0000-0001-5983-8527 II. Mana Moassefi 1，医学博士，Moassefi@gmail.com，ORCID：0000-0002-0111-7791 III。 Amin Nakhostin-Ansari 2，医学博士，a-nansari@alumnus.tums.ac.ir，ORCID：0000-0002-1113-9257 IV。 Soheil Heidari Some'eh 2,3，医学博士，S-heidari@student.tums.ac.ir，ORCID：0000-0002-2339-1070 V. Hossein Hosseini-Asl 2,3，医学博士，hoseinihocein@gmail.com，ORCID：0000-0003-2753-8719 VI. Mehrnush Saghab Torbati 4，医学博士，M.storbati@yahoo.com，ORCID：0000-0003-2524-9315 VII。 Reyhaneh Aghajani 2,3，医学博士，Reyhaneh.aghajani1376@gmail.com，ORCID：0000-0001-6294-6799 VIII. Zahra Maleki Ghorbani 2,3，医学博士，Malmandi25@gmail.com，ORCID：0000-0001-8458-2375 IX. Iman Menbari-Oskouie 2，医学博士，imanmenbary@gmail.com，ORCID：0000-0002-5511-1512 X. Faezeh Aghajani 2,5，医学博士，faezehaghajani.fa@gmail.com，ORCID：0000-0002-9019-3904 XI. Alireza Mirzamohamadi 2,3，医学博士，Alimirzareza@gmail.com，ORCID：0000-0002-6355-9851 XII。 Mohammad Ghafouri 2，医学博士，mohammadghafouri1372@gmail.com，ORCID：0000-0003-3363-9129 XIII。 Shahriar Faghani 6,7，医学博士，Shahriar.faghani@gmail.com，ORCID：0000-0003-3275-2971 XIV。 Amir Hossein Memari 2 ，医学博士，memari_ah@tums.ac.ir，ORCID：0000-0002-9639-415X 附属机构：
脑肿瘤大数据的度上分类 - UTS的作品
Manikandan Ramachandran 1，Rizwan Patan 2，Ambeshwar Kumar 3，Soheil Hosseini 4，Amir H. Gandomi 5抽象机器学习算法，例如支持向量机（SVM），已广泛用于检测大数据环境中的脑肿瘤。但是，由于发现涉及的复杂性很高，因此SVM分类器不适合大型数据集。因此，在这项研究中，使用SVM引入MapReduce模型来处理大规模数据并处理此问题。在本文中，引入了一个称为相互信息的MAPREDUCE和最小四边形分类（MIMR-MQC）的框架，用于脑肿瘤检测，以应对与大数据分类相关的挑战。在这里，使用MIMR进行预处理，该过程消除了脑肿瘤数据集中有害和冗余属性。使用大数据集检测脑肿瘤，该技术可降低计算复杂性和时间。然后，使用Lagrange乘数和径向基核函数创建最小四边形支持向量机模型，以提高分类过程的效率。MIMR-MQC框架已在美国中央脑肿瘤注册中心（CBTRUS）上进行了验证。结果表明，与现有模型相比，提出的模型分别将计算复杂性和检测时间分别降低了37％和27％，从而观察到了较高检测准确性的21％。与最先进的机器学习技术进行了比较，MIMR-MQC框架在脑肿瘤检测时间和由于数据分布更好而导致的准确性方面表现更好。
fei Xia
使用图形本地化网络进行视觉导航的行为方法。RSS 2019。 [28] Martin J. Zhang，Fei Xia，James Zou。 adafdr：一种快速，强大和协变量的自适应方法，用于多个假设检验。 2019年Rebomb的最佳纸张奖。 [29] Martin J. Zhang，Fei Xia，James Zou。 快速和协变量的自适应方法在大规模多种假设检测中放大检测能力。 自然通讯。 [30] Soheil Feizi，Changho Suh，Fei Xia和David Tse。 理解gans：LQG设置。 [31] Fei Xia*，Martin Zhang*，James Zou，David Tse。 NeuralFDR：从假设特征学习决策阈值。 NIPS 2017。 [32] Qiao Liu，Fei Xia，Qijin Yin，Rui Jiang。 通过混合深卷积神经网络预测染色质的可及性预测。 生物信息学，2017年。 [33] Govinda Kamath*，Ilan Shomorony*，Fei Xia*，Thomas Courtade，David Tse。 铰链：长阅读组装实现最佳重复分辨率。 基因组研究第27卷2017年。 [34] Ilan Shomorony，Govinda Kamath，Fei Xia，Thomas Courtade和David Tse，部分DNA大会：利率依赖性的观点。 ISIT 2016。 [35] Anastasia dubrovina，Fei Xia，Panos Achlioptas，Mira Shalah，Leonidas Guibas。 通过潜在空间分解进行复合形状建模。 ICCV 2019。RSS 2019。[28] Martin J. Zhang，Fei Xia，James Zou。adafdr：一种快速，强大和协变量的自适应方法，用于多个假设检验。2019年Rebomb的最佳纸张奖。[29] Martin J. Zhang，Fei Xia，James Zou。快速和协变量的自适应方法在大规模多种假设检测中放大检测能力。自然通讯。[30] Soheil Feizi，Changho Suh，Fei Xia和David Tse。理解gans：LQG设置。[31] Fei Xia*，Martin Zhang*，James Zou，David Tse。NeuralFDR：从假设特征学习决策阈值。NIPS 2017。 [32] Qiao Liu，Fei Xia，Qijin Yin，Rui Jiang。 通过混合深卷积神经网络预测染色质的可及性预测。 生物信息学，2017年。 [33] Govinda Kamath*，Ilan Shomorony*，Fei Xia*，Thomas Courtade，David Tse。 铰链：长阅读组装实现最佳重复分辨率。 基因组研究第27卷2017年。 [34] Ilan Shomorony，Govinda Kamath，Fei Xia，Thomas Courtade和David Tse，部分DNA大会：利率依赖性的观点。 ISIT 2016。 [35] Anastasia dubrovina，Fei Xia，Panos Achlioptas，Mira Shalah，Leonidas Guibas。 通过潜在空间分解进行复合形状建模。 ICCV 2019。NIPS 2017。[32] Qiao Liu，Fei Xia，Qijin Yin，Rui Jiang。通过混合深卷积神经网络预测染色质的可及性预测。生物信息学，2017年。[33] Govinda Kamath*，Ilan Shomorony*，Fei Xia*，Thomas Courtade，David Tse。铰链：长阅读组装实现最佳重复分辨率。基因组研究第27卷2017年。[34] Ilan Shomorony，Govinda Kamath，Fei Xia，Thomas Courtade和David Tse，部分DNA大会：利率依赖性的观点。ISIT 2016。 [35] Anastasia dubrovina，Fei Xia，Panos Achlioptas，Mira Shalah，Leonidas Guibas。 通过潜在空间分解进行复合形状建模。 ICCV 2019。ISIT 2016。[35] Anastasia dubrovina，Fei Xia，Panos Achlioptas，Mira Shalah，Leonidas Guibas。通过潜在空间分解进行复合形状建模。ICCV 2019。ICCV 2019。
研究发现，可靠地检测人工智能生成的文本是不可能的
马里兰州学院公园市敲响了警钟。根据最近的一项研究，研究人员怀疑是否有可能可靠地检测出人工智能生成的文本。计算机科学教授 Soheil Feizi 与四名博士生一起研究了“人工智能生成的文本能被可靠地检测到吗？”不幸的是，他们的答案是否定的。鉴于大型语言模型 (LLM) 可用于抄袭、进行令人信服的社会工程攻击和大规模传播错误信息，这项研究绝对令人担忧。当前的人工智能生成文本检测工具还有很多不足之处 OpenAI 的人工智能生成文本检测器非常不准确。事实上，OpenAI 承认它并不可靠，因为该工具只能正确识别 26% 的人工智能书写文本（真阳性）。此外，有 9% 的时间，它会将人类编写的文本错误地标记为 AI 编写的文本（误报）。市场上另一种流行的工具 GPTZero 本质上是测量给定文本的随机性。根据 GPTZero 的 FAQ 页面，该工具能够在 99% 的时间内识别人类创建的文本，在 85% 的时间内识别 AI 生成的文本，尽管有些人可能对这种说法感到不满。可以可靠地检测 AI 生成的文本吗？通过实证分析，马里兰大学的学者研究了市场上几种流行的 AI 文本检测模型，发现它们并不可靠。通过研究水印方案、零样本分类器和基于神经网络的检测器，他们发现释义攻击可以帮助对手逃避人工智能检测。他们写道：“我们表明，释义攻击（将轻量级基于神经网络的释义器应用于人工智能生成模型的输出文本）可以逃避各种类型的检测器。”此外，他们声称基于水印的检测器很容易被欺骗，使其看起来像是人造文本被加了水印。这样的对抗性欺骗
个人简历 VINOD KUMAR，博士 主席兼......
DOE：能源部、DOD：国防部、NREL：国家可再生能源实验室、NETL：国家能源技术实验室、ORNL：橡树岭国家实验室、AFRL：空军研究实验室、AFTC：空军测试中心、HAFB：霍洛曼空军基地、MHPCC：毛伊高性能计算中心、UTEP：德克萨斯大学埃尔帕索分校、GFDL：地球物理流体动力学实验室、MHD：磁流体动力学、HPC：高性能计算研究资助的研究活动● UTEP（PI Kumar、Bronson、Sharma、Tandon、Tosh）、UNM（Lead、PI Vorobieff）、NMSU、NMT、PVTAMU V 和 Sandia（PI Tezaur）。，“里奥格兰德百亿亿次级模拟高级研究联盟 (Grande CARES)”，DOE NNSA MSIPP，2022-27，500 万美元（UTEP 125 万美元） ● V. Kumar (PI)，“6 马赫钝拱顶的边界层转变测量”，AFOSR，2022-24，65 万美元 ● V. Kumar (PI)，扩大国家高级建模与仿真基金会，DOE/ASCR，2022-23，4.4 万美元 ● A. Bronson (PI)、V. Kumar (Co-PI)、O. Cedillos (Co-PI)，“HF 合金熔体反应润湿形成 B4C 填料床陶瓷复合材料”，AFOSR，2021-2024，45 万美元 ● V. Kumar ( PI )、R. Edmonds (合作者 - 霍洛曼空军基地)，“HHSTT 雪橇水制动现象的 CFD 建模”，AFOSR， 2019 年 6 月 - 2022 年 12 月，360,000 美元（AFOSR 270,000 美元）● V. Kumar（PI）、V. Tandon、B. Calvo，“探索适合 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会 (TWC)，2022 年，60,000 美元● V. Kumar（PI）、V. Tandon、B. Calvo，“探索适合 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会 (TWC)，2021 年，65,000 美元● V. Kumar（PI）、N. Agarwal（共同 PI），“探索适合 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会 (TWC)，2020 年，64,000 美元● V. Kumar（PI）、N. Agarwal（共同 PI），“探索适合 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会(TWC)，2019 年，32,000 美元 ● V. Kumar (PI)、N. Agarwal (Co-PI)，“探索针对 14-21 岁残疾学生的 STEM”，德克萨斯劳动力委员会 (TWC)，2018 年，26,000 美元 ● C. Ramana (PI)、V. Kumar (CO-PI)、A. Bronson (CO-PI)、D. Hodges (CO-PI)，“收购原子层沉积系统以实现用于极端环境应用的先进高电气强度材料”，AFOSR，2019-20 年，590,000 美元 ● V. Kumar ( PI )、R.Gudimetla (合作者 –AFRL)，“遥感和成像物理学：开发深湍流对长路径激光传播影响的新指标”，AFOSR，2017 年 5 月 – 2020 年 5 月，150,000 美元 ● A. Bronson (PI)、V. Kumar (Co-PI)，“Hf-Ti-Me 合金熔体与 B4C 的计算实验反应润湿”，AFOSR，2017 年 8 月 15 日 – 2020 年 8 月 14 日，668,710 美元（AFOSR 45 万美元）● V. Kumar (PI)、W. Spotz（合作者 – Sandia），“流化床实验的高保真计算模型”，NETL - 能源部-化石能源，2015 年 9 月 1 日 – 2018 年 8 月 31 日，400,000 美元● V. Tandon (PI)、V. Kumar (Co-PI)、N. Soheil (Co-PI)、C. Ferregut (Co-PI)、W. Stern - GFDL (合作者)，● V. Kumar (Co-PI)，“了解气候变化对德克萨斯州交通系统的影响和成本”，TxDOT，2015 年 9 月 - 2017 年 8 月，25 万美元 ● V. Tandon (PI)、V. Kumar (Co-PI)，“了解气候变化对公路水力设计程序的影响”，SPTC 研究、教育和推广支持，2015 年 11 月 1 日至 2017 年 10 月 31 日，9 万美元 ● V. Kumar (PI)，“Sunshot 粒子接收器项目：近黑体、封闭式粒子接收器与流化床热交换器集成”，分包（NREL、DOE），2014 年 12 月 - 2015 年 3 月，27,808 美元