XiaoMi-AI文件搜索系统
World File Search SystemSupervised
监督机器学习分类技术与理论驱动方法在预测主观心理工作量方面的比较
本论文由 ARROW@TU Dublin 计算机科学学院免费开放给您。它已被 ARROW@TU Dublin 授权管理员接受纳入论文。如需更多信息，请联系 arrow.admin@tudublin.ie、aisling.coyne@tudublin.ie、gerard.connolly@tudublin.ie、vera.kilshaw@tudublin.ie。
基于脑肿瘤MRI图像识别的监督多层词典学习
人工智能（AI）是自动脑肿瘤MRI图像识别的有效技术。AI模型的培训需要大量标记的数据，但是医疗数据需要由专业临床医生标记，这使数据收集变得复杂且昂贵。传统的AI模型要求训练数据和测试数据必须遵循独立且分布相同的分布。为了解决这个问题，我们在本文中提出了一个基于监督多层词典学习（TSMDL）的转移模型。借助从相关领域学到的知识，该模型的目标是解决转移学习的任务，而目标域只有少数标记的样本。基于多层词典学习的框架，所提出的模型了解了每一层中的源和目标域的共享词典，以探索不同域之间的内在连接和共享信息。同时，通过充分利用样品的标签信息，引入了Laplacian正则化项，以使类似样本的字典编码尽可能接近，并尽可能地对不同类样本的字典编码进行编码。大脑MRI图像数据集Rembrandt和Figshare上的识别实验表明，该模型的性能优于竞争状态。
评估个性化结果预测的实施，以优化荷兰间歇性lau不平患者的监督运动疗法：一项多方法研究
抽象背景支持在间歇性lau不平的患者中优化监督运动疗法（SET），我们开发了个性化的预期预测（POFS），可视化单个患者的估计步行距离和生活质量。POF可以使医疗保健专业人员（例如身体和运动治疗师）能够改善共同的决策和患者的结果。目的是评估患者预后的差异（步行距离，步行距离和与健康相关的生活质量）以及在对POF实施之前和之后的共同决策水平的保守治疗中的共同决策水平。方法，使用中断的时间序列设计来比较患者预后的实现和实现后的差异。使用常规收集的数据，在实施后与患者之间的患者和患者之间的患者之间比较了从基线到6个月的差异。为了比较共同决策的水平，我们在实施前后的物理或运动治疗师样本中对初始咨询进行了观察。使用选项5仪器在共享决策时对观测的Audiorecord进行了评分。结果在实施POF（n = 721）之前讨论了与POF的患者之间的改善结果差异（n = 317）（n = 721）在功能步行距离（实验与对照=+23％，p = 0.11）和最大步行距离和最大步行距离（实验与最大步行距离（实验vs.对照=+21％，p = 0.08）。在与健康相关的生活质量方面，POFS知情的患者在统计学上显着改善了4％（p = 0.04）。与实体咨询相比（n = 36）相比，在实施后咨询（n = 20）中观察到共同决策水平的增加（n = 20），因为中位数期权5总分显示从45点统计学上的显着增加到55点（p = 0.01）。结论将POF纳入间歇性lau不平患者的日常练习可以帮助改善与健康相关的生活质量和
校正：基于带注释的像素和点云的弱监督语义分割
在此处给出了完整的确认部分：致谢：这项工作得到了中国国家自然科学基金会（No.62227801和No.UME20B2062，No.62376024）的支持，以及中国国家关键研究与发展计划（20222ZD0117900）。
电容趋势概念以及有监督的机器学习，以分类电池和伪电容器材料的电化学行为
近几十年来，已有100,000多种科学文章专门用于开发超级电容器和电池的电极材料。但是，关于确定法拉达反应所涉及的电化学行为的标准，仍然存在激烈的争论，因为各种电子材料及其不同物理化学特性产生的电解学信号通常使问题复杂化。困难在于无法确定这些材料属于哪种电极类型（电池与伪库）。为了过分困难，我们将监督的机器学习应用于电化学形状分析（超过5500个环状电压曲线和2900个镀锌电荷电荷 - 充电 - 充电曲线），并以预测的限制百分比反映了趋势的趋势，从而将其变形为趋势，并定义为制造商。称为“电容趋势”。该预测因子不仅超越了基于人类的分类的局限性，而且还提供了有关电化学行为的统计趋势。对电化学储能社区的重要性以及每周发表一百多篇文章的部分重要性，我们创建了一个在线工具，可以轻松地对其数据进行分类。
使用惯性传感器
摘要 - 监控运动员运动对于提高性能，减轻疲劳并减少受伤的可能性很重要。高级技术，包括计算机视觉和惯性传感器，在对运动特定运动进行分类方面已广泛探索。将自动体育行动标签与运动员监控数据相结合提供了一种有效的方法来增强工作量分析。关于对运动特定运动进行分类的最新研究表明，基于个别运动员的训练和评估方法的趋势，使模型可以捕获每个运动员特有的独特功能。这对于运动员之间技术差异很大的运动特别有益。当前的研究使用受监督的机器学习模型，包括神经网络和支持向量机（SVM），以使用从上下背包惯性测量单元（IMU）传感器中提取的功能来区分跑步表面，即田径轨道，硬砂和软砂。主成分分析（PCA）用于特征选择和降低维度，增强模型效率和解释性。我们的结果表明，与运动员无关的方法相比，运动员依赖的训练方法可大大提高分类性能，从而达到更高的加权平均精度，召回，F1得分和准确性（p <0.05）。
通过监督注意力多次实例学习从多视图超声图像中检测心脏病
主动脉狭窄（AS）是导致大量发病率和死亡率的退化瓣膜状况。这种情况未经诊断和处理不足。在临床实践中被诊断为经胸膜超声心动图专家审查，该术会产生数十个心脏的超声图像。只有其中一些观点显示主动脉瓣。为了自动筛选AS，深网必须学会模仿人类专家识别主动脉瓣观点，然后在这些相关图像上汇总的观点，以产生研究级别的诊断。我们发现，由于依赖图像跨图像的不灵平均值，因此AS检测的方法不足。我们进一步发现，基于现成的基于注意力的多个实例学习（MIL）的表现不佳。我们通过两项关键的方法论创新做出了一种新的端到端MIL方法。首先，一种有监督的注意力技术指导学习的注意机制，以支持相关观点。第二，一种新颖的自我监督预处理策略将对比度学习应用于整个研究的代表，而不是像先前文献中通常所做的那样。在开放式数据集和时间上的固定设置上进行的实验表明，我们的方法在降低模型大小的同时产生了更高的精度。
使用来自 PubMed 的词嵌入进行监督学习可以捕获有关蛋白激酶和癌症的潜在知识。
多年来，抑制导致癌症的蛋白激酶 (PK) 一直是癌症治疗的重要课题。到目前为止，FDA 批准的药物已经针对了 530 多种 PK 中的近 8%，大约 150 种蛋白激酶抑制剂 (PKI) 已经在临床试验中进行了测试。我们提出了一种基于自然语言处理和机器学习的方法来研究 PK 和癌症之间的关系，预测抑制哪些 PK 可以有效治疗某种癌症。我们的方法根据 PubMed 摘要中的单词和概念邻域将 PK 和癌症表示为具有语义意义的 100 维向量。我们使用 ClinicalTrials.gov 中有关 I-IV 期试验的信息来构建随机森林分类的训练集。我们使用历史数据的结果显示，可以提前数年准确预测 PK 与特定癌症之间的关联。我们的工具可用于预测抑制 PK 对特定癌症的相关性，并支持设计有针对性的临床试验，以发现用于癌症治疗的新型 PKI。
如何从惯性测量数据的行为模式的监督机器学习中处理混合行为段
摘要，监督机器学习方法从生物学家的惯性测量中识别行为模式已成为行为生态学的标准工具。几种设计选择可以影响识别行为模式的准确性。这样的选择是包含或排除在机器学习模型培训数据中包含不仅是单个行为（混合段）组成的细分。目前，常见的实践是在模型培训期间忽略此类段。在本文中，我们检验了以下假设：在模型训练中包括混合段将提高准确性，因为该模型在测试数据中识别它们的表现更好。我们使用在四个加速度计数据数据集上进行了一系列数据模拟，并从四个研究物种（Damaraland mole鼠，Meerkats，Meerkats，Olive Baboons，Polar Bears）获得了一系列数据模拟。结果表明，当大量测试数据是混合行为段（高于10％）时，包括机器学习模型培训中的混合段可提高分类的准确性。这些结果在四个研究物种中是一致的，并且在混合段内的片段长度，样本量和混合物程度的变化稳健。但是，与未经混合段的训练的模型相比，在某些情况下（尤其是在狒狒中）模型（尤其是在狒狒）模型中显示出仅包含单个行为（纯）段的测试数据的准确性降低。在这种情况下，应避免将混合段过量包含在培训数据中。基于这些结果，我们建议当预期分类模型处理大量混合行为细分（> 10％）时，将它们包括在模型培训中是有益的，否则，这是不必要的，但也不有害。当时有一个基础假设培训数据包含的混合段率要比要分类的实际（未观察到的）数据更高 - 可能发生这种情况，尤其是在收集训练数据的情况下，并用于将数据分类并从野外分类。关键字身体加速器，生物遗传，机器学习，动物行为