XiaoMi-AI文件搜索系统
World File Search SystemUnsupervised
高分辨率FMRI图像重建的转移和无监督的学习在超高磁场
然而，随着这些加速fMRI获取的最新进展[3，4]，收购中保存的时间和复杂性已转移到图像重建中。目前，即使在社区中已经开发了现代变异压缩感（CS）重建技术，并且在我们的PYSAP软件[5]中可供选择（请参阅其fMRI 1的插件），但完全重建典型的4D（3D+时间）序列所需的时间预算是100个高分辨率FMRI FMRI FOLUMES架构的典型预算。为了加快这项任务，存在几种竞争方法，要么平行于多个GPU上连续的fMRI体积的重建，要么依靠深度学习在测试时本质上分解MR图像重建的数值复杂性。该博士学位论文将探索第二大道。
因果网络的贝叶斯学习用于分布式能源系统的无监督故障诊断
这项工作部分由欧盟通过欧洲社会基金 (FSE) 资助，该基金隶属于欧洲凝聚力和领土复苏援助 (REACT-EU) 倡议，属于 2014-2020 年国家研究和创新行动计划 (PON) 的范畴，根据 Decreto Ministeriale [部长法令 (DM)] 1062/2021 合同 57-I-999-6。Federico Castelletti 的工作部分由 UCSC (D1 和 2019-D.3.2 研究补助金) 资助；部分由 MUR-PRIN 补助金 2022 SMNNKY-CUP 资助，由欧盟-下一代欧盟资助，补助金 J53D23003870008。所表达的观点和意见仅代表作者本人，并不一定反映欧盟或欧盟委员会的观点和意见。欧盟和欧盟委员会均不对此负责。
m3-uda：无监督域自适应胎儿心脏结构检测的新基准
胎儿心脏视图的解剖结构检测对于诊断胎儿先天性心脏病至关重要。实际上，不同的Hos-Pitals数据之间存在较大的域间隙，例如由于采集设备的不同而引起的可变数据质量。此外，产科专家提供的准确的符号信息非常昂贵甚至无法使用。本研究探讨了无监督的域自适应胎儿心脏结构检测问题。现有的无监督域自适应观察检测（UDAOD）的方法主要集中在自然场景中的特定物体，例如雾gy的城市景观中，自然场景的结构关系是不确定的。Unlike all previous UDAOD scenarios, we first collected a F etal C ardiac S tructure dataset from two hos- pital centers, called FCS , and proposed a multi-matching UDA approach ( M 3 -UDA ), including H istogram M atching (HM), S ub-structure M atching (SM), and G lobal-structure M atching (GM), to better transfer the在医疗场景中进行UDA检测的解剖结构的拓扑知识。HM减轻由像素转换引起的源和目标之间的域间隙。sm融合了子结构的不同角度信息，以遵循局部拓扑知识，以弥合内部子结构的主要间隙。GM旨在使整个器官的全球拓扑知识与目标域相结合。对我们收集的FCS和Cardiacuda进行了广泛的实验，实验结果表明，M 3 -UDA的表现胜过现有的UDAOD研究。数据集和源代码可在https://github.com/xmed-lab/m3-uda
使用无监督机器学习自动跟踪多发性硬化症中的主动病变
摘要：背景：在磁共振成像 (MRI) 中识别活动性病变对于多发性硬化症 (MS) 的诊断和治疗计划至关重要。在施用钆基造影剂 (GBCA) 后，可以识别 MRI 上的活动性病变。然而，最近的研究报告称，重复施用 GBCA 会导致 Gd 在组织中积聚。此外，施用 GBCA 会增加医疗保健成本。因此，减少或取消用于活动性病变检测的 GBCA 施用对于提高患者安全性和降低医疗保健成本非常重要。目前，无需施用 GBCA 即可识别脑部 MRI 中的活动性病变的最先进方法利用数据密集型深度学习方法。目标：实现数据密集度较低的非线性降维 (NLDR) 方法、局部线性嵌入 (LLE) 和等距特征映射 (Isomap)，用于自动识别 MS 患者脑部 MRI 上的活动性病变，而无需施用造影剂。材料和方法：本研究中使用的多参数 MRI 数据集包括液体衰减反转恢复 (FLAIR)、T2 加权、质子密度加权以及对比前后 T1 加权图像。减影前后对比 T1 加权图像由专家标记为活动性病变 (地面真实值)。使用无监督方法 LLE 和 Isomap 将多参数脑 MR 图像重建为单个嵌入图像。在嵌入图像上识别活动性病变并将其与地面真实病变进行比较。通过计算嵌入图像中观察到的和识别出的活动性病变之间的 Dice 相似性 (DS) 指数来评估 NLDR 方法的性能。结果：LLE 和 Isomap 应用于 40 名 MS 患者，分别获得 0.74 ± 0.1 和 0.78 ± 0.09 的中位 DS 评分，优于目前最先进的方法。结论：NLDR 方法、Isomap 和 LLE 是识别非对比图像上活动性 MS 病变的可行选择，并且可能用作临床决策工具。
基于选择性听觉注意解码的脑部计算机界面的无监督精度估计
摘要 - 目的：选择性听觉注意解码（AAD）算法处理大脑数据（例如脑电图），以解码一个人参加的多个竞争声源。例子是神经ste的助听器或通过脑部计算机界面（BCI）进行通信。最近，已经证明可以在无监督的环境中基于刺激重建的刺激重建来训练此类AAD解码器，在这种情况下，没有关于参加哪种声音源的地面真相。在许多实际情况下，这种地面真相标签不存在，因此很难量化解码器的准确性。在本文中，我们旨在开发一种完全无监督的算法，以估算竞争性说话者聆听任务期间基于相关的AAD算法的准确性。方法：我们通过将AAD决策系统建模为具有添加剂白色高斯噪声的二进制相移键通道来使用数字通信原理。结果：我们表明，针对不同量的培训和估计数据以及决策窗口长度，提出的无监督性能估计技术可以准确地确定AAD准确性。此外，由于不同的应用需要不同的目标准确性，因此我们的方法可以估计任何给定目标准确性所需的训练量最小。结论：我们提出的估计技术准确地预测了基于相关的AAD算法的性能，而无需访问地面图标签。在BCIS中，它可以支持强大的沟通范式，并提供护理人员的准确反馈。显着性：在神经启动的助听器中，我们方法提供的准确性估计值可以支持时间自适应解码，动态增益控制和神经反馈。
FastEMD–CCA 算法用于无监督快速去除脑电图中的眨眼伪影
a 马来西亚霹雳州国油工艺大学健康与分析研究所 b 马来西亚霹雳州国油工艺大学自治系统研究所 c 马来西亚霹雳州国油工艺大学电气与电子工程系 d 马来西亚吉兰丹马来西亚理科大学神经科学系 e 法国勃艮第大学 ERL VIBOT CNRS 6000 电子、信息与图像实验室 (Le2i)
一种基于无监督深度迁移学习的脑机接口运动想象脑电图分类方案
摘要：脑机接口（BCI）研究受到全世界的关注并得到了迅速发展。脑电图（EEG）作为一种著名的非侵入式BCI技术，从头皮表层记录大脑的电信号。然而，由于EEG信号的非平稳特性，在不同时刻或从不同受试者采集的数据分布可能有所不同。这些问题影响了BCI系统的性能并限制了其实际应用范围。在本研究中，通过将迁移学习的思想应用于运动想象EEG信号的分类，提出了一种基于无监督深度迁移学习的方法来处理当前BCI系统的局限性。采用欧几里德空间数据对齐（EA）方法在欧几里德空间中对齐源域和目标域EEG数据的协方差矩阵。然后，利用公共空间模式（CSP）从对齐的数据矩阵中提取特征，并应用深度卷积神经网络（CNN）进行EEG分类。通过与其他四种方法进行比较，基于公共EEG数据集的实验结果验证了所提方法的有效性。
skada bench：对无监督的域适应方法进行基准测试，并对多种方式进行现实验证
无监督的域适应性（DA）包括适应在标记的源域上训练的模型，以在未标记的目标域上表现良好，并具有某些数据分布变化。虽然文献中提出了许多方法，但公平和现实的评估仍然是一个悬而未决的问题，尤其是由于方法学困难在无监督环境中选择超参数。在Skada Bench的情况下，我们提出了一个框架，以评估DA方法的不同方式，除了在文献中很大程度上探讨的计算机视觉任务之外。我们对现有浅层算法进行了完整而公平的评估，包括重新加权，映射和子空间对齐。现实的超参数选择是通过嵌套的交叉验证和各种无监督的模型选择得分进行的，这两个模拟数据集都具有受控的偏移和现实世界数据集的不同模式，例如图像，文本，生物医学和表格数据。我们的基准强调了现实验证的重要性，并为现实生活中的应用提供了实用的指导，并对模型选择方法的选择和影响有了重要的见解。Skada-Bench是开源的，可再现的，可以通过新颖的DA方法，数据集和模型选择标准轻松扩展，而无需重新评估竞争对手。Skada-Bench可在https://github.com/scikit-adaptation/skada-bench上在github上获得。
癌症进化：达尔文和超越
预期团队成员行动的能力可以实现共同目标的共同行动。任务知识和心理模拟允许预测其他代理的行动，并推断出其潜在的心理表征。在人类 - AI团队中，为AI代理提供了预期的机制，可以促进合作和成功执行联合行动。本文提出了一个计算认知模型，证明了对操作员的心理模型的心理模拟和对其行为的预期。这项工作提出了两个连续的步骤：（1）应用层次群集算法来识别飞行员之间的行为模式。这些行为群集用于从经验数据（n = 13个飞行员）中得出共同点。（2）ACT -R（对思想的自适应控制 - 理性）认知模型被实施，以在精神上模拟飞行员的行动决策和时机的不同可能结果。ACT-R的模型跟踪允许跟踪操作员的个人操作。使用ACT-R的符号表示来实现两个模型：一个模拟规范行为，另一个模拟通过模拟个体差异和使用下符号学习来实现。通过对两个模型的比较来分析模型性能。结果表明，与规范性
