XiaoMi-AI文件搜索系统
World File Search Systembelief
基于深度信念网络的局部图像处理...
摘要。最近，人们使用深度学习技术分析了脑肿瘤数据。脑肿瘤的分割和分类以及区分肿瘤细胞和非肿瘤细胞非常有趣，因为要区分有肿瘤和无肿瘤的脑细胞，并区分肿瘤细胞以找到它们的类别标签。为此，分割是一种对脑图像进行分类的合适方法，研究人员通常使用它。为了实现准确的分类，必须从提取相关特征开始。在这项工作中，利用概率模糊 C 均值 (FCM) 算法进一步细化分割过程。这种分析可以区分出显示的脑部磁共振成像 (MRI) 扫描的感兴趣区域，这为降低 MRI 脑图像的维数提供了一个框架。在分割后，将局部方向模式 (LDP) 应用于片段，以提取已通过分割方法识别的重要特征区域。在深度信念网络旁边，提供了特征，这些特征决定了图像是正常还是异常，以及 MRI 是否可用于检测或排除肿瘤的存在。在提出的方法和脑肿瘤分割数据库的帮助下进行了实验；已评估准确率，最高百分比为 95.78%。© 2023 SPIE 和 IS&T [DOI：10.1117/1.JEI.32.6.062502]
内部文化学习代理是不对称的信念更新者
我们使用改编自认知性能的三个乐器学习任务来研究大语言模型（LLMS）的内在学习动力学（LLMS）。我们发现，LLMS以不对称的方式更新他们的信念，并且从比预期的比预期的比预期的更好的结果中学习更多。此外，我们表明，在学习反事实反馈时，这种效果会逆转，并且在没有暗示代理时消失。我们通过对理想化的内在学习剂进行了构成通过元强化学习来证实这些发现，在那里我们观察到相似的模式。综上所述，我们的结果有助于我们理解上下文学习如何通过强调问题的框架显着影响学习的发生方式，这是人类认知中也观察到的现象。
学生信条/宗教信仰强制性疫苗接种的陈述
西方大学（“西方”）及其会员大学学院布雷西亚，休伦和金（共同为“分支机构”）要求所有参加校园的学生和员工都必须接受Covid-19的疫苗接种，除非他们有有效的豁免。为了出于非医学原因而获得有效的豁免，学生必须填写这一信条/宗教信仰形式的声明，并在宣誓专员面前宣誓或确认。学生必须将正确填写的表格提交给vaxinfo@uwo.ca。
用于表面码解码的广义信念传播算法
信念传播 (BP) 是一种众所周知的低复杂度解码算法，对重要的量子纠错码类别具有很强的性能，例如随机扩展码的量子低密度奇偶校验 (LDPC) 码类。然而，众所周知，在面对拓扑码（如表面码）时，BP 的性能会下降，其中朴素 BP 完全无法达到低于阈值的状态，即纠错变得有用的状态。之前的研究表明，这可以通过借助 BP 框架之外的后处理解码器来补救。在这项工作中，我们提出了一种具有外部重新初始化循环的广义信念传播方法，该方法可以成功解码表面码，即与朴素 BP 相反，它可以恢复从针对表面码定制的解码器和统计力学映射所知的亚阈值状态。我们报告了独立位和相位翻转数据噪声下的 17% 阈值（与理想阈值 20.6% 相比），以及去极化数据噪声下的 14% 阈值（与理想阈值 18.9% 相比），这些阈值与非 BP 后处理方法实现的阈值相当。
使用深度信念网络对 P300 单次试验进行分类......
摘要 — 脑机接口 (BCI) 旨在让用户能够仅通过思维过程与机器交互。针对轻度和重度运动障碍患者的 BCI 尤其令人感兴趣，因为这种技术将改善他们的生活方式。本文重点研究了使用深度信念网络对脑电图中单次试验的 P300 波形进行分类，以用于 BCI。这种深度学习算法能够自动从受试者的脑电图数据中识别相关特征，使其训练所需的预处理阶段更少。该网络在健康受试者和中风后患者身上进行了测试。健康受试者的最高准确率为 91.6%，中风后患者的准确率为 88.1%。索引术语 — 脑机接口、中风患者、脑电图、深度信念网络
詹姆斯·韦伯太空望远镜和对至高无上信仰的改变
摘要 本研究旨在检验 JWST 信息来源对改变对至高无上之人的信仰的影响。使用描述性和推断性统计数据对数据进行了分析。在接受调查的 1009 名参与者中，如果 JWST 在太空中发现外星生命，46.7% 的人会感到高兴，而 44.9% 的人会感到害怕。JWST 信息来源对改变对至高无上之人的信仰有显著影响 (R = 0.395, R2 = 0.156, Adj R2 = 0.144, P < 0.05)。如果发现外星智慧生命，从 Facebook、教堂/清真寺和宗教领袖那里获取有关 JWST 的信息更有可能导致对至高无上之人的信仰改变。研究发现，图书馆对改变对至高无上之人的信仰没有显著影响。因此，报告建议图书馆继续作为客观的信息来源，而宗教组织则应就太空中可能存在的东西进行更深入的讨论。
深度信念网络的定量通用近似范围
深度信念网络（DBN）是通过堆叠受限的Boltzmann机器（RBMS，（Smolensky，1986）获得的一类生成概率模型。有关RBMS和DBNS的简要介绍，我们将读者推荐给调查文章（Fischer＆Igel，2012; 2014; Mont´ufar，2016; Ghojogh等，2021）。Since their introduction, see (Hinton et al., 2006; Hinton & Salakhutdinov, 2006), DBNs have been successfully applied to a variety of prob- lems in the domains of natural language processing (Hin- ton, 2009; Jiang et al., 2018), bioinformatics (Wang & Zeng, 2013; Liang et al., 2014; Cao et al., 2016; Luo等，2019），财务市场（Shen等，2015）和计算机视觉（Abdel-Zaher＆Eldeib，2016; Kamada＆Ichimura，2016; 2019; Huang等，2019）。但是，我们对这些模型的理论理解是有限的。 近似近似概率分布的能力（通常称为通用近似属性）仍然是具有实值可见单元的DBN的一个开放问题，更不用说对隐藏神经元数量的近似误差进行定量理解。 作为两个实值概率密度函数之间接近度的量度，通常考虑L Q-距离或Kullback-Leibler差异。但是，我们对这些模型的理论理解是有限的。近似近似概率分布的能力（通常称为通用近似属性）仍然是具有实值可见单元的DBN的一个开放问题，更不用说对隐藏神经元数量的近似误差进行定量理解。作为两个实值概率密度函数之间接近度的量度，通常考虑L Q-距离或Kullback-Leibler差异。
无线网络中 LDPC 解码的量子信念传播
我们提出了量子信念传播 (QBP)，一种基于量子退火 (QA) 的低密度奇偶校验 (LDPC) 错误控制码解码器设计，该解码器在 Wi-Fi、卫星通信、移动蜂窝系统和数据存储系统中得到了广泛应用。QBP 将 LDPC 解码简化为离散优化问题，然后将简化的设计嵌入到量子退火硬件中。QBP 的嵌入设计可以在具有 2,048 个量子比特的真实最先进的 QA 硬件上支持块长度高达 420 位的 LDPC 码。我们在真实的量子退火器硬件上评估性能，对各种参数设置进行敏感性分析。我们的设计在高斯噪声无线信道上在 SNR 9 dB 下实现了 20 µ s 内的 10 − 8 比特错误率和 50 µ s 内的 1,500 字节帧错误率 10 − 6。进一步的实验测量了在真实无线信道上的性能，需要 30 µ s 才能在 SNR 15-20 dB 下实现 1,500 字节 99.99% 的帧传输率。QBP 的性能优于基于 FPGA 的软信念传播 LDPC 解码器，在 SNR 低 2.5–3.5 dB 时达到 10 − 8 的误码率和 10 − 6 的帧错误率。就局限性而言，QBP 目前无法在当前的 QA 处理器上实现实用的协议大小（例如 Wi-Fi、WiMax）LDPC 码。我们在本工作中的进一步研究提出了未来成本、吞吐量和 QA 硬件趋势方面的考虑。
气候变化引起的世界最北端的卵子蛇的生存和大小的转变：一项68年的研究
信念和态度构成了关于气候变化的公众舆论的核心。网络分析可以揭示这些信念和态度的结构配置。在这项研究中，我们取代了一个信念系统框架，以确定关键的心理因素，跟踪这些信仰体系的密度随着时间的流逝和整个政治群体的密度变化，并分析美国政治群体内部和政治群体之间信仰体系的结构异质性。从2010年到2021年（n = 16,742）的15个国家代表性调查数据浪潮，我们的发现表明，担心气候变化是最中心的媒介元素。有趣的是，我们发现，在政治上没有亲属的人中，心理因素之间的联系随着时间的推移而加强，这意味着该群体中信仰体系的一致性增加了。尽管对共和党人和民主党人之间气候变化的信念具有政治极化，但我们的发现表明，与其他群体相比，这两个群体组织和构造气候变化信念的方式并没有明显不同。这些发现为气候变化专家和传播者提供了理论和实用的见解。
婴儿认知启发的机器基准，用于识别代理，隶属关系，信念和意图
人类婴儿具有出色的能力来推理驱动他人行为的基本和无形原因。这些能力是人类一生的人类社会认知的核心。人工智能（AI）系统在实现同样的常识性社会知识方面仍然缺乏。最近关注社会认知和心理理论的基准已经开始解决人类和机器社会智力之间的差距，但他们并未完全考虑使用Multiple互动代理来理解场景所需的社会推理。在此类基准测试的基础上，我们提出了八项新任务，该任务着重于不同的早期社会竞争，如婴儿的行为实验所示。我们使用自我监督的变压器模型作为对我们新任务的基线测试，此外，我们在以前的社会认知基准上评估了该模型。与其他数据驱动的模型相比，我们的模型在以前的基准测试中显示出改进的性能，但它在我们的新任务上表现出色，从而揭示了仅通过视觉数据学习复杂的Soial Sots相互作用的挑战。