XiaoMi-AI文件搜索系统
World File Search Systemdeep
基于MTPI自动转移学习的深层网络自动训练方法和D
UAV图像采集和深度学习技术已被广泛用于水文监测中，以满足数据量需求不断提高和质量的增加。但是，手动参数培训需要反复试验成本（T＆E），现有的自动培训适应简单的数据集和网络结构，这在非结构化环境中是低实用性的，例如干山谷环境（DTV）。因此，这项研究合并了转移学习（MTPI，最大转移电位指数法）和RL（MTSA强化学习，多汤普森采样算法）在数据集自动启动和网络中自动培训，以降低人类的经验和T＆E。首先，为了最大程度地提高迭代速度并最大程度地减少数据集消耗，使用改进的MTPI方法得出了最佳的迭代条件（MTPI条件），这表明随后的迭代仅需要2.30％的数据集和6.31％的时间成本。然后，在MTPI条件（MTSA-MTPI）中提高了MTSA至自动提高数据集，结果显示准确性（人为误差）提高了16.0％，标准误差降低了20.9％（T＆E成本）。最后，MTPI-MTSA用于四个自动训练的网络（例如FCN，SEG-NET，U-NET和SEG-RES-NET 50），并表明最佳的SEG-RES-NET 50获得了95.2％WPA（准确性）和90.9％的WIOU。本研究为复杂的植被信息收集提供了一种有效的自动培训方法，该方法提供了减少深度学习的手动干预的参考。
利用深度学习预测老化电池放电
电化学电池是我们社会中无处不在的设备。当用于关键任务应用时，在高度变化的操作条件下准确预测其放电终止的能力至关重要，以支持运营决策并充分利用整个电池的使用寿命。虽然有充电和放电阶段潜在过程的准确预测模型，但老化建模仍然是一个悬而未决的挑战。这种缺乏理解通常会导致模型不准确，或者每当电池老化或其条件发生重大变化时，就需要耗时的校准程序。这对在现实世界中部署高效、强大的电池管理系统构成了重大障碍。在本文中，我们介绍了 Dynaformer，这是一种新颖的深度学习架构，它能够同时从有限数量的电压/电流样本推断老化状态，并以高精度预测真实电池的全电压放电曲线。在评估的第一步中，我们调查了所提出的框架在模拟数据上的性能。在第二步中，我们证明了只需进行少量微调，Dynaformer 就能弥补模拟与从一组电池收集的实际数据之间的差距。所提出的方法能够以可控且可预测的方式利用电池供电系统直至放电结束，从而显著延长运行周期并降低成本。
用于深空门户的宇宙尘埃探测套件
大学物理科学学院行星科学和天文学中心肯特，坎特伯雷，肯特 CT2 7NH，英国 b 莱斯特大学物理与天文学院空间研究中心，LE1 7RH，英国 c ESTEC，Keplerlaan 1，PO Box 299，NL-2200 AG 诺德维克，荷兰 d 国家天体物理研究所（INAF）空间天体物理与行星学研究所（IAPS），via Fosso del Cavaliere 100，00133 Roma，意大利 e 伦敦帝国理工学院皇家矿业学院地球科学与工程系，Prince Consort Road，南肯辛顿，伦敦 SW7 2BP，英国 f 马克斯普朗克太阳系统研究所，Justus-von-Liebig-Weg 3，D-37077 Go¨ttingen，德国 g 柏林自由大学地质科学研究所，柏林，德国 h 奥卢大学， 90014 Oulu, PO Box 3000, 芬兰 i 斯图加特大学，Raumfahrtsysteme Raumfahrtsysteme Raumfahrtzentrum Baden Württemberg, Pfaffenwaldring 29, 70569 Stuttgart, 德国 j Klaus-Tschira-Labor fur 化学化学, Institut fu海德堡大学地理科学中心，69120 海德堡，德国 k 苏黎世联邦理工学院，粒子物理和天体物理研究所，Wolfgang-Paulistrasse-27，CH-8093 苏黎世，瑞士
基于拓扑的深层生成模型在城市形式生成中的应用：评论
摘要将深层生成模型纳入城市形式的生成是支持城市设计过程的一种创新且有前途的方法。但是，大多数深层生成的城市形式模型基于图像表示，这些图像表示并未明确考虑城市形式元素之间的拓扑关系。旨在开发深层生成模型并考虑拓扑信息的帮助下，本文回顾了城市形式的生成，深层生成的模型/深度图生成以及建筑和城市形式的深层生成模型的最新艺术状态。基于文献综述，提出了一个基于深层生成模型的基于拓扑的城市形式生成框架。深层生成模型的街道网络生成的假设forgraphgergrotandplot/building configurationGenerationByDeepgenerativeModels/Space语法以及所提出的框架的可行性需要在未来的研究中进行验证。
具有深层生成模型的扩散加权磁共振大脑图像的现实产生
深度学习方法有可能减轻放射科医生处理繁琐的，耗时的任务，例如检测和细分病理病变[1]，但是在医学成像的背景下对神经网络的培训面临着主要的挑战：它们需要训练大量图像，因为这是很难获得的，因为在许多方面都可以限制医疗信息，并且由于许多方面的范围限制了其他方面的范围。此外，虽然在世界各地的医院数据库中可以提供相对较大的医学图像，但这些图像是未标记的，并且不同的机构以派遣和不均匀的方式保存医疗图像，这使得它们在较大的数据库中收集它们。在这种情况下，从头开始生成医学图像的方法可能引起人们的极大兴趣。生成建模是机器学习的一个子字段，它在产生新的高质量自然图像（例如面部照片[2]）方面具有令人印象深刻的精力[2]，并应用于语音综合[3]和磁共振图像重建等任务[4]。如果可以教导生成模型来产生现实且多样化的新医学图像，那么它们将具有很有吸引力的潜力，可以显着增加可用于深神经网络培训的图像数量，因此可以帮助提高这些网络的准确性[5-7]。
寻求根据美国州法律定义深度伪造
第一次提到深度伪造是在 2016 年美国总统大选一年多后，那次大选以虚假新闻现象为标志（Gunther 等人，2018 年；Lee，2019 年）。许多人担心接下来的 2020 年总统大选也会充斥着虚假信息，尤其是虚假新闻和深度伪造的结合，但这并没有发生（Meneses，2021 年）。对这次选举影响最大的深度伪造可能是 2019 年 5 月涉及纳西·佩洛西的深度伪造：当时的美国众议院议长看起来喝醉了，说话含糊不清，好像喝醉了一样（Stewart，2019 年）。关键在于，这不是深度伪造，因为它没有使用人工智能；相反，它是一个廉价伪造（或不太常用的浅层伪造），一段使用比深度伪造技术简单得多的手段编辑的视频（Pawelec，2022 年）。正如 Paris & Donovan (2019) 所说，深度伪造和廉价伪造的共存增加了区分两者的难度。这种类型的虚假信息可能对政治话语和未来选举产生的影响（Appel & Prietzel，2022）并非无关紧要，因为它是故意改变的视听内容，并通过社交媒体进行放大。至于佩洛西的视频，由于它是基于编辑软件或只是音频音调的变化，因此更容易做到，也更容易检测，这与今天的假新闻类似。这个例子强调了了解每一种现象的本质的必要性，尽可能正确地定义它，“以协助制定一致且理论上连贯的深度伪造定义”（Whittaker 等人，2023 年）。
深度神经网络修剪的最佳运输
最佳运输，也称为运输理论或Wasserstein指标，是一个数学框架，它解决了找到最有效的方法将质量或资源从一个分布转移到另一种分布的最有效方法的问题，同时最大程度地减少了一定的成本函数[1,2,3]。最初在18世纪作为物流和经济学工具开发，最佳运输在现代数学和各种科学学科（包括计算机科学和机器学习）上引起了极大的关注。在其核心方面，最佳运输旨在通过找到将一个分布的质量重新分配以匹配另一个位置的成本，从而量化两个概率分布之间的相似性。这个优雅而多才多艺的概念在不同领域中发现了从图像处理和数据分析到经济学[11]和神经科学的应用，使其成为具有广泛含义的强大而统一的数学工具[12]。
语言 - As-As-An-Abstraction-for serarchical-Deep- ...
解决复杂的，暂时扩展的任务是控制学习（RL）的长期问题。我们假设解决此类问题的一个关键要素是组成性的概念。具有学习概念和子技能的能力，这些概念和子技能可以构成解决更长的任务的能力，即层次RL，我们可以获取时间扩展的行为。但是，为层次RL获取有效但一般的抽象是极具挑战性的。在本文中，我们建议将语言用作抽象，因为它提供了独特的组合结构，实现了快速学习和组合概括，同时保持了极大的灵活性，使其适合各种问题。我们的方法学习了一个遵循指令的低级政策和高级政策，该政策可以在本质上重复跨任务的抽象，从而允许代理人使用结构化语言进行推理。为了研究组成任务学习，我们介绍了使用Mujoco物理引擎和CLEVR引擎构建的开源对象相互作用环境。我们发现，使用我们的方法，代理可以学会求解各种暂时扩展的任务，例如对象排序和多对象重排，包括来自原始像素观测值。我们的分析表明，语言的组成性质对于学习各种亚技能和系统地推广到新的亚技能至关重要，与使用相同监督的非复合抽象相比，语言的构成性质至关重要。2
使用基于CT的深度学习的新辅助化学疗法对新辅助化学免疫疗法的病理完全反应的非侵入性预测：多中心
新辅助化学免疫性疗法已彻底改变了非小细胞肺癌（NSCLC）的治疗策略，并确定可能对这种先进治疗的候选者具有重要的临床意义。目前的多机构研究旨在开发一种深度学习模型，以预测基于计算机断层扫描（CT）成像的NSCLC中对新辅助免疫疗法的病理完全反应（PCR），并进一步探讨了拟议的深度学习签名的生物学基础。在2019年1月至2023年9月，总共有248名接受新辅助免疫疗法的参与者在Ruijin医院，Ningbo Hwamei医院接受NSCLC的手术，然后在Ruijin医院进行NSCLC手术和Zunyi医科大学的后医院。在新辅助化学免疫性疗法之前的2周内进行了成像数据。鲁伊因医院的患者被分为培训集（n = 104）和6：4比率的验证集（n = 69），而宁波·霍马伊医院（Ningbo Hwamei Hospital）和祖尼医科大学（Zunyi）医科大学的其他参与者则是外部队列（n = 75）。在整个人群中，在29.4％（n = 73）的病例中获得了PCR。我们对PCR预测深度学习签名曲线下的区域（AUC）为0.775（95％的置信间隔[CI]：0.649-0.901）和0.743（95％CI：0.618-0.869）的验证集和外部队列中的0.5％（95％）（95％）（95％）（95％）（95％）。临床模型的0.689）和0.569（95％CI：0.454-0.683）。此外，较高的深度学习评分与微环境中细胞代谢途径和更多抗肿瘤免疫的上调相关。我们开发的深度学习模型能够预测NSCLC患者的新辅助化学免疫性疗法。
解释基于深度学习的静息状态功能连接数据表示：重点解释自闭症中的非线性模式
背景：静息态功能性磁共振成像 fMRI (rs- fMRI) 已广泛用于研究精神疾病的大脑功能，从而深入了解大脑组织。然而，rs-fMRI 数据的高维性给数据分析带来了重大挑战。变分自动编码器 (VAE) 是一种神经网络，在提取静息态功能连接 (rsFC) 模式的低维潜在表示方面发挥了重要作用，从而解决了 rs-fMRI 数据的复杂非线性结构。尽管取得了这些进展，但解释这些潜在表示仍然是一个挑战。本文旨在通过开发可解释的 VAE 模型并使用 rs-fMRI 数据在自闭症谱系障碍 (ASD) 中测试其效用来解决这一差距。