摘要在为无行为能力的患者做出替代判断时,代理人经常努力猜测患者有能力会想要什么。代理人也可能因(唯一)做出这种决定的责任而感到痛苦。为了解决此类问题,已经提出了一种患者偏好预测因子(PPP),该预测因素将使用算法从人群级别的数据中推断出单个患者的治疗偏好,以了解具有相似人口统计学特征的人的已知偏好。然而,批评家们已经表明,即使这种PPP平均比人类替代者更准确,在识别患者偏好方面,拟议的算法仍然无法尊重患者(以前的)自主权,因为它会借鉴“错误的”数据:对于个人而言,这些数据不适合个人的数据,因此他们不适合他们的挑战,并且他们的实际原因是他们的实际原因,或者是实际的,或者是实际上的,或者是实际上的,或者是实际的,或者是实际的,或者是实际的,或者是实际上所依据的,或者是实际的原因。在船上受到这样的批评,我们在这里提出了一种新方法:个性化的患者偏好预测因子(P4)。P4基于机器学习的最新进展,该技术允许包括大型语言模型在内的技术更便宜,更有效地“微调”在特定于人的数据上。与PPP不同,P4将能够从实际上特定于其特定的材料(例如先前的治疗决策)中推断出单个患者的偏好。因此,我们认为,除了在个体水平上比以前提出的PPP更准确,P4的谓词还将更直接地反映每个患者自身的原因和价值观。在本文中,我们回顾了人工智能研究中的最新发现,这些发现表明P4在技术上是可行的,并认为,如果它是开发和适当部署的,则应缓解一些基于自主的主要关注原始PPP的批评者的关注。然后,我们考虑对我们的提案的各种异议,并提供一些暂定的答复。
本文介绍了一种新颖的方法,可以使用极端点,即每个对象的最上方,最左侧,最左侧,bottommost和最右点进行学习。这些要点在现代边界框注释过程中很容易获得,同时为预分段提供了强大的线索,因此可以使用盒子监督的方法以相同的注释成本来提高性能。我们的工作将极端点视为真实实例掩盖的一部分,并传播它们以识别潜在的前面和背景点,它们全部用于训练伪标签生成器。然后,发电机给出的伪标签又用于监督我们的最终模型。在三个公共基准测试中,我们的方法大大优于现有的盒子监督方法,以完全监督的对应物进一步缩小了差距。尤其是,当目标对象分为多个部分时,我们的模型会生成高质量的掩码,而以前的盒子监督方法通常会失败。
关于人类的“ Claude”聊天机器人是否有意识(Claude无能为力),有生动的讨论。但是,如果意识需要进行物理实例化的某些东西,那么意识的每个“块”都必须在时空上扩展。克劳德的意识在哪里?它与GPU的一部分相关联,在某个遥远的数据中心进行了推理,还是计算机上的CPU和I/O总线的一部分,或者在过去生成Claude培训数据的人或最初训练该模型的数据中心?是否有单一的“克劳德意识”,还是计算机中有成千上万的小碎片经验?我们所说的“克劳德”在意识领域中可能没有干净的参考词,总的来说,我们
联合学习允许分布式的医疗机构可以协作学习具有隐私保护的共享预测模型。在临床部署时,接受联邦学习的模型仍会在联邦外面完全看不见的霍斯群岛上使用时仍会遭受性能下降。在本文中,我们指出并解决了联合域的生成(FedDG)的新型问题设置,该设置旨在从多个分布式源域中学习联合模型,以便它可以直接概括为看不见的目标域。我们提出了一种新颖的方法,在持续频率空间(ELCF)中称为情节学习,通过启动每个客户端在数据分散率的挑战性约束下利用多源数据分布来利用多源数据分布。我们的方法通过有效的连续频率空间插值机制以隐私保护方式传输客户之间的分布信息。通过转移的多源分布,我们进一步仔细设计了面向边界的情节学习范式,以将本地学习暴露于域分布变化,尤其是在医学图像分割场景中尤其满足模型概括的挑战。在两个医学图像分割任务上,我们的方法的有效性优于最先进的表现和深入消融实验。可以在https://github.com/liuquande/feddg-elcfs上使用代码。
摘要:近年来,技术彻底改变了生活的所有领域。由于编程是软件技术的核心,因此,对程序员的需求也必须日复一日地增加。随着增强现实(AR)和计算机视觉(CV)领域的进步,我们现在可以为教育领域的独特体验开发应用程序。本研究旨在为小学生开发一种学习编程技能的游戏。为学生提供了作为我们游戏标记的卡片。每个标记在AR中都具有独特的编程块,这会导致我们的游戏角色执行一定的动作。学生需要以正确的方式放置这些块才能完成给定的任务。因此,它使学生能够以吸引他们的方式学习一些基本的编程技能。
摘要。在这篇 Outlook 论文中,我们解释了为什么当通过使用系统生理增强功能性近红外光谱 (SPA-fNIRS) 同时测量系统生理活动(例如心肺和自主神经活动)时,可以促进对功能性近红外光谱 (fNIRS) 神经成像信号的准确生理解释。SPA-fNIRS 的基本原理有两个方面:(i) SPA-fNIRS 能够更完整地解释和理解在头部测量的 fNIRS 信号,因为它们包含源自神经血管耦合和系统生理源的成分。用 SPA-fNIRS 测量的全身生理信号可用于回归 fNIRS 信号中的生理混杂成分。因此可以最大限度地减少误解。(ii) SPA-fNIRS 能够通过将大脑与整个身体的生理状态联系起来来研究具身大脑,从而对它们复杂的相互作用产生新的见解。我们预计 SPA-fNIRS 方法在未来将变得越来越重要。© 作者。由 SPIE 根据 Creative Commons Attribution 4.0 International 许可证出版。全部或部分分发或复制本作品需要完全注明原始出版物,包括其 DOI。[DOI:10.1117/1.NPh.9.3.030801]
摘要背景:磁共振(MR)图像是脑肿瘤检测最重要的诊断工具之一。在医学图像处理问题中,脑 MR 图像中胶质瘤肿瘤区域的分割具有挑战性。精确可靠的分割算法对诊断和治疗计划有很大帮助。方法:本文介绍了一种新颖的脑肿瘤分割方法作为后分割模块,该方法使用主要分割方法的输出作为输入,并使分割性能值更好。该方法是模糊逻辑和细胞自动机(CA)的组合。结果:BraTS 在线数据集已用于实现所提出的方法。在第一步中,将每个像素的强度输入模糊系统以标记每个像素,在第二步中,将每个像素的标签输入模糊 CA 以使分割性能更好。在性能饱和时重复此步骤。第一步的准确率为 85.8%,但使用模糊 CA 后的分割准确率达到 99.8%。结论:实际结果表明,与其他方法相比,我们提出的方法可以显著改善 MRI 图像中的脑肿瘤分割。
自主机器人系统近年来引起了越来越多的关注,在这种环境中,环境是机器人导航,人类机器人互动和决策的关键步骤。现实世界机器人系统通常会从多个传感器中收集视觉数据,并经过重新识别以识别许多对象及其在复杂的人拥挤的设置中。传统的基准标记,依赖单个传感器和有限的对象类和场景,无法提供机器人对策划导航,互动和决策的需求的综合环境理解。作为JRDB数据集的扩展,我们揭开了一种新颖的开放世界式分割和跟踪基准,介绍了一种新型的开放世界式分割和跟踪基准。JRDB-Panotrack包括(1)各种数据室内和室外拥挤的场景,以及
在本文中,我们研究了新哥本哈根(或“认识论实用主义”)对量子力学的主要解释之间的相似之处和差异,这些解释在这里被定义为拒绝量子态的本体论性质并同时避免隐藏变量,同时保持量子形式不变。我们认为,存在一个具有共同核心的单一通用解释框架,所有这些解释都致力于这个框架,因此它们可以被视为它的不同实例,其中一些差异主要是重点和程度的问题。然而,我们也发现了更实质性的剩余差异,并对它们进行了初步分析。我们还认为,这些剩余的差异无法在量子力学本身的形式主义中得到解决,并确定了可用于打破这种解释不确定性的更普遍的哲学考虑。