XiaoMi-AI文件搜索系统
World File Search Systemgorithms
社论：在医疗保健领域发挥人工智能的力量
作为《Sage Journal of Surgical Innovation》的主编，我们认为现在是时候鼓励我们的作者和读者研究和批判性地评估与医疗保健领域人工智能 (AI) 兴起相关的用例、价值和潜在挑战了。AI 有能力在许多方面彻底改变外科医疗实践。例如，它可以减轻繁忙的从业人员因管理或重复性任务而产生的压力。AI 可能有助于进一步定制患者护理，改善患者结果，缩小获得护理的差距，并加快护理的提供。然而，我们必须全面研究其好处、可能的风险和必要的准备，以确保不仅在医疗保健领域充分利用 AI，同时还要保护它并防止 AI 造成伤害。人工智能在医学领域的引入有望实现个性化治疗。到目前为止，人工智能可以使用复杂的算法和机器学习分析大量数据，速度之快前所未有。在人工智能的帮助下，医生现在能够根据患者独特的基因构成和医学背景为其制定个性化治疗方案。这种个性化医疗能够大大改善患者的预后，彻底改变当今的医疗保健方式。此外，人工智能还有可能解决日益严重的医疗保健可及性问题。医疗保健专业人员可以使用人工智能算法将他们的知识扩展到服务不足的社区，确保即使是最偏远的地区也能获得高质量的护理；尤其是在 5G 网络越来越普及的情况下。但即使在只有 3 或 4G 可用的地方，也可以提供诊断和治疗建议，甚至使用模拟技术培训医务人员。在专业医务人员有限的地区，人工智能与移动技术相结合
你一直想知道的有关量子电路的一切
量子计算电路的开发受到量子算法激增的推动，这些算法有望比经典算法实现超多项式因子的加速。所开发的量子算法有可能影响数论、加密、科学计算等领域 [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16]。量子算法的设计仍然是一个活跃的研究领域，新算法不断出现在文献中（有关量子算法的代表性列表，请参阅 [17]）。为了实现这些提议的量子算法的潜在性能提升，必须在量子硬件上实现它们。IBM 或 Honeywell 等实体开发的量子计算机就是可用于实现量子算法的量子硬件平台的一个例子 [18] [19] [20] [21] [22]。为了在这些硬件平台上实现量子算法，我们需要由量子电路组成的量子数据通路系统。在本文中，我们将介绍量子电路的设计和资源成本评估。这些量子电路由量子门网络组成。IBM 和 Honeywell 等实体开发的量子机支持基于门的量子计算。基于门的量子电路设计可用于容错量子计算和量子电路设计自动化 [23] [24] [25] [26] [27] [28] [16] [29]。每个量子门代表一个量子力学操作。因此，使用量子电路的设计者必须应对新的特性和挑战。例如，量子电路是一对一的，所有信息都被保留。用于实现量子算法的量子电路设计引起了研究人员的关注。已经提出了用于基本功能（例如基本算术功能（例如加法或除法））的电路，例如 [30] [31] [32] [33] [34] [35] [36] [37]。这些基本电路被用作更复杂的数据通路系统的构建块，例如用于科学计算、图像处理或机器学习的高级数学函数 [38] [39] [40] [12] [41] [42] [43]。
Finllama：算法交易申请的财务情感分类
复杂性理论在理论上已经在诸如分解[2]，搜索[3]和类似[4]等问题中得到了证明。这些进步为在半导体行业中维持或超越摩尔法律提供了希望。然而，除了从理论计算机科学的栅极模型中估算的时间复杂性之外，它在实践中估算和证明可能的量子可能性是合理的。首先，对量子计算的实用成本估计需要最先进的知识，从涵盖复杂性的详细理论涵盖预先因素[5，6]到量子硬件的明确设计，并且包括更全面的测量，包括更全面的测量值，例如时间成本（以秒为单位）（在第二秒内进行测量），空间成本（数量），零售成本（数量），以及能量成本。，量化能源效率估计的复杂性质是高度未经评估的，尽管量子算法的可能能量优势主要在定性论证中讨论了[7-9]。第二，尽管某些算法的存在量子优势的存在在理论上是坚定合理的，但要证明这些因素可以变成现实世界，这是挑战，对于商业应用而言，尤其是显着的好处[10]。最后，量子状态非常脆弱，当前的量子处理器嘈杂，使量子误差校正是制造大规模，耐断层量子计算的唯一方法。容忍度虽然在理论上可以持续存在，但仍需要许多其他资源和实验挑战，从而使精确的资源估计更具挑战性。因为lin-在这项工作中，我们通过对所谓的Harrow-Hassidim-lloyd（HHL）算法进行全面的，能源感知的资源估算来解决这些挑战[11]。HHL算法提供了可用于求解线性代数问题的量子线性系统算法（QLSA）。给定线性方程式A | x⟩= | b⟩，该算法返回量子状态| X = A - 1 | B⟩作为解决方案。对于某些类别的矩阵，已经表明，该算法在poly（log n）的时间为n×n矩阵以poly（log n）时间运行，这使其比任何已知的经典对应物都要快。复杂性 - 理论论点还表明，某些设置是BQP填充的算法[11]。
股票市场预测中的AI：书目分析
摘要。近年来，人工智能（AI）的迅速进步对交易实践产生了重大影响，为交易者提供了高级委托，从而改善了决策并增强交易策略，从而增加了利润和降低风险。大数据时代的发作进一步丰富了这一领域，可以访问广泛的财务数据，例如历史股票价格，公司财务报表，财务新闻文章，社交媒体情感和宏观经济指标，都可以公开使用。通过识别此广泛的数据集中的复杂模式和相关性，深度学习（DL）算法证明了它们比传统方法更准确地预测股票价格和市场趋势的能力。这项综合调查旨在对股票市场预测中采用的各种深度学习模型进行深入的研究。主要目的是将这些模型分为两种不同类型：Uni-Modal和多模态模型。通过探索每个类别中的细微差别，这项文献调查提供了对这些模型的优势，实力和对股票市场预测不断发展的研究格局的贡献的全面理解。我们的调查采用了一种系统的方法来进行CateGosize和分析股票市场预测中的深度学习模型。掌握了建立的数据库和存储库，我们将编写一个全面的数据集，其中包括与DL有关的DL有关的学术文章，会议论文和其他学术出版物。这项调查的发现为学术界和行业提供了宝贵的见解。该数据集将涵盖定义的时期，从而使我们能够捕获股票市场预测中研究趋势的时间演变。第一阶段涉及从已建立的数据库中提取和编译相关文献，包括但不限于Scopus，Web of Science和Google Scholar。该数据集将作为在股票市场预测中列出DL应用程序不断发展的景观的基础。随后，将采用先进的技术和方法，用于该领域中研究模式，模型共发生以及研究的智力结构。我们的研究确定了有影响力的作者，合作网络以及研究活动的地理分布，以发现新兴的研究群体。通过对
TorchQuantum 稳健量子电路案例研究
摘要 量子计算因其在各个领域实现速度和效率根本提升的潜力而吸引了众多研究关注。在不同的量子算法中，用于量子机器学习 (QML) 的参数化量子电路 (PQC) 有望在当前的嘈杂中型量子 (NISQ) 机器上实现量子优势。因此，为了促进 QML 和 PQC 研究，最近发布了一个名为 TorchQuantum 的 Python 库。它可以构建、模拟和训练用于机器学习任务的 PQC，速度快且调试方便。除了用于机器学习的量子，我们还希望引起社区对相反方向的关注：用于量子的机器学习。具体而言，TorchQuantum 库还支持使用数据驱动的机器学习模型来解决量子系统研究中的问题，例如预测量子噪声对电路保真度的影响并提高量子电路编译效率。本文介绍了 TorchQuantum 中用于量子部分的机器学习的案例研究。由于估计噪声对电路可靠性的影响是理解和减轻噪声的重要步骤，我们建议利用经典机器学习来预测噪声对电路保真度的影响。受量子电路自然图形表示的启发，我们建议利用图形变换器模型来预测嘈杂的电路保真度。我们首先收集包含各种量子电路的大型数据集，并在嘈杂的模拟器和真实机器上获得它们的保真度。然后，我们将每个电路嵌入到具有门和噪声属性作为节点特征的图中，并采用图形变换器来预测保真度。我们可以避免指数级的经典模拟成本，并有效地估计具有多项式复杂度的保真度。在 5,000 个随机和算法电路上进行评估，图形变换器预测器可以提供准确的保真度估计，RMSE 误差为 0.04，平均比简单的基于神经网络的模型高出 0.02。它可以分别对随机和算法电路实现 0.99 和 0.95 的 R 2 分数。与电路模拟器相比，该预测器在估计保真度方面具有超过 200 倍的速度提升。数据集和预测器可以在 TorchQuantum 库中访问。1 简介
人工智能的供应链资本主义：呼吁（重新）思考算法的危害与抵抗（扩展摘要）
关于人工智能 (AI) 影响的对话一直围绕偏见、监视和不透明性展开。然而，在气候紧急情况的背景下，我们需要进一步了解人工智能及其基础设施对环境的影响。人工智能生命周期的每个阶段都面临着复杂的挑战。制造人工智能硬件（如图形处理单元 (GPU)）所需的矿产资源的开采会导致土壤破坏和水污染。存储大型数据库和运行算法所需的数据中心消耗了大量的能源和水。随着数据中心规模、数量和复杂性的增长，对能源和水的需求也在增加。此外，这些数据中心通过海底电缆网络连接，通过栖息地破坏或丧失、噪音和化学污染影响海洋环境。最后，居住在电子垃圾填埋场附近的当地社区面临着严重的环境和健康威胁，因为接触数字设备和微电子产品中所含的有毒元素会导致呼吸问题和神经系统疾病。本文邀请我们通过批判和跨学科的视角来拓宽我们对算法危害和抵抗的视野。本文以 Tsing 的“供应链资本主义”概念为基础，提出了一个理论框架来阐明人工智能行业的物质现实。这项技术被编织进资本、自然资源和人力的供应链中，而在之前关于其社会和伦理影响的辩论中，这一环节一直被忽视。鉴于目前生成性人工智能的激增——据估计它比传统的机器学习算法使用了更多的自然资源——我们必须更好地理解其生产机制的政治性。本文通过展示人工智能供应链的复杂、多样、不透明和全球结构，带我们踏上了一段人工智能行业的旅程。人工智能的供应链资本主义由大型科技公司与矿山、半导体工厂、数据中心、电子垃圾填埋场和运输公司共同策划。本文通过民族志之旅，更好地了解了如何从矿山开采硅等自然资源来制造 GPU。然后，GPU 被安装在数据中心，而数据中心又使用电力
碳捕获，利用率和存储中的地下地形空间智能：离岸存储站点选择的机器学习方法
本研究介绍了一个创新的数据驱动和机器学习框架，旨在准确预测特定离岸CO 2存储站点的站点筛选研究中的站点分数。框架无缝将各种地下地面地面数据源与人类辅助专家加权标准集成在一起，从而提供了高分辨率筛选工具。量身定制，以适应不同的数据可访问性和标准的重要性，这种方法考虑了技术和非技术因素。其目的是促进与碳捕获，利用率和存储相关的项目的优先位置（CCUS）。通过汇总和分析地理空间数据集，该研究采用机器学习算法和专家加权模型来识别合适的地质CCUS区域。此过程遵守严格的安全性，风险控制和环境指南，以解决人类分析可能无法识别模式并在合适的现场筛选技术中提供详细见解的情况。这项研究的主要重点是弥合科学探究和实际应用之间的差距，从而促进了CCUS项目实施时明智的决策。严格的评估包括地质，海洋学和环保指标为决策者和行业领导者提供了宝贵的见解。确保已建立的离岸CO 2存储设施的准确性，效率和可扩展性，建议的机器学习方法进行基准测试。这种全面的评估包括使用机器学习算法，例如极端梯度提升（XGBoost），随机森林（RF），多层极限学习机器（MLELM）和深神经网络（DNN），以预测更合适的场地分数。在这些Al Gorithm中，DNN算法在现场得分预测中最有效。DNN算法的优势包括非线性建模，功能学习，规模不变性，处理高维数据，端到端学习，转移学习，表示形式学习和并行处理。The evaluation results of the DNN algorithm demonstrate high accuracy in the testing subset, with values of AAPD (Average Absolute Percentage Difference) = 1.486 %, WAAPD (Weighted Average Absolute Percentage Difference) = 0.0149 %, VAF (Variance Accounted For) = 0.9937, RMSE (Root Mean Square Error) = 0.9279, RSR (Root Sum of Squares Residuals) = 0.0068和r 2（确定系数）= 0.9937。
人工智能应用，用于在下弗里利亚平原（意大利东北）
地热能作为可持续和清洁能源取决于储层温度的准确估计。理解含水层温度对于优化低率地地热系统开发至关重要。预测算法的进步可以提高地热效率，而间接温度测量的常规方法和地球化学分析中的假设会导致不确定性。作为一种措施，本研究对六种机器学习算法进行了全面评估，包括极端梯度提升（XGBoost），决策树，广义回归神经网络，极端的随机树，径向基础功能和弹性网。我们采用了基本绩效指标，包括确定系数（R 2）得分，均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE）和差异（VAF）来阐明其预测精度和较低的Friulian Plain（Northerian Plain（Northerian Plain）（Northerev）（easterth）的预测准确性和普遍性作用。在经过审查的Al Gorithm中，XGBoost成为一个预测的示例，在测试数据集中取得了0.9930的显着r 2分数，始终为0.788，MAE为0.587，MAE为0.587，MAPE，MAPE为1.909，MAPE为1.909，高VAF为99.30，其出色的精确度和强大的精确度和强大的精确度。值得注意的是，其他四个模型的性能比XGBoost稍弱，而弹性网显示中等的预测能力，这说明了数据库的复杂性。进行了灵敏度分析，以确定影响温度预测的主要因素。与其他算法相比，Wilcoxon签名的秩检验证实了XGBoost在估计地热温度方面的出色性能，统计证据支持其精度和可靠性。用于不确定性分析的蒙特卡洛模拟强调了模型选择，准确性和不确定性管理在较低弗里利亚平原的地热项目计划中的重要性。在考虑的参数中，碳酸氢盐在0.51时的最高显着性，这对于准确的温度预测至关重要，因为它的缓冲能力直接影响水的热特性。镁和电导率每种都有0.11的贡献，也起着重要作用，因为它们对水的保留和分布能力的影响。水深为0.08，对预测模型中的温度曲线也有很大的影响。总而言之，在下部弗里利亚平原中，碳酸盐储层中XGBoost对含水层温度的准确预测强调了其优化地热资源的价值，并突出了对温度的最重要影响。
足球成功的决定因素：机器学习方法
足球研究的标题前进领域是使用统计建模和机器学习算法来预先匹配结果（1、2、3、4）。这些技术为脚步练习者提供了更深入分析的机会，以识别训练和匹配期间的关键变量，以准备不同的竞争情况。统计建模技术利用历史性能数据来识别模式和趋势以预测未来的结果。多种统计建模方法已用于预测匹配结果，例如； Mann-Whitney U非参数测试（5），t检验和判别分析（6、7）和单向方差分析（1、7、8、9）。最近，由于大数据的可用性，与统计建模技术相比，机器学习算法的灵活性和识别更复杂模式的能力变得越来越流行。这些包括；线性回归（10），日志线性建模（11），多元素逻辑回归（12），逻辑回归（13，14），贝叶斯网络（15）和决策树（1，9）。最流行的分类算法之一是决策树（16），旨在通过最小化分类错误来创建输出。该算法代表了通过决策节点的过程中从单数分区（根节点）中的基于结果的决策（叶子节点）。因此，在本研究中使用了决策树算法来表示所选性能变量和匹配结果之间的关系。因此，在这项研究中，分析中首先包括反对派和评分质量。专注于成功的决定因素时，考虑可能也会影响足球表现的外部参数至关重要。结果，“情境变量”的概念已成为绩效研究的重要方面（17）。重大搜索的两个突出变量是匹配状态，对“获胜”，“绘画或输掉”（18、19、20）和反对派的效果的影响，在对抗“强”“平衡”或“弱”对手时对性能的效果（11、12、12、12、21、21、21、22）。有效评估足球运动中的运动表现，对上述情况变量的了解进行了上述研究，以表明在分析性能时需要包含。确定反对水平的传统方法是基于目前的地位（23），赛季结束（11）或由于对方队伍之间海上排名末期的差异而定义的（24）。这些方法提出了批评，因为使用季节结束和赛车排名在季节动量和人性变化中都无法随着时间的流逝而认识到。因此，为了改善方法论严格，作者现在利用基于距离的机器学习算法，例如K-均值聚类（1，25，26）。上面的研究提供了对第一个团队级别的成功终端的详尽看法，使用方法来预测结合机器学习的匹配结果
![arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日](/simg/g:\will\search\icon\source\3\3c87b68027f137968ab7fa405274c3bf872022b1.png)
arXiv:2009.05487v3 [cs.AI] 2021 年 8 月 26 日
机器学习 (ML) 正在改变着工业、科学和社会。如今，ML 算法可以在理发店预约（Leviathan 和 Matias，2018 年）、根据蛋白质的氨基酸序列确定其 3D 形状（Senior 等人，2020 年），甚至可以撰写新闻文章（Brown 等人，2020 年）。仔细观察这些发展，我们发现模型越来越复杂。不同的 ML 模型以启发式方式堆叠在一起，但理论支持有限（Hutson，2018 年）。在某些应用中，只要算法在大多数情况下表现良好，复杂性可能就不是问题。然而，在社会、认识论或安全关键领域，复杂性可能会排除 ML 解决方案——例如自动驾驶、科学发现或刑事司法。高度复杂算法的两个主要缺点是模糊性问题（Lipton，2018 年）和对抗性攻击（Szegedy 等人，2014 年）。模糊性问题描述了人类对 ML 算法内部运作的有限认知访问，尤其是关于参数的语义解释、学习过程和 ML 决策的人为可预测性（Burrell，2016 年）。这种可解释性的缺乏最近引起了广泛关注，从而催生了可解释人工智能 (XAI) 领域的发展（Doshi-Velez 和 Kim，2017 年；Rudin，2019 年）。人们提出了许多技术来深入了解机器学习系统（Adadi 和 Berrada，2018 年；Doˇsilovi´c 等人，2018 年；Das 和 Rad，2020 年）。与模型无关的方法尤其受到关注，因为与特定于模型的方法不同，它们的应用不限于特定的模型类型（Molnar，2019 年）。全局与模型无关的解释技术（如置换特征重要性（Fisher 等人，2019 年）或部分依赖图（Friedman 等人，1991 年））旨在理解机器学习算法的一般属性。另一方面，局部模型无关解释方法（如 LIME（Ribeiro 等人，2016 年）或 Shapley 值（ˇ Strumbelj 和 Kononenko，2014 年））旨在理解算法在特定区域的行为。解释特定模型预测的一种方法是反事实解释 (CE)（Wachter 等人，2017 年）。CE 通过提供最接近的替代输入来解释预测，该输入将导致不同的（通常是期望的）预测。CE 是我们在本文中研究的第一类对象。对抗性攻击问题描述了这样一个事实：复杂的 ML 算法容易受到欺骗（Papernot 等人，2016a；Goodfellow 等人，2015；Szegedy 等人，2014）。攻击者可以利用此类故障来伤害模特雇主或危及最终用户（Song 等人，2018）。研究对抗性攻击的领域称为对抗性机器学习（Joseph 等人，2018）。如果攻击发生在训练过程中，通过插入错误标记的训练数据，这种攻击称为投毒。如果攻击发生在训练过程之后，通常称为对抗性示例 (AE)（Serban 等人，2020 年）。AE 是类似于真实数据但被训练过的 ML 模型错误分类的输入，例如，乌龟图像被归类为 rière（Athalye 等人，2018 年）。因此，错误分类在这里意味着算法与某些（通常是人类给出的）基本事实相比分配了错误的类别/值（Elsayed 等人，2018 年）。AE 是与我们的研究相关的第二类对象。尽管不透明度问题和对抗性攻击问题乍一看似乎毫无关联，但仍有充分的理由联合研究它们。 AE 显示了 ML 模型失败的地方，检查这些失败可以加深我们对模型的理解（Tomsett 等人，2018 年；Dong 等人，2017 年）。另一方面，解释可以阐明如何改进 ML 算法，使其对 AE 更具鲁棒性（Molnar，2019 年）。缺点是，解释可能包含有关模型的太多信息，从而允许构建 AE 并攻击模型（Ignatiev 等人，2019 年；Sokol 和 Flach，2019 年）。CE 与 AE 的联系比其他解释更强。CE 和 AE 可以通过解决相同的优化问题 1 来获得（Wachter 等人，2017 年；Szegedy 等人，2014 年）：