XiaoMi-AI文件搜索系统
World File Search SystemlaTent
表征胸部CT扫描条件潜在扩散
摘要。这项研究深入研究了用于用于胸部CT扫描的潜在扩散模型的合成肺结节的表征。我们的实验涉及通过二进制掩码进行定位和各种结节属性引导扩散过程。特别是，掩码指示结节在边界框的形状中的近似位置，而其他标量属性则在嵌入向量中编码。扩散模型在2D中运行，在推理过程中产生单个合成CT切片。该体系结构包括一个VQ-VAE编码器，以在图像和潜在空间之间进行转换，以及负责DeNoising过程的U-NET。我们的主要目标是评估合成图像的质量，这是条件属性的函数。我们讨论可能的偏见以及模型是否充分定位并表征合成结节。我们对拟议方法的能力和局限性的发现可能是涉及有限数据集的下游任务，因为医学成像通常是这种情况。
如何跟踪潜在的生成模型生成的图像，而没有人工水印？
潜在的生成模型（例如，稳定的扩散）变得越来越流行，但是关于这些模型产生的图像的潜在滥用，出现了概念。因此，有必要通过推断特定的潜在生成模型来分析特定图像来分析图像的起源。大多数现有的方法（例如，图像水印和模型指纹打印）在训练或发电过程中需要额外的步骤。这些要求限制了它们在生成的图像上的使用情况，而无需此类操作，额外的操作可能会损害生成的图像的质量。在这项工作中，我们询问是否有可能有效，有效地追踪具有上述要求的特定潜在生成模型所产生的图像。为了研究此问题，我们设计了一种基于潜在反转的方法，称为L atent t Racer，以通过检查检查的图像是否可以使用倒置的潜在输入来构造了检查的图像，以追踪检查模型的固定图像。我们利用基于级别的潜在反转，并确定基于编码的初始化对我们方法的成功至关重要。我们对最先进的潜在生成模型（例如稳定的扩散）进行的实验表明，我们的方法可以以很高的精度和效率来区分被检查模型和其他IMEGES生成的图像。我们的发现表明，当今的潜在生成生成的图像自然是由源模型中使用的解码器自然水印的有趣可能性。代码：https：// github。com/zhentingwang/litenttracer。
潜在的学习进步推动人类加强学习中的自主目标选择
人类是自动特工，他们通过设定和追求自己的目标来学习。但是，指导人类目标选择的确切机制尚不清楚。学习进度通常以观察到的性能变化而衡量，可以为人类和人造药物的目标选择提供宝贵的信号。我们假设人类对目标的选择也可能是由潜在的学习进步驱动的，那么人类也可以通过了解其行动和环境来估算这些进步，即使没有立即发生绩效的改变。为了检验这一假设，我们设计了一项分层增强学习任务，其中人类参与者（n = 175）反复选择自己的目标并学习了目标条件政策。我们的行为和计算建模结果证实了潜在学习进度对目标选择和揭示个体间差异的影响，这部分是通过识别环境层次结构的介导的。通过研究潜在学习进度在人类目标选择中的作用，我们为更有效和个性化的学习经历以及更类似人类的自动机器的发展铺平了道路。
MF-lal：使用多保真潜在空间主动学习
当前的药物发现生成模型主要使用分子对接作为指导活性化合物产生的甲骨文。但是，这种模型在实践中通常没有用，因为即使是具有较高对接得分的化合物也不会始终显示出实验活动。存在更准确的活动预测方法，例如基于分子动力学的结合能量计算，但是在生成模型中使用它们在计算上太昂贵。为了应对这一挑战，我们提出了多保真潜在空间主动学习（MF-lal），这是一种生成的建模框架，将一组与成本准确性的折衷方案集成在一起。与以前分别学习替代模型和生成模型的方法不同，MF-LAL将生成性和多余的代孕模型结合到一个框架中，从而可以进行更准确的活动预测和更高质量的样本。我们使用一种新型的主动学习算法来训练MF-lal，以进一步降低计算成本。我们对两种相关疾病蛋白的实验表明，MF-LAL产生的化合物具有比其他单一单一和多忠诚方法更好的结合自由能评分。该代码可在https://github.com/rose-stl-lab/ mf-lal上找到。
潜印检查和人为因素：通过系统方法改进实践
1 Barnes, J.“历史。”《指纹资料手册》。美国国家司法研究所，2011 年。Cole, S. 嫌疑人身份：指纹识别和犯罪识别的历史。哈佛大学出版社，2001 年。2 Mnookin, J.“DNA 分析时代的指纹证据。”《布鲁克林法律评论》，67（2001 年）：13。3 例如，R. v. Smith，2011 EWCA Crim。1296；Bertino, A. 和 P. Bertino。法医科学：基础与调查。西南教育出版社，2009 年（Stephen Cowans 案）；美国司法部，监察长办公室。对 FBI 对 Brandon Mayfield 案处理的审查（非机密和删节版）。美国司法部，2006 年 3 月；Sweeney，C.“检察长出席 Shirley McKie 指纹调查。”泰晤士报，2008 年 10 月 21 日。4 例如，Leveson，B.刑事法庭的专家证据——问题，致法医科学协会的演讲，伦敦大学国王学院，2010 年 11 月 18 日。有关具体案例的讨论，请参阅第 6 章。5 Sanders，M. 和 E. McCormick。工程和设计中的人为因素，第 7 版。McGraw-Hill Companies，1993 年。6 美国国家科学院、医学研究所、美国医疗质量委员会。人非圣贤，孰能无过：建立更安全的医疗体系。美国国家科学院出版社，1999 年。
潜在指纹检查和人为因素：通过系统方法改进实践
《潜印检查和人为因素：通过系统方法改进实践》由美国司法部国家司法研究所资助，并与美国商务部国家标准与技术研究所的执法标准办公室合作完成。本报告中表达的意见或观点均为作者的观点，并不一定反映美国司法部或美国商务部的官方立场或政策。本报告中提及的商业产品或服务并不意味着国家标准与技术研究所的批准或认可，也不意味着此类产品或服务一定是最佳选择。建议引用格式：潜印分析人为因素专家工作组。潜印检查和人为因素：通过系统方法改进实践。美国商务部，国家标准与技术研究所。2012 年。
使用潜在向量表示的晶圆图缺陷模式半监督分类
摘要 —随着半导体设计和制造工艺的全球化，集成电路制造阶段的缺陷检测需求变得越来越重要，在提高半导体产品的产量方面发挥着重要作用。传统的晶圆图缺陷模式检测方法涉及使用电子显微镜进行手动检查以收集样本图像，然后由专家评估缺陷。这种方法劳动密集且效率低下。因此，迫切需要开发一种能够自动检测缺陷的模型来替代手动操作。在本文中，我们提出了一种方法，该方法首先采用预先训练的 VAE 模型来获取晶圆图的故障分布信息。该信息作为指导，结合原始图像集进行半监督模型训练。在半监督训练期间，我们利用师生网络进行迭代学习。本文提出的模型在基准数据集 WM-811K 晶圆数据集上进行了验证。实验结果表明，与最先进的模型相比，该模型具有更高的分类精度和检测性能，满足了工业应用的要求。与原始架构相比，我们取得了显着的性能提升。索引术语——缺陷检测；半监督学习；无监督学习；变异自动编码器
重离子引起的 SiC 功率 MOSFET 中的单粒子效应和潜在损伤
碳化硅 (SiC) 功率 MOSFET 的优势使得该技术在太空、航空电子和高能加速器应用方面具有吸引力。然而，当前的商业技术仍然容易受到单粒子效应 (SEE) 和辐射环境引起的潜在损伤的影响。在暴露于重离子的商用 SiC 功率 MOSFET 中，实验观察到两种类型的潜在损伤。一种是在略低于退化开始的偏置电压下观察到的，它涉及栅极氧化物。另一种损伤类型是在低于单粒子烧毁 (SEB) 极限的偏置电压下观察到的，它归因于 SiC 晶格的改变。聚焦离子束 (FIB) 和扫描电子显微镜 (SEM) 用于研究损伤部位。最后，总结了重离子在 SiC MOSFET 中引起的不同类型的损伤，这些损伤与离子 LET 和操作偏置有关。
通过计算变分自动编码器潜在空间中的差异来检测脑 MRI 中的肿瘤
自动勾勒出脑磁共振图像 (MRI) 中异常的能力对计算机辅助诊断至关重要。无监督异常检测方法主要通过学习健康图像的分布并将异常组织识别为异常值来工作。在本文中，我们提出了一种切片检测方法，该方法首先在两个不同的数据集上训练一对自动编码器，一个数据集包含健康个体，另一个数据集包含正常和肿瘤组织的图像。接下来，它根据图像编码与仅对健康图像进行训练的自动编码器获得的重建编码之间的潜在空间距离对切片进行分类。我们通过对 HCP 和 BRATS-2015 数据集进行的一系列初步实验验证了我们的方法，结果表明所提出的方法能够将脑部 MRI 分为健康和不健康。
根据AI Systems
抽象缺陷检测是识别生产样品中缺陷的任务。通常，缺陷检测分类器是根据正常样本（负数据）和具有缺陷（正数据）的样本形成的基地数据训练的，其中后者始终少于正常样本。最新的数据增强程序通过将伪像叠加到普通样本中，以减轻与不平衡培训数据有关的问题，从而添加了合成缺陷数据。这些技术通常会产生分发图像，从而导致系统学习不是正常样本但无法准确识别缺陷的样子的系统。在本文中，我们展示了我们与维罗纳大学（Verona of Verona University of Verona of Veryco）合作进行的研究，即维罗纳大学（University of Verona）的一家企业衍生产品，关于多模式潜在扩散模型（LDMS），以在行业5.0中进行准确的异常检测。与传统的图像生成技术不同，我们在人类的反馈循环管道中工作，在该管道中，域专家通过文本描述和可能异常的区域定位为模型提供了多模式的指导。这种战略转变增强了结果的解释性，并促进了更强大的人类反馈回路，从而促进了生成的输出的迭代改进。值得注意的是，我们的方法以零拍的方式运行，避免了耗时的微调程序，同时实现了卓越的性能。我们证明了它在具有挑战性的KSDD2数据集上的功效和多功能性，从而实现了最新的结果。