XiaoMi-AI文件搜索系统
World File Search Systemlearn
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。
可解释的人工智能和机器学习
摘要 人工智能 (AI) 和机器学习 (ML) 正在彻底改变人类各个领域的活动，医学和传染病也未能幸免于其快速而指数级的增长。此外，可解释的 AI 和 ML 领域已变得尤为重要，并吸引了越来越多的关注。传染病已经开始受益于可解释的 AI/ML 模型。例如，它们已被用于或提议用于更好地理解旨在改善 2019 年冠状病毒病诊断和管理的复杂模型、抗菌素耐药性预测领域和量子疫苗算法中。尽管一些有关可解释性和可解释性二分法的问题仍需认真关注，但深入了解复杂的 AI/ML 模型如何得出预测或建议，对于正确应对本世纪传染病日益严峻的挑战变得越来越重要。
人工智能制定学习目标
1. Anderson, LW 和 Krathwohl, DR (2001)。《学习、教学和评估分类法》，精简版。波士顿，马萨诸塞州：Allyn and Bacon。2. Biggs, J.、Tang, C. 和高等教育研究学会。（2011）。《大学优质学习教学：学生在做什么》，宾夕法尼亚州费城：McGraw-Hill/高等教育研究学会；英国伯克郡梅登黑德；纽约：开放大学出版社。（可从 SMU 图书馆借阅）3. Smaldino, S.、Lowther, D. 和 Russell, J.（2007）。《教学媒体与学习技术》，第 9 版。Englewood Cliffs：Prentice Hall, Inc。
使用机器学习来识别疾病的遗传环境相互作用
多发性硬化症（MS）是中枢神经系统（CNS）的一种慢性炎症性疾病，被认为是遗传学与生活方式和环境因素的相互作用引起的复杂疾病。这项研究旨在确定通过使用机器学习模型有助于MS发展的遗传和环境风险因素之间的相互作用。这包括用于MS预测和随机森林，Rosetta和Logistic回归模型的逻辑回归模型，用于查找SNP与风险因素之间的相互作用。研究人群由1118个个体，5,615个，有MS和5,566个健康对照组成，并提供有关环境和生活方式暴露的遗传信息和问卷数据。遗传信息包括基因型数据，而问卷数据包括性别，20岁时BMI，吸烟习惯，暴露于阳光，单核细胞增多症状态和年龄。这项研究确定了可能与MS发展有关的潜在基因环境相互作用。这些相互作用的含义将需要在未来的研究中得到进一步验证。使用基于网络的方法确定了MS疾病模块，可用于进一步分析以鉴定涉及MS的中心基因。这项研究的结果可能会更好地了解疾病发育和发病机理，并有助于采取个性化干预措施，以最大程度地减少疾病发展的风险。
人工智能、机器学习等的应用......
2 西北农林科技大学生命科学学院生物信息学中心、作物抗逆与高效生产国家重点实验室，陕西咸阳，3 西北农林科技大学农业部西北旱区玉米生物学与遗传改良重点实验室，陕西咸阳，4 俄罗斯科学院西伯利亚分院细胞学与遗传学研究所系统生物学系，俄罗斯新西伯利亚，5 俄罗斯帕特里斯·卢蒙巴人民友谊大学农业与技术学院，俄罗斯莫斯科，6 俄罗斯联邦卫生部莫斯科谢切诺夫第一国立医科大学（谢切诺夫大学）生物设计与复杂系统建模研究所信息与互联网技术系，俄罗斯莫斯科
聊天机器人和其他用于学习的人工智能：瑞典大学生的使用情况和观点调查
我相信，在个人学习方面，人工智能作为传统教育方法的补充具有巨大潜力。然而，除了潜力之外，人工智能的快速发展还引发了许多道德问题，这些问题往往解决得太晚，而且程度有限。
任何身份的生成学位 - CVF Open Access
在大规模数据集训练的生成模型的最新进展使得可以合成各个领域的高质量样本。此外，强烈反转网络的出现不仅可以重建现实世界图像，还可以通过各种编辑方法对属性进行修改。，在与隐私问题有关的某些领域中，例如Human Faces，先进的生成模型以及强大的反转方法可能会导致潜在的滥用。在此过程中，我们提出了一个必不可少但探索的任务不足的任务，称为生成身份，该任务引导该模型不要生成特定身份的图像。在未经学习的生成身份中，我们针对以下内容：（i）防止具有固有身份的图像的产生，以及（ii）保留生成模型的整体质量。为了满足这些目标，我们提出了一个新颖的框架，对任何IDE NTITY（指南）进行了努力，该框架通过仅使用单个图像来删除发电机来阻止特定身份的重建。指南由两个部分组成：（i）找到一个优化的目标点，该目标点未识别源潜在代码和（ii）促进学习过程的新型损失函数，同时影响较小的学习分布。我们的广泛实验表明，我们提出的方法在通用机器学习任务中实现了最先进的性能。该代码可在https://github.com/khu-agi/guide上找到。