XiaoMi-AI文件搜索系统
World File Search Systempreta
探索生成ai
生成AI模型发展的快速增长使其评估与发现其生成能力一样至关重要，例如音频文本，音频，图像和视频生成。我的研究重点是从解释性，可解释性和可信度来分析这些模型。解释性着重于这些模型的决策过程。我的研究试图回答以下问题：该模型能否解释它如何做出明显的决定？此外，它探讨了什么可以帮助该模型产生有关预测背后原因的有意义和可理解的解释。鉴于神经网络的性质，分析每个神经元中的参数通常是没有生产力的。因此，已经开发了各种甲基分析，例如事后分析，以从不同角度解决这个问题。但是，许多方法，例如事后分析，只是刮擦神经网络的表面。需要进一步的研究来解决这个新兴领域中众多未解决的问题。可解释性涉及了解模型的内部工作。鉴于其功能强大的固定功能，确定该模型是否已经完全理解所有要求并生成准确的内容是一项挑战，尤其是当用户不确定正确的答案时。因此，我对因果追踪感兴趣，例如机械性解释性，以深入了解模型。鉴于我对研究概念的讨论，这里有一些利用这些概念的方法和应用：解释性和可解释性旨在实现相同的目标：了解生成过程并解释生成模型的能力。这种不明智的想法将通过增加对模型输出的信任和有效利用来增强用户体验，从而导致可信赖性的方面。
DriveGpt4：可解释的端到端自动驾驶通过大语言模型
摘要 - 鉴于他们熟练使用非文本数据（包括图像和视频）的熟练程度，大型语言模型（MLLM）已成为研究界的重要领域。本研究旨在通过引入DraveGpt4（一种基于LLMS的新型可解释的最终自动驾驶系统）来扩展MLLM的应用到自动驾驶领域。能够处理多帧视频输入和文本查询，DriveGpt4促进了对车辆动作的解释，提供相关的推理，并有效地解决了用户提出的各种问题。此外，DriveGPT4以端到端方式预测低级车辆控制信号。通过使用定制的视觉说明调谐数据集实现了这些高级功能，该数据集是专门针对自主驾驶应用程序量身定制的，并结合了混合填充培训策略。DriveGpt4代表了利用LLM的开创性努力，以开发可解释的端到端自动驾驶解决方案。在BDD-X数据集上进行的评估展示了DriveGPT4的质量和定量性能。此外，特定于域的数据的精细调整使DriveGpt4在与GPT4-V形成对比时，可以在自主驾驶接地方面产生接近甚至改善的结果。本文的网页可在https://tonyxuqaq.github.io/projects/drivegpt4上找到。
使用LightGBM和Shap
摘要：疟疾继续构成重大的全球健康威胁，抗药性疟疾的出现加剧了挑战，强调了对新抗疟药的迫切需求。虽然已经将几种机器学习算法应用于抗性化合物的定量结构 - 活性关系（QSAR）建模，但仍需要更需要进行更可解释的模拟，以提供有关药物作用的潜在机制，从而促进新化合物的合理设计。本研究使用轻梯度增强机（LightGBM）开发了QSAR模型。该模型与沙普利添加剂解释（SHAP）集成在一起，以增强可靠性。LightGBM模型在预测抗性激活方面表现出了卓越的性能，其AC屏性为86％，精度为85％，灵敏度为81％，特异性为89％，F1得分为83％。SHAP分析确定关键分子描述符，例如MaxDO和GATS2M，是抗疟疾活性的重要促进者。LightGBM与Shap的整合不仅增强了QSAR模型的预测性交流性，而且还为特征的重要性提供了宝贵的见解，从而有助于新的抗疟药的合理设计。这种方法弥合了模型准确性和可解释性之间的差距，为有效有效的药物疾病提供了强大的框架，以抵抗耐药性疟疾菌株。
实现脑电信号自动编码器压缩的机械可解释性
脑电图 (EEG) 是一种非侵入性工具，通过将电极放置在人体头皮上来测量大脑活动，从而检测神经元放电电压。虽然 EEG 技术存在信噪比差和仅捕获表面大脑活动等局限性，但它仍然是诊断癫痫和睡眠障碍等疾病的可靠方法 [ 1 ]。自动编码器 [ 2 ] 是一类特殊的神经网络，用作编码器-解码器对。编码器通过逐步减少各层的神经元数量，最终达到瓶颈层，将输入数据压缩为压缩表示，称为潜在空间。相反，解码器通过逐渐增加后续层中的神经元数量从这种压缩形式重建输入数据。这种压缩和重建过程使网络能够有效地捕获输入数据的显着特征。卷积变分自动编码器 (CVAE) [ 3 , 4 ] 通过合并卷积层扩展了此框架，使其特别适合处理图像数据。与标准自动编码器不同，CVAE 生成概率潜在空间。这种概率方法有助于学习稳健的特征，并增强模型生成类似于训练数据的新数据实例的能力。利用卷积层，CVAE 可以利用数据中的空间层次结构，从而增强其分析和重建图像数据中固有的复杂模式和纹理的能力。因此，CVAE 在要求详细
促进遗传代码解释的tRNA修饰模式
对核苷酸三元组到氨基酸的遗传密码的解释是生命的基础。 这种解释是通过细胞TRNA实现的，每个人都通过其互补反密码子（位置34-36）读取三胞胎密码子，同时将充电至其3'端的氨基酸传递。 然后将这种氨基酸掺入核糖体蛋白质合成期间的生长多肽链中。 解释的质量和多功能性不仅可以通过密码子与年代的配对来确保，而且还通过在每个tRNA的位置34和37处的转录后修饰来确保，分别对应于对应于抗构型抗源代码的第一个位置的旋转核苷酸，并相对于抗代支的3''侧。 如何通过匹配的反密码子读取每个密码子，以及需要哪些修改，因此不能单独使用密码子 - 抗议配对来预测。 在这里，我们提供了一个易于访问的修改模式，该模式集成到遗传代码表中。 我们将重点放在革兰氏阴性细菌大肠杆菌作为模型上，这是为数不多的生物之一，其整个tRNA修饰和修饰基因都被鉴定和映射。 这项工作提供了一个重要的参考工具，该工具将促进蛋白质合成研究，这是细胞寿命的核心。对核苷酸三元组到氨基酸的遗传密码的解释是生命的基础。这种解释是通过细胞TRNA实现的，每个人都通过其互补反密码子（位置34-36）读取三胞胎密码子，同时将充电至其3'端的氨基酸传递。然后将这种氨基酸掺入核糖体蛋白质合成期间的生长多肽链中。解释的质量和多功能性不仅可以通过密码子与年代的配对来确保，而且还通过在每个tRNA的位置34和37处的转录后修饰来确保，分别对应于对应于抗构型抗源代码的第一个位置的旋转核苷酸，并相对于抗代支的3''侧。如何通过匹配的反密码子读取每个密码子，以及需要哪些修改，因此不能单独使用密码子 - 抗议配对来预测。在这里，我们提供了一个易于访问的修改模式，该模式集成到遗传代码表中。我们将重点放在革兰氏阴性细菌大肠杆菌作为模型上，这是为数不多的生物之一，其整个tRNA修饰和修饰基因都被鉴定和映射。这项工作提供了一个重要的参考工具，该工具将促进蛋白质合成研究，这是细胞寿命的核心。
USMLE分数解释指南
考试的描述步骤1*评估考生是否理解并可以应用医学实践的科学概念，并特别强调了健康，疾病和治疗方式的原理和机制。步骤1不仅可以掌握目前的安全，有能力的医学实践的基础，而且还确保了通过终身学习维持能力所需的科学原则。步骤2临床知识（CK）评估考生是否可以应用医学知识，技能和对在监督下提供患者护理至关重要的临床科学的理解，并重点是预防健康和疾病。步骤2确保适当的关注专门介绍临床科学原则和基本以患者为中心的技能，这为医学的安全有效实践提供了基础。第3步评估考生是否可以应用医学知识和对无监督医学实践至关重要的生物医学和临床科学的理解，重点是在卧床环境中的患者管理。将步骤3纳入USMLE许可检查序列，可确保注意力致力于评估对为患者提供一般医疗护理的独立责任的医生的知识和技能的重要性。了解您的分数报告的步骤2 CK和步骤3的分数从1到300。USMLE利益相关者应避免比较在急剧不同的时间点获得的分数。针对使用统计程序进行调整，调整了各种形式和年份的难度小差异；因此，给定步骤的得分在整个年度和形式之间都是可比性的。然而，重要的是要注意，所有USMLE考试随着时间的流逝而随着测试内容而演变，并且在两个实质上不同的时间点进行的检查可能会在某些内容或某些内容领域的重点方面有所不同。由于每次检查的内容和格式会随着时间的流逝而变化，因此不应与时间分离超过3 - 4年的个体分数进行比较。表1显示了来自LCME认可的美国/加拿大医学院的第一名的平均值和标准偏差（SD），他们在过去3年中进行了测试。
lemevit：具有可学习的元代币的有效视觉变压器用于遥感图像解释
由于遥感中的空间冗余，含有丰富信息的稀疏令牌通常参与自我注意事项（SA），以减少计算中的总体令牌数量，从而避免VI-Sion变形金刚中的高计算成本问题。但是，这种方法通常通过手工制作或平行不友好的设计获得稀疏的令牌，从而提出了挑战，以在效率和性能之间达到更好的平衡。与它们不同，本文建议使用可学习的元代币来制定稀疏令牌，这些代币有效地学习了关键信息，同时提高了推理速度。从技术上讲，元代币首先是通过跨注意力从图像令牌初始初始化的。然后，我们提出双重交叉注意（DCA），以促进图像令牌和元代币之间的信息交换，在该图像令牌和元代币之间，它们在双分支结构中作为查询和钥匙（值）代币，可显着降低与自我注意相比的计算复杂性。通过在早期阶段使用DCA，具有密集的视觉令牌，我们获得了具有各种尺寸的层次结构Lemevit。分类和密集的词典任务的结果表明，Lemevit具有显着性1。7×加速，更少的参数和竞争性能，并且在效率和性能之间取得了更好的权衡。该代码在https://github.com/vitae-transformer/lemevit上发布。
可解释的AI：开发可解释的深度学习...
抽象人工智能（AI）和深度学习（DL）在增强各种专业的医学诊断方面具有巨大的潜力。然而，这些模型的固有复杂性和不透明性在临床采用方面构成了重大挑战，特别是由于医疗保健决策的批判性质。本研究论文探讨了可解释的深度学习模型用于医学诊断的发展，重点是将可解释的AI（XAI）技术整合起来，以提高透明度，问责制和对AI辅助医疗决策的信任。我们研究了各种XAI方法，它们在不同的医疗领域的应用以及它们对诊断准确性和临床解释性的影响。通过对案例研究的全面分析，我们证明了可解释的模型如何不仅可以保持较高的诊断性能，还可以为其决策过程提供宝贵的见解，从而有可能彻底改变了AI和人类医疗保健专业知识之间的协同作用。关键字：可解释的AI；深度学习；医学诊断；解释性；卫生保健;人工智能1。简介医疗保健中人工智能（AI）和深度学习（DL）的整合在增强医学诊断，治疗计划和患者护理方面表现出了巨大的希望。这些高级计算模型已经证明了在图像识别，自然语言处理和复杂模式识别等任务中通常匹配或超过人类表现的功能[1]。在医学诊断领域中，AI系统在检测医学成像，预测患者预后以及识别可能会忽略甚至可能经历过医疗保健专业人员的临床数据中的细微模式方面取得了显着的准确性[2]。但是，在临床环境中广泛采用AI是一个重大障碍：许多深度学习模型的“黑匣子”性质。这些模型的复杂性和不透明度使医疗保健提供者了解和信任AI生成的诊断和建议背后的推理[3]。缺乏解释性引起了人们对责任制，患者安全以及依靠AI进行关键医疗决策的道德意义的担忧。可解释的AI（XAI）已成为一个关键领域，旨在通过开发方法和技术来使AI系统更透明和可解释[4]来应对这些挑战。在医学诊断的背景下，XAI试图解开深度学习模型的决策过程，提供有关这些系统如何得出结论并实现医疗保健