XiaoMi-AI文件搜索系统
World File Search Systempreta
肿瘤学中的放射学解释
该计划还解决了针对小儿和跨性别人群的独特放射学考虑因素，以及成像在介入肿瘤学中的创新应用。为了增强学习和参与，将跨学科研究整合整合，并利用交互式工具来增强关键概念。此外，课程结束后，与会者将获得在线教学大纲，其中包括教师演讲的录制视频。
通过Mellin空间中可解释的潜在表示学习PDF
代表质子和其他黑龙的Parton分布函数（PDF）通过柔性，高保真的参数化已成为粒子物理现象学的长期目标。尤其如此，因为所选的参数化方法可以在QCD全局分析中提取的最终PDF不确定性中起影响力。反过来，这些通常是LHC和其他设施到非标准物理的实验范围的确定性，包括在大X上，参数化效应可能很重要。在这项研究中，我们探索了一系列具有各种神经网络拓扑的编码器 - 模型学习（ML）模型，作为从可解释的潜在空间中存储的有意义的信息中重建PDF的有效手段。鉴于最近努力在QCD分析和晶格规范计算之间进行协同效应，我们根据PDF在Mellin空间中的行为（即它们的综合力矩）制定了潜在表示，并测试了各种模型从该信息中解释PDF的能力。我们引入了一个数值软件包PDFDE-CODER，该软件包实现了几种编码器模型，以重建具有高忠诚度的PDF，并使用此端到端工具来探索基于神经网络的模型可能如何将PDF Para-para-para-para-质量连接到诸如其Melllin Moments之类的属性属性。我们还剖析了编码的Mellin矩和重建的PDF之间学习相关性的模式，这些模式提出了进一步改进基于ML的PDF参数化方法和不确定性量化的机会。
使用 3D 量子 TCAD 模拟解释在 1.4 K 下获取的 28 nm FD-SOI 量子点传输数据
摘要 — 采用标准制造技术制造的纳米级 CMOS 量子点器件在低温下的可靠运行对于量子计算应用至关重要。我们研究了使用意法半导体标准制造工艺在极低温度下制造的超薄体和埋氧 (UTBB) 全耗尽绝缘体上硅 (FD-SOI) 量子点器件的行为。使用 Nanoacademic Technologies 最近开发的 3D 量子技术计算机辅助设计 (QTCAD) 软件模拟和分析了量子点器件的性能，实现了低至 1.4 K 的收敛。在本文中，我们介绍了这项工作的初步模拟结果，并将其与从同一器件的测量中收集的实际实验数据进行了比较。关键词-FD-SOI CMOS、硅量子点、量子计算、3D TCAD 模拟、低温
对在入侵检测系统中可解释的人工智能整合的系统综述，以增强网络安全的透明度和可解释性
复杂的网络威胁的兴起刺激了入侵检测系统（IDS）的进步，这对于实时识别和减轻安全漏洞至关重要。传统ID通常依赖于复杂的机器学习算法，尽管其精确度很高，这些算法仍缺乏透明度，从而产生了“黑匣子”效应，从而阻碍了分析师对他们决策过程的理解。可解释的人工智能（XAI）通过提供可解释性和透明度，提供了一个有希望的解决方案，使安全专业人员能够更好地理解IDS模型。本文对XAI在ID中的集成进行了系统的综述，重点是提高网络安全的透明度和可解释性。通过对最近的研究的全面分析，本综述确定了常用的XAI技术，评估了它们在IDS框架中的有效性，并检查了它们的收益和局限性。的发现表明，基于规则和基于树的XAI模型是其可解释性的首选，尽管具有检测准确性的权衡仍然具有挑战性。此外，该评论突出了标准化和可扩展性中的关键差距，强调了对混合模型和实时解释性的需求。本文以未来研究方向的建议结束，提出了针对ID，标准化评估指标以及优先级安全和透明度的道德框架量身定制的XAI技术的改进。本评论旨在告知研究人员和从业者当前的趋势和未来利用XAI提高ID的有效性，促进更透明，更弹性的网络安全景观方面的机会。
使用 3D 量子 TCAD 模拟解释在 1.4 K 下获取的 28 nm FD-SOI 量子点传输数据
采用标准制造技术制造的纳米级 CMOS 量子点器件在低温下可靠运行对于量子计算应用至关重要。我们研究了使用意法半导体标准制造工艺制造的超薄体和埋氧 (UTBB) 全耗尽绝缘体上硅 (FD-SOI) 量子点器件的极低温行为。使用 Nanoacademic Technologies 最近开发的 3D 量子技术计算机辅助设计 (QTCAD) 软件模拟和分析了量子点器件的性能，实现了低至 1.4 K 的收敛。在本文中，我们介绍了这项工作的初步模拟结果，并将其与从具有相同几何形状的设备测量中收集的实验数据进行了比较。2. 简介量子计算机使用量子位 (qubit) 作为其构建块，有望利用量子力学在各种传统技术上提供颠覆性优势。硅中的量子点为实现物理量子位提供了一种有前途的方法。在这种架构中，量子信息被编码到量子点内单个电子或空穴的自旋中[1, 2]。
基于LLM的中间解释，用于预测护士压力及其逐步计数数据的原因
目的：本研究的目的是提出和评估一种基于机器学习（ML）基于机器学习（ML）的预测的混合方法，以估算压力水平及其从步骤计数数据中估算原因。该研究解决了现有数据集中缺乏有关压力根本原因的信息的差距。方法：步骤计数数据，压力评估（QID得分）和应力原因是从30位护士中收集的六个问卷，该问卷在一个月内以八天的八天内列出了4点李克特量表。设计了两个任务用于评估：（1）评估中间解释对压力存在估计准确性的贡献，以及（2）验证使用中间解释来识别压力原因。BERT模型。结果：在第一个任务中，具有中间解释的BERT达到了0.74的最高精度，使用原始步骤计数数据（0.63）和距离数据（0.59）优于BERT。在第二个任务中，同一模型的排名精度为0.60，而原始步骤计数数据为0.56。的显着关系。
轻量级且可解释的 Deepfakes 检测框架
摘要 — 近期所谓的深度伪造的现实创作和传播对社会生活、公民休息和法律构成了严重威胁。名人诽谤、选举操纵和深度伪造作为法庭证据只是深度伪造的一些潜在后果。基于 PyTorch 或 TensorFlow 等现代框架、FaceApp 和 REFACE 等视频处理应用程序以及经济的计算基础设施的开源训练模型的可用性简化了深度伪造的创作。大多数现有检测器专注于检测换脸、口型同步或木偶大师深度伪造，但几乎没有探索用于检测所有三种类型深度伪造的统一框架。本文提出了一个统一的框架，利用混合面部标志和我们新颖的心率特征的融合功能来检测所有类型的深度伪造。我们提出了新颖的心率特征，并将它们与面部标志特征融合，以更好地提取假视频的面部伪影和原始视频中的自然变化。我们利用这些特征训练了一个轻量级的 XGBoost，以对 deepfake 和真实视频进行分类。我们在包含所有类型 deepfake 的世界领袖数据集 (WLDR) 上评估了我们框架的性能。实验结果表明，与比较 deepfake 检测方法相比，所提出的框架具有更优异的检测性能。将我们的框架与深度学习模型候选模型 LSTM-FCN 进行性能比较，结果表明，所提出的模型取得了类似的结果，但它更具可解释性。索引术语 —Deepfakes、多媒体取证、随机森林集成、树提升、XGBoost、Faceswap、Lip sync、Puppet Master。
gl-icnn：端到端解释的卷积...
摘要 - 基于卷积神经网络（CNN）的深度学习方法显示，基于成像数据，基于成像数据的痴呆症的早期和准确诊断的早期和准确诊断都很大。但是，这些方法尚未在临床实践中被广泛采用，这可能是由于深度学习模型的解释性有限。可解释的提升机（EBM）是玻璃框模型，但无法直接从输入成像数据中学习功能。在这项研究中，我们提出了一个可解释的新型模型，该模型结合了CNN和EBM，以诊断和预测AD。我们制定了一种创新的培训策略，该策略将CNN组件作为功能提取器和EBM组件作为输出块而交替训练CNN组件，以形成端到端模型。该模型将成像数据作为输入，并提供预测和可解释的特征重要性度量。我们验证了有关阿尔茨海默氏病神经影像学计划（ADNI）数据集的拟议模型，以及Health-Ri Parelsnoer神经疾病生成疾病生物库（PND）作为外部测试集。所提出的模型以AD和对照分类为0.956的面积为0.956，预测轻度认知障碍（MCI）在ADNI队列上进行AD的预测为0.694。所提出的模型是与其他最先进的黑盒模型相当的玻璃盒模型。我们的代码可在以下网址提供：https：//anonymon.4open.science/r/gl-icnn。索引术语 - Alzheimer氏病，MRI，深度学习，转换神经网络，可解释的提升机器，明显的人工智能
反卷积网络在癫痫检测中的特征可解释性应用
大脑中不规则的电活动会导致人的行为、运动、感官体验和对周围环境的意识发生深刻而暂时的变化（Nasiri 和 Clifferd，2021 年）。在早期阶段识别和治疗癫痫对患有这种疾病的人来说可以带来关键而有价值的变化。头皮脑电图 (EEG) 是一种测量大脑电活动的非侵入性技术，是诊断癫痫的广泛使用的补充检查（Liang 等人，2020 年）。在癫痫发作期间，患者的脑电图将显示出明显的异常模式（Staba 等人，2014 年）。医生可以通过检查脑电图来帮助确定是否发生癫痫。然而，审查长期脑电图需要医生投入大量的时间和精力。因此，开发自动癫痫检测算法至关重要（Si 等人，2023 年）。研究人员正积极致力于开发利用脑电图数据自动检测癫痫发作的方法。从最初使用硬件电路的尝试到后来利用时域信息和基于阈值的方法进行癫痫发作检测。后续发展涉及使用频域特征和提取时频特征（Xia 等人，2015 年）进行癫痫发作检测。自引入以来，深度学习模型在计算机视觉任务中比手动提取的特征更具弹性（Chen 等人，2024 年）、语音识别（Eris and Akbal，2024 年）和自然语言处理（Luo 等人，2024 年）。因此，利用深度学习技术自动使用脑电图信号检测癫痫发作已显示出在做出最合适和最快临床决策方面具有重大前景（Ahmad 等人，2023 年）。近几年来，各种深度学习模型已用于癫痫发作检测，包括循环神经网络（Tuncer 和 Bolat，2022 年）、生成对抗网络（Rasheed 等人，2021 年）、深度神经网络（Liu 和 Richardson，2021 年）、分层神经网络（Hu 等人，2021 年）和卷积神经网络。这些模型取得了令人鼓舞的结果（Kaur 等人，2022 年）。卷积网络在逐像素进行端到端训练后，性能得到了进一步提升。随着全卷积网络 (FCN) 的引入，神经网络设计可以处理不同大小的输入，并通过高效的推理和学习机制产生相应大小的输出（Chou 等人，2023 年）。然而，FCN 尚未广泛应用于癫痫发作检测。同时，以往的深度学习算法往往忽略了不同通道对分类任务的贡献，导致模型的可解释性有限。针对上述问题，本文提出了一种基于深度学习的独立癫痫检测算法。算法可以从多通道脑电图数据中自主提取时间和空间信息，从而能够精确识别不同患者的癫痫发作事件。本文做出了几个关键贡献，包括：λ 提出了一种结合 SE（挤压和激励）模块的 CNN 模型检测算法。该方法已在 CHB-MIT 数据集上进行了评估，并取得了优异的性能。λ 首次将 FCN 模型中的上采样方法应用于癫痫发作检测，通过利用反卷积实现，将降尺度的图像从