XiaoMi-AI文件搜索系统
World File Search Systemrnn
使用机器的医疗医疗解决方案...
摘要该项目的主要目的是利用卷积神经网络（CNN），经常性神经网络（RNN）和集合学习技术开发全面的医学疾病检测系统。我们的目的是自动检测各种疾病，包括Covid-19，脑肿瘤，阿尔茨海默氏症和肺炎，以准确有效的深度学习模型代替手动诊断方法。该项目涉及设计定制的CNN和RNN架构，预处理医学图像和患者数据，并使用标记的数据集训练模型。如果成功，该项目有可能彻底改变医疗诊断，改善患者的结果并通过先进的机器学习技术来增强医疗保健的可及性。关键字：医学疾病检测，卷积神经网络，经常性神经网络，集合学习，深度学习，绩效评估，医疗保健，患者结果。
使用机器的医疗医疗解决方案...
摘要该项目的主要目的是利用卷积神经网络（CNN），经常性神经网络（RNN）和集合学习技术开发全面的医学疾病检测系统。我们的目的是自动检测各种疾病，包括Covid-19，脑肿瘤，阿尔茨海默氏症和肺炎，以准确有效的深度学习模型代替手动诊断方法。该项目涉及设计定制的CNN和RNN架构，预处理医学图像和患者数据，并使用标记的数据集训练模型。如果成功，该项目有可能彻底改变医疗诊断，改善患者的结果并通过先进的机器学习技术来增强医疗保健的可及性。关键字：医学疾病检测，卷积神经网络，经常性神经网络，集合学习，深度学习，绩效评估，医疗保健，患者结果。
医生 AI：通过循环神经网络预测临床事件
利用电子健康记录 (EHR) 中的大量历史数据，我们开发了 Doctor AI，这是一种通用预测模型，涵盖观察到的医疗状况和药物使用情况。Doctor AI 是一种使用循环神经网络 (RNN) 的时间模型，开发并应用于 8 年来来自 26 万名患者和 2,128 名医生的纵向时间戳 EHR 数据。就诊记录（例如诊断代码、药物代码或程序代码）被输入到 RNN 中，以预测后续就诊的（所有）诊断和药物类别。Doctor AI 评估患者的病史以进行多标签预测（每个诊断或药物类别一个标签）。根据单独的盲测试集评估，Doctor AI 可以执行鉴别诊断，召回率高达 79%@30，明显高于几个基线。此外，我们通过将生成的模型从一个机构调整到另一个机构，而不会损失大量准确性，证明了 Doctor AI 具有很强的通用性。
突触的计算的神经种群动力学...
摘要除了长时间的重新布线外，大脑中的突触还会受到在更快的时间表上发生的显着调制，这些时间尺度赋予了大脑的其他处理信息。尽管如此，大脑的模型像复发性神经网络（RNN）经常在训练后冻结了权重，依靠在神经元活动中存储的内部状态来保存与任务相关的信息。在这项工作中，我们研究了仅依赖于推理过程中突触调制的网络的计算潜力和产生的动力学，即过程与任务相关信息，多塑性性网络（MPN）。由于MPN没有复发连接，因此这使我们能够仅由突触调制量研究计算能力和动态行为。MPN的一般性允许我们的结果适用于从短期突触可塑性（STSP）到较慢的调制，例如Spike Time依赖性可塑性（STDP）等较慢。我们彻底检查了经过基于集成任务的MPN的神经种群动力学，并将其与已知的RNN动力学进行了比较，发现两者具有根本不同的吸引子结构。我们发现动态上的上述差异使MPN在几个与神经科学的测试上的表现都优于其RNN对应物。在一系列神经科学任务中训练MPN，我们发现其在这种设置中的计算功能与通过复发连接计算的网络相当。总的来说，我们认为这项工作证明了通过突触调制的计算可能性，并突出了这些计算的重要基线，以便可以在类似大脑的系统中识别它们。
利用循环神经网络从神经测量中重建计算动力学
使用循环神经网络从神经测量重建计算动力学 Daniel Durstewitz 1,2,3,*、Georgia Koppe 1,4、Max Ingo Thurm 1 1 海德堡大学医学院中央精神卫生研究所理论神经科学系 2 海德堡大学跨学科科学计算中心 3 海德堡大学物理与天文学院 4 海德堡大学医学院中央精神卫生研究所精神病学和心理治疗诊所* 通讯作者：daniel.durstewitz@zi-mannheim.de 关键词：动力系统理论、机器学习、循环神经网络、吸引子、混沌、多个单元记录、神经生理学、神经成像 摘要 神经科学中的机械和计算模型通常采用微分或时间递归方程组的形式。此类系统的时空行为是动力系统理论 (DST) 的主题。 DST 提供了一个强大的数学工具箱，用于描述和分析从分子到行为的任何级别的神经生物学过程，几十年来一直是计算神经科学的支柱。最近，循环神经网络 (RNN) 成为一种流行的机器学习工具，用于研究神经或行为观察背后的非线性动力学。通过在与动物受试者相同的行为任务上训练 RNN 并剖析其内部工作原理，可以产生关于行为的神经计算基础的见解和假设。或者，可以直接在手头的生理和行为时间序列上训练 RNN。理想情况下，一旦训练好的 RNN 将能够生成具有与观察到的相同的时间和几何属性的数据。这称为动态系统重建，这是机器学习和非线性动力学中一个新兴的领域。通过这种更强大的方法，就其动态和计算属性而言，训练过的 RNN 成为实验探测系统的替代品。然后可以系统地分析、探测和模拟训练过的系统。在这里，我们将回顾这个令人兴奋且迅速发展的领域，包括机器学习的最新趋势，这些趋势在神经科学中可能还不太为人所知。我们还将讨论基于 RNN 的动态系统重建的重要验证测试、注意事项和要求。概念和应用将通过神经科学中的各种示例进行说明。简介理论神经科学的一个长期原则是，神经系统中的计算可以用底层的非线性系统动力学来描述和理解（Amit & Brunel，1997；Brody & Hopfield，2003；Brunel，2000；Durstewitz，2003；Durstewitz 等，1999、2000、2021；Hodgkin & Huxley，1952；Hopfield，1982；Izhikevich，2007；Machens 等，2005；Miller，2016；Rinzel & Ermentrout，1998；Wang，1999，2002；Wilson，1999；Wilson & Cowan，1972）。相关思想可以追溯到 40 年代 McCulloch & Pitts (1943)、Alan Turing (1948) 和 Norbert Wiener (1948) 的工作，并在 80 年代早期通过 John Hopfield (1982) 的开创性工作获得了发展势头，该工作将记忆模式嵌入为简单循环神经网络中的固定点吸引子。Hopfield 网络的美妙之处在于它们免费提供了生物认知系统的许多特性，例如自动模式完成、通过部分线索进行内容可寻址记忆检索或对部分病变和噪声的鲁棒性。通过动态系统理论 (DST) 的视角来观察神经计算特别有力，因为一方面，许多（如果不是大多数）物理和生物过程都是自然形式化的
将经济指标和市场情绪效应纳入美国国库债券收益率预测
摘要：对美国国库债券产量的准确预测对于投资策略和经济决策至关重要。本文探讨了高级机器学习技术的应用，特别是经常性神经网络（RNN）和长期记忆（LSTM）模型，在预测这些产量中。通过整合主要的经济指标和政策变化，我们的方法旨在提高收益预测的精度。我们的研究表明，LSTM模型比传统RNN的优越性在捕获财务数据中固有的时间依赖性和复杂性方面具有优越性。包含宏观经济和策略变量可显着提高模型的预测准确性。这项研究强调了传统银行业在金融市场预测中采用人工智能（AI）的开创性运动。除了考虑驱动债券市场波动的常规经济指标外，本文还优化了LSTM，以应对在市场情绪已经定价的加息期望时处理情况。
受中脑启发的稳健变化检测循环神经网络模型
我们提出了一种受生物启发的循环神经网络 (RNN)，它可以有效检测自然图像中的变化。该模型具有稀疏拓扑连接 (st-RNN)，与“中脑注意网络”的电路架构紧密相关。我们将 st-RNN 部署到一个具有挑战性的变化视盲任务中，该任务必须在一系列不连续的图像中检测变化。与传统 RNN 相比，st-RNN 的学习速度提高了 9 倍，并且以减少 15 倍的连接实现了最佳性能。低维动力学分析揭示了假定的电路机制，包括全局抑制 (GI) 基序对成功变化检测的关键作用。该模型再现了关键的实验现象，包括中脑神经元对动态刺激的敏感性、刺激竞争的神经特征以及中脑微刺激的标志性行为效应。最后，该模型在变化盲视实验中准确预测了人类注视点，超越了最先进的基于显着性的方法。st-RNN 提供了一种新颖的深度学习模型，用于将变化检测背后的神经计算与心理物理机制联系起来。
使用深度学习预测脑卒中
计算机科学与工程系 1,2,3,4 SRM 科学技术学院，Vadapalani 钦奈，印度 摘要：脑中风是一种潜在的致命疾病，当大脑的血液供应突然被切断时就会发生。早期发现和预防对于改善患者的治疗效果至关重要，因为脑中风是全球残疾和死亡的主要原因。随着人工智能和机器学习的发展，人们对使用这些技术创建脑中风预测模型的兴趣日益浓厚。在本文中，我们提出了一种基于深度学习的脑中风预测方法。我们的策略基于卷积神经网络 (CNN) 和循环神经网络 (RNN) 的架构。RNN 分析患者的人口统计信息、病史和测试结果，而 CNN 用于从计算机断层扫描 (CT) 或磁共振成像 (MRI) 扫描等医学图片中提取特征。该模型使用大量患者记录数据集进行训练，包括曾患和未患脑中风的患者。我们的结果表明，上述基于深度学习的策略可以成为早期发现和预防脑卒中的有用工具。医疗保健提供者可以通过识别脑卒中高风险人群，采取主动措施阻止疾病的发生。此外，我们的方法可以与临床决策系统相结合，为患者护理提供即时预测和建议。因此，我们的研究表明，深度学习方法在创建精确可靠的脑卒中预测模型方面具有潜力。未来的研究可能会考察模型预测的可解释性以及我们的模型在不同患者群体和数据源中的通用性 关键词：深度学习、CNN、RNN、早期中风检测、临床决策
面向边缘的通用 CNN 加速器
多类算法：GBM、XGBoost、随机森林、逻辑回归、高斯朴素贝叶斯、决策树、多项式 SVM、RBF SVM、SVM、CNN、RNN、CRNN、ANN 单类算法：局部离群因子、一类 SVM、一类随机森林、孤立森林 标记、记录、验证和可视化时间序列传感器数据
100009 年。卡拉干达街Komissarova 36 办公室 124 II
LLP“ServicePromKomplekt”100009卡拉干达街Komissarova 36 办公室 124 IIC KZ429650000024100065 在 JSC“ForteBank”Karaganda BIC IRTYKZKA BIN 061140004247 RNN 302000270086 Kbe 17 增值税证书系列 30001 编号 0001450 电话/传真 8(7212) 42-42-53。主任：Zhilkibaev Amanzhol Kusainovich，根据宪章行事