XiaoMi-AI文件搜索系统
World File Search Systemversa
弥合扩散模型之间的差距和图像压缩的通用量化
通过利用量化误差和加性噪声之间的相似性，可以通过使用扩散模型“ denoise”量化引入的伪影来构建基于扩散的图像压缩编解码器。但是，我们确定了这种方法中的三个差距，从而导致量化的数据排除在扩散模型的分布之外：噪声水平，噪声类型和由离散化引起的差距的差距。为了解决这些问题，我们提出了一个新型的基于量化的正向扩散过程，该过程是理论上建立的，并桥接了上述三个差距。这是通过经过精心量身定制的量化时间表以及对均匀噪声训练的扩散模型来实现的。与以前的工作相比，我们提出的架构也会产生一贯的现实和详细的结果，即使是在极低的比特率下，同时保持对原始图像的忠诚度。
对话式人工智能——基于检索的聊天机器人
摘要 — 对话式人工智能可以简单地定义为通过自然对话进行的人机交互。这可以通过网站或任何社交消息应用程序上的聊天机器人、语音助手或任何其他支持交互式消息传递的界面来实现。该系统将允许人们提出疑问、获得意见或建议、执行所需的交易、寻求支持或通过对话以其他方式实现目标。聊天机器人基本上是使用自然语言的在线人机对话系统。目前，自然语言处理和机器学习机制的进步改进了聊天机器人技术。现在，越来越多的商业和社交媒体平台在其服务中使用这项技术。组织要求在聊天机器人的采用方面基于人工智能进行改进，因此它成为热门研究之一。在这项工作中，提出了一种基于任务的检索式聊天机器人，该机器人在公交车票预订领域使用深度神经网络构建。具有不同角色的多个用户提出的问题序列被作为系统的输入。因此，基于检索的系统会产生有意义的响应。生成的响应是手动评估的。结果表明，在大多数情况下，生成的答案都是有意义的。索引词——聊天机器人、基于检索的模型、神经网络、深度学习
纪念...特殊献血活动十周年
陆军输血中心 (CTSA) 的主要任务是为作战期间的部队和各陆军训练医院提供输血支持。 CTSA 确保整个输血链的安全。因此，它不仅收集、制备、鉴定、保存、分发和运送各种不稳定血液制品，而且还确保为多发性创伤患者专门生产冻干血浆 (PLYO) 或创新治疗药物。
像医学居民一样培训：对通用医学图像分割的上下文学习
临床成像工作流的主要重点是疾病诊断和管理，导致医学成像数据集与特定的临床目标密切相关。这种情况导致了开发特定于任务的分割模型的主要实践，而没有从广泛的成像群中获得见解。受到医学放射学居民培训计划的启发，我们提出了向普遍医学图像分割的转变，旨在通过利用临床目标，身体区域和成像方式的多样性和共同点来建立医学图像理解基础模型的范式。div of这个目标，我们开发了爱马仕，一种新颖的上下文 - 学习方法，以应对医学图像segmentation中数据杂基的挑战和注释差异。在五种模式（CT，PET，T1，T2和Cine MRI）和多个身体区域的大量各种数据集（2,438个3D图像）中，我们证明了通用范式比传统范式在单个模型中解决多个任务的传统范式的优点。通过跨任务的协同作用，爱马仕在所有测试数据集中都能达到最先进的性能，并显示出卓越的模型可伸缩性。其他两个数据集中的结果揭示了爱马仕在转移学习，分裂学习和对下游任务的概括方面的出色表现。爱马仕（Hermes）博学的先生展示了一个具有吸引力的特征，以反映任务和方式之间的复杂关系，这与既定的放射学解剖学和成像原则相吻合。代码可用1。
19 11月22日 STAR成立十周年
Patrick M. Kochanek 医学博士是重症监护医学的杰出教授、Ake N. Grenvik 重症监护医学教授兼副主任、Safar 复苏研究中心主任以及匹兹堡大学医学院儿科、麻醉学、生物工程和临床与转化科学教授。作为 Safar 中心主任 25 年，他长期领导由 NIH、美国国防部和 Laerdal 基金会资助的转化和多部门团队研究创伤性和缺血性脑损伤以及神经重症监护。他在 PubMed 上有 540 多个文章，被 ISI 评为 2001 年至 2014 年 TBI 领域最多产的作者。他是美国国防部脑外伤治疗行动的 PI，并担任了 19 年的 T-32 项目 PI，该项目名为“儿科神经重症监护和复苏研究培训”，由 NICHD 资助。他指导过许多受训人员，其中许多人后来获得了独立资助，并在全国享有盛誉。他是《儿科重症监护医学》的主编，也是多家急性脑损伤期刊的编委。他于 2007 年获得美国重症监护医学院杰出研究员奖，被评为首批重症监护医学硕士之一，并于 2017 年获得重症监护医学学会终身成就奖。他也是 2018 年沃尔特里德陆军研究所 125 周年庆典的杰出演讲人之一，并于 2019 年在美国国立卫生研究院临床中心举办了优秀教师讲座。
DeSVig：工业人工智能系统中针对对抗性攻击的去中心化快速警惕
摘要 — 单独增强单个深度学习模型的鲁棒性只能提供有限的安全保障，尤其是在面对对抗性示例时。在本文中，我们提出了 DeSVig，这是一个去中心化的 Swift Vigilance 框架，用于识别工业人工智能系统 (IAIS) 中的对抗性攻击，使 IAIS 能够在几秒钟内纠正错误。DeSVig 高度去中心化，提高了识别异常输入的有效性。我们尝试使用特殊指定的移动边缘计算和生成对抗网络 (GAN) 来克服由行业动态引起的超低延迟挑战。我们工作最重要的优势是它可以显着降低被对抗性示例欺骗的失败风险，这对于安全优先和延迟敏感的环境至关重要。在我们的实验中，工业电子元件的对抗样本由几种经典的攻击模型生成。实验结果表明，DeSVig 比一些最先进的防御方法更强大、更高效、更具可扩展性。
物理3D对抗攻击自动驾驶中的单眼深度估计
广泛应用于自主驾驶中的基于深度学习的单眼深度估计（MDE）很容易受到对抗性攻击的影响。先前针对MDE模型的物理攻击依赖于2D广泛的补丁，因此它们仅影响MDE地图中的一个小型局部区域，但在各种观点下都失败了。为了解决这些限制，我们提出了3D深度傻瓜（3d 2傻瓜），这是对MDE模型的第一个基于3D纹理的对抗性攻击。3d 2傻瓜被专门优化，以生成3D对抗纹理对型号的车辆类型，并在恶劣天气条件（例如雨水和雾）中具有改善的鲁棒性。实验结果验证了我们3d 2傻瓜在各种情况下的出色性能，包括车辆，MDE Mod-els，天气状况和观点。现实世界中使用打印3D纹理的实验实验进一步表明，我们的3d 2傻瓜可能会导致超过10米的MDE误差。该代码可在https://github.com/gandolfczjh/3d2fool上找到。
在对抗上下文中可解释的人工智能
人工智能（AI）方法是现代世界不可或缺的一部分。如今，每个与智能手机互动的人都与AI接触（Herget，2024）（Wired Insider，2021）。 自从大型语言模型（LLMS）（CF（BSI，2024a）易于获得BSI的评论）以来，公众对AI存在的意识已广泛传播。 但是，自引入LLM之前，AI算法支持或自动执行决策过程。 Propublica的报告，即预测模型用于确定美国犯罪嫌疑人的累犯风险，受到了很大的关注（Angwin等，2016）。 在金融领域，基于AI的预测模型用于支持贷款申请的决定或预测金融市场的发展（Aziz等，2022）。 此外，使用基于AI的决策支持系统进行诊断和治疗患者的治疗，目前已在医学中进行了研究或部分实施（社论，2024年）（皇家放射学院，等，2023）（BSI，2024年）。 这些是高度敏感的领域，在这种领域中，错误的决定可能会对公民造成社会，法律，财务或健康损害。如今，每个与智能手机互动的人都与AI接触（Herget，2024）（Wired Insider，2021）。自从大型语言模型（LLMS）（CF（BSI，2024a）易于获得BSI的评论）以来，公众对AI存在的意识已广泛传播。但是，自引入LLM之前，AI算法支持或自动执行决策过程。Propublica的报告，即预测模型用于确定美国犯罪嫌疑人的累犯风险，受到了很大的关注（Angwin等，2016）。在金融领域，基于AI的预测模型用于支持贷款申请的决定或预测金融市场的发展（Aziz等，2022）。此外，使用基于AI的决策支持系统进行诊断和治疗患者的治疗，目前已在医学中进行了研究或部分实施（社论，2024年）（皇家放射学院，等，2023）（BSI，2024年）。这些是高度敏感的领域，在这种领域中，错误的决定可能会对公民造成社会，法律，财务或健康损害。