XiaoMi-AI文件搜索系统
World File Search System一种
朝着负责任的教育生成AI的负责发展：一种评估驱动的方法
7月 *的Irina *，‡，，赫尔曼（Herman），丹尼尔·卡森伯（DanielKasenber§ Wei-Jen KO 3，Andrera Huber 1，Bretht Wastshire 1，Gall Elidan，Rabin 2，Roni Robinin 2，Robiviit Engelberg 2，Lydan Hackmon 2，Ravil 2，Rachel棕色1，绿色Chiir§，1，Grand Studina Grand We-Xin Dog 3，Marchal 1，Racsite Van Deman 4，儿童区，Abbhipolo 3，Striopolous 3，Annihe Hale 5，Wais Matatas 2，Ben Gomes 3特征1
Lindenmayer Systems的一种方法
Minecraft和Man's Sky等游戏的普及使公众对游戏中自动内容产生的好奇心。 div>在您搜索信息时，它们将符合“程序内容”（或PCG）的概念。 div>但是，这导致了混乱，因为这个词最终与生成随机世界或层次相关联。 div>实际上，PCG是具有或没有用户互动的游戏内容的算法创建[1]，我们可以通过游戏内容来理解一个人所包含的内容，例如规则，纹理，故事，项目，音乐，音乐，音乐等，而不仅是世界或级别的世界或级别，因为它往往会误解。 div>，此外，该过程是算法意味着它不是固有的随机，而是有明确的步骤来获得理想的结果。 div>
一种多视图聚类的锚点增强策略
近年来，基于锚点的方法在多视图聚类中取得了可喜的进展。这些方法的性能受到锚点质量的显著影响。然而，以前的研究生成的锚点仅仅依赖于单视图信息，忽略了不同视图之间的相关性。特别地，我们观察到相似的模式更有可能存在于相似的视图之间，因此可以利用这种相关性信息来提高锚点的质量，而这同样被忽略了。为此，我们提出了一种新颖的即插即用的通过视图相关性进行多视图聚类的锚点增强策略。具体而言，我们基于对齐的初始锚点图构建视图图来探索视图间相关性。通过从视图相关性中学习，我们使用相邻视图上锚点和样本之间的关系来增强当前视图的锚点，从而缩小相似视图上锚点的空间分布。在七个数据集上的实验结果证明了我们的方法优于其他现有方法。此外，大量的对比实验验证了所提出的锚增强模块应用于各种基于锚的方法时的有效性。
I-AI：一种可控制、可解释的人工智能系统，用于解读放射科医生对准确 CXR 诊断的高度关注
摘要 在胸部 X 光 (CXR) 诊断领域，现有研究通常仅侧重于确定放射科医生的注视点，通常是通过检测、分割或分类等任务。然而，这些方法通常被设计为黑盒模型，缺乏可解释性。在本文中，我们介绍了可解释人工智能 (I-AI)，这是一种新颖的统一可控可解释流程，用于解码放射科医生在 CXR 诊断中的高度关注度。我们的 I-AI 解决了三个关键问题：放射科医生注视的位置、他们在特定区域关注的时间以及他们诊断出的发现。通过捕捉放射科医生凝视的强度，我们提供了一个统一的解决方案，可深入了解放射学解释背后的认知过程。与当前依赖黑盒机器学习模型的方法不同，这些方法在诊断过程中很容易从整个输入图像中提取错误信息，而我们通过有效地屏蔽不相关的信息来解决这个问题。我们提出的 I-AI 利用视觉语言模型，可以精确控制解释过程，同时确保排除不相关的特征。为了训练我们的 I-AI 模型，我们利用眼球注视数据集来提取解剖注视信息并生成地面真实热图。通过大量实验，我们证明了我们方法的有效性。我们展示了旨在模仿放射科医生注意力的注意力热图，它编码了充分和相关的信息，仅使用 CXR 的一部分即可实现准确的分类任务。代码、检查点和数据位于 https://github.com/UARK-AICV/IAI。1. 简介
有丝分裂灾难：细胞中的一种细胞死亡形式...
dejligbjerg，M.，Grauslund，M.，Litman，T.，Collins，L.，Qian，X.，Jeffers，M.，Lichenstein，H.I类同工型组蛋白脱乙酰基酶的差异作用和HELALA细胞中Belinostat或丙戊酸的酶促抑制作用。Mol Cancer 7，70。DOI：10.1186/1476-4598-7-70Mol Cancer 7，70。DOI：10.1186/1476-4598-7-70
2型糖尿病患者糖尿病的糖尿病微血管并发症发生率的非酒精性脂肪肝疾病：一种前瞻性队列研究
结果：发现NAFLD与糖尿病神经病和肾病的发生率有关（优势比：1.338（95％的置置间隔：1.091-1.640）和1.333（分别为1.007-1.764））。碱性磷酸酶酶与糖尿病神经病和肾病的较高风险有关（（风险估计：1.002（95％CI：1.001-1.003）和1.002（分别为1.001-1.004）））。此外，γ-谷氨酰胺转移酶与糖尿病性肾病的风险更高（1.006（1.002-1.009）。天冬氨酸氨基转移酶和丙氨酸氨基转移酶与糖尿病性视网膜病的风险成反比（0.989（0.979-0.998）和0.990（0.983-0.996））。此外，ARPI_T（1），ARPI_T（2）和ARPI_T（3）被证明与NAFLD相关（1.440（1.061-1.954），1.589（1.163-2.171）和2.673
一种简单而有效的可扩展多视图张量聚类
基于锚点的大规模多视图聚类因其在处理海量数据集方面的有效性而引起了广泛关注。然而，当前的方法主要通过探索锚点图或投影矩阵之间的全局相关性来寻找用于聚类的共识嵌入特征。在本文中，我们提出了一种简单而有效的可扩展多视图张量聚类（S 2 MVTC）方法，我们的重点是学习视图内和跨视图的嵌入特征的相关性。具体而言，我们首先通过将不同视图的嵌入特征堆叠到张量中并旋转它来构造嵌入特征张量。此外，我们构建了一种新颖的张量低频近似（TLFA）算子，它将图相似性结合到嵌入特征学习中，有效地实现不同视图内嵌入特征的平滑表示。此外，对嵌入特征应用共识约束以确保视图间语义一致性。在六个大规模多视图数据集上的实验结果表明，S 2 MVTC 在聚类性能和 CPU 执行时间方面明显优于最先进的算法，尤其是在处理海量数据时。S 2 MVTC 的代码已公开发布在 https://github.com/longzhen520/S2MVTC。
scone：一种具有主动感知的食物挖掘机器人学习框架
摘要：由于食物的复杂状态和多样化的物理特性，有效地挖出食品对当前机器人系统构成了重大挑战。为了应对这一挑战，我们相信将食品编码为有意义的有效食品的重要性。然而，食品的独特特性，包括可变形，脆弱性，流动性或粒度，对现有表示构成了重大挑战。在本文中，我们以隐式方式提出了积极感知来学习有意义的食物代表的潜力。为此，我们提出了Scone，这是一个食品搜索机器人学习框架，利用从积极的掌握中获得的表示形式来促进食品可铲政策学习。Scone包括两个Crucial编码组件：交互式编码器和状态检索模式。通过编码过程，Scone能够捕获食品的特性和重要的状态特征。在我们的现实世界中的实验中，Scone在三种不同的难度水平上使用6种以前看不见的食品时，成功率具有71％的成功率，超过了最先进的方法。这种增强的性能强调了Scone的稳定性，因为所有食品始终达到超过50％的任务成功率。此外，Scone可容纳各种初始状态的令人印象深刻的能力使其能够精确评估食物的当前状况，从而导致了令人信服的成功率。有关更多信息，请访问我们的网站。