XiaoMi-AI文件搜索系统
World File Search System上下文
利用对话上下文改进语音脑机接口
对于瘫痪患者来说，无法交流是他们疾病中最痛苦的部分之一。语音脑机接口 (BCI) 可以通过将人们说话时的神经模式转化为句子，从而帮助人们克服这一问题。我们构建了一个管道，该管道由一个 RNN 组成，用于解码神经数据，一个 n-gram 语言模型 (LM)，用于输出按可能性排序的可能单词序列列表，以及一个 Transformer 大型语言模型 (LLM)，用于选择最可能的序列。我们在 LLM 中实现了对话上下文，其中为模型提供了额外的上下文信息以提高字错误率 (WER)，并执行了结构化的超参数搜索。我们发现，在不同的上下文长度下，性能差异并不大，但最佳上下文窗口为 1,000 个字符，最终 WER 为 14.0%，比原始（无上下文）的 WER 16.7% 有所改善。在 600 个测试短语中，我们只能找到 170 个的上下文，有上下文的句子的 WER 为 10.6%。此外，我们使用 OpenAI 的 ChatGPT 直接评估句子，虽然没有成功，但可以提供可解释的结果。我们尝试了不同的 OPT 模型大小，但发现第二大模型（6.7B 参数）以微弱优势取得了最佳结果。
具有上下文目标的定量积极能源区定义
帕金森氏病（PD）和相关的神经退行性疾病构成了日益增长的全球健康挑战，影响了数百万的渐进运动和认知能力下降。尽管进行了广泛的研究，但PD基础的精确分子机制仍然难以捉摸，遗传和环境相互作用起着关键作用。了解PD的病理生理学 - 包括对线粒体功能障碍，神经炎症和新型遗传危险因素的新见解至关重要。紧迫的关注是疾病进展和治疗反应的变化。虽然当前的治疗方法提供症状管理，基因治疗中的突破，神经保护剂和精密医学正在重塑景观。此外，在预测疾病发作，进展和治疗结果中，机器学习和人工智能的整合具有变革性的潜力。我们邀请了原始的研究和全面评论，这些研究发现了新的分子靶标，完善诊断生物标志物，并提高AI驱动的预测模型，以彻底改变PD护理并改善患者的结果。
基因组上下文将调节元素敏感到遗传破坏
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2024年3月12日。 https://doi.org/10.1101/2023.07.02.547201 doi：Biorxiv Preprint
基于视觉注意模型和等距戒指形状上下文特征
摘要阿尔茨海默氏病（AD）是由脑细胞快速变性引起的一种不可逆的神经退行性疾病。越来越多的研究人员专注于有效，准确的AD诊断方法。在本文中，提出了一种通过从结构磁共振成像（SMRI）的显着性图中提取相等距离的环形上下文特征来识别AD的方法。对阿尔茨海默氏病神经影像倡议（ADNI）数据集的薄层MR图像的实验结果表明，我们的方法有助于提高识别脑部疾病的性能。特别是，AD与CN的分类精度为94.83％，AD对MCI的分类精度分别为98.31％，MCI与CN分别为85.77％。同时，对开放访问系列成像研究的实验数据集和临床收集的厚层MR图像验证了该方法的分类性能。结果表明，该方法在临床应用中可能具有更高的应用值，而AD与CN相比，分类精度分别为96.56％和98.18％。与基于灰色含量（GM）密度，皮质厚度和海马体积的方法相比，我们的方法达到了AD（或MCI）和CN分类的较高精度。
上下文摄像机：具有创意的桥接上下文意识...
允许将本工作的全部或一部分用于个人或课堂使用的数字或硬副本允许，而没有费用，只要副本不是用于Proft或Commercial Advantage的副本，并且副本均带有此通知和FRST页面上的完整引用。必须尊重他人所拥有的这项作品的组成部分的版权。允许用信用摘要。否则复制或重新发布以在服务器上发布或重新分配到列表，需要事先指定许可和/或费用。请求权限从permissions@acm.org。CHI '24，5月11日至16日，2024年，美国HI，HI，HI©2024由所有者/作者持有的版权。 出版权许可获得ACM的权利。 图像已深入地融入我们的生活中。 是否ACM ISBN 979-8-4007-0330-0/24/05 https://doi.org/10.1145/3613904.3642129通过绘画，摄影或数字技术，创建CHI '24，5月11日至16日，2024年，美国HI，HI，HI©2024由所有者/作者持有的版权。出版权许可获得ACM的权利。图像已深入地融入我们的生活中。是否ACM ISBN 979-8-4007-0330-0/24/05 https://doi.org/10.1145/3613904.3642129通过绘画，摄影或数字技术，创建
使用实体上下文的白皮书可见到设备，应用程序和用户
此软件包提供了相关的摘要，该信息通常由分析师和安全团队手工制作的信息进行狩猎和事件响应。Corelight将实体定义为企业网络元素，例如系统，服务器，用户，域或证书。这些属性可在一组相互关联的日志中获得，这些日志从完整的Corelight日志流进行了汇总以进行快速搜索。此日志集包括有关网络上所有内容的实体信息，从IT设备（笔记本电脑，服务器，电话，打印机）到工业控制系统（ICS）和操作技术（OT）设备（构建自动化，相机和工业控制系统）。
Autostore性能以及上下文和配置的影响-David Flyrin＆Daniel Lundkvist
$ xwr6wruh 6 \ vwhp 7kh zkroh $ xwr6wruh 6 \ vwhp lqfoxglqjj julg urerwv sruwv sruwv vriwzduh hwf％lq 3uhvhvhqwhqhqwdwlrqv k $ .3 SUHVHQWDWDWLQV SHU SHU SHU SRUW %LQ 3UDUDWLRQ 3HUFHQWDJH WRQ WRC WITH EHHQ EHHQ AND WHO DV LOVE DV[W WE WR WR SLFN WR SLFN SLFN WR SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLFN SLF。 )RUHFDVWLQJ 6RIWZDU VHWLQJ WDNHV ELQV 3WR EH SLFNHG LQ WILL OF OURUGHU UHOHDVH ² LQWR DFRXQ ONLY IN 5HOHDVHU 5HOHDVHU 5HOHDVHU 5HOHDVHU &RPSDQLHV UHOHDVLQJ FXVWRPHU Rughuv iurp whuqdo v \ vwhp wr h0dqdjhu elq和3lfn fkrvlqj orfdwlrqv wr wr slfn 3lqv iurp 3lfn zdyh＆rqwdlqv jurxsv jurxsv rihq rihq rihq rihq rihq righs and pdq \ sspu hkh kkh hkh hkh hkhh h [spso hkhhhh hkhh hkh h [kkhhhhhhh h [kkhhhhh h [kkhhh hh] VDPH AND WOURUWDWLRQ PRGH VKLSSHG E\ WKH VDUULHU RU KDYH WKH WKH WILL WLPW\ WLOUG 4XHXH AND CHAPTER AND FHUWDV W W\SHV Women W\SHV Womeen W\SHV Women W\SHV W W\SHV W W\SHV W W\SHV W W\SHV W w \ shv w w \ shv ri rughuv iru h [dpsoh％％％＆rughuv 3：dlwlqji％lq $ s $ s $ xwruh v \ vwhp wr gholyhu是elq et elq et elq et elq et e elq et e elq³：dlwlqj iru 8vhu 8vhu 8vhu $ srUW $ sruw w w w e e ehd e ei in dive/dive/div qh QH QH QH QH QH *
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。
对话系统中TTS模型的上下文交互式评估
文本到语音（TTS）模型的评估目前由均值开放得分（MOS）听力测试所统治，但MOS的有效性越来越受到质疑。mos测试将听众置于被动设置中，其中他们不会与TTS积极互动，通常会评估孤立的话语而没有上下文。因此，它没有表明TTS模型适合诸如口语对话系统之类的交互应用程序的迹象，在对话中，在对话环境中生成适当语音的能力至关重要。我们旨在通过评估几种最先进的神经TTS模型来解决这一缺点的第一步，其中包括一种在定制的口语对话系统中适应对话环境的模型。我们提出系统设计，实验设置和结果。我们的工作是第一个在上下文对话系统交互中评估TTS的工作。我们还讨论了拟议的评估范式的缺点和未来企业。索引术语：文本到语音，口语对话系统，评估方法，人类计算机互动