XiaoMi-AI文件搜索系统
World File Search System不一致性
人工智能在颅内动脉瘤检测中的不一致性
保留所有权利。未经许可不得重复使用。永久。预印本（未经同行评审认证）是作者/资助者，他已授予 medRxiv 许可，可以在此版本中显示预印本。版权所有者于 2024 年 11 月 30 日发布此版本。；https://doi.org/10.1101/2024.11.26.24317954 doi：medRxiv preprint
标准量子力学中纯度-混合物区别的诸多不一致性
量子力学 (QM) 的起源可以追溯到 1900 年，当时马克斯·普朗克引入了作用量子，并因此提出了离散能量的非经典概念。1905 年，阿尔伯特·爱因斯坦成功应用量子假设解释光电效应，1913 年尼尔斯·玻尔发展了氢原子模型，此后，维尔纳·海森堡得以发展一种封闭、一致且连贯的数学形式，能够以不变的方式解释实验室中实际观察到的线强度。玻恩和约当认识到海森堡使用的密集数据表实际上是矩阵，而奇怪的乘法规则则揭示了它们的非交换结构。事实上，在寻找描述量子的方法时，海森堡重新发现了一个众所周知的数学领域，即矩阵代数。因此，让我们首先介绍一些有关矩阵的概念和定义。 n × n 复数矩阵是 n × n 个复数的数组。2 × 2 实数矩阵的示例为 1 3 2 − 1
循环系统与大脑死亡的统一确定死亡法案的不一致性
对死亡法案的统一确定（UDDA）规定：“维持循环和呼吸功能的不可逆转的停止，或（2）（2）不可逆转的停止，包括大脑在内的整个大脑的所有功能，包括大脑茎，都死了。”我们表明，UDDA包含两个相互矛盾的相互作用，“功能停止”。通过一种解释，无论是通过人工手段而产生的，对死亡的确定至关重要。另一方面，重要的是停止自发和人为支持的功能。由于每个UDDA标准都使用不同的解释，因此法律在概念上是不一致的。单一一致的相互作用将得出这样的结论，即人为支持的呼吸和循环功能的有意识的人实际上已经死亡，或者那些大脑完全被不可逆转地破坏的人可能还活着。我们探索解决方案以减轻不一致。
面向多目标的知识引导双重不一致性网络...
谣言传播者越来越多地利用多媒体内容来吸引新闻消费者的注意力和信任。虽然一组谣言检测模型已经利用了多模态数据，但它们很少考虑图像和文本之间的不一致关系。此外，它们也未能找到一种有效的方法来发现帖子内容和背景知识之间的不一致信息。出于谣言更有可能在语义上具有不一致信息的直觉，提出了一种新颖的知识引导的双重不一致性网络来检测带有多媒体内容的谣言。它可以在一个统一的框架中捕获跨模态级别和内容知识级别的不一致语义。在两个公共真实数据集上进行的大量实验表明，我们的提议可以超越最先进的基线。
缓解图神经网络应用于欺诈检测的不一致性问题
基于图的模型已广泛应用于欺诈检测任务。由于图神经网络 (GNN) 的发展，最近的研究提出了许多基于同构或异构图的 GNN 欺诈检测器。这些工作利用现有的 GNN 并汇总邻域信息来学习节点嵌入，这依赖于邻居共享相似的上下文、特征和关系的假设。然而，欺诈者造成的不一致性问题很少被研究，即上下文不一致、特征不一致和关系不一致。在本文中，我们介绍了这些不一致性并设计了一个新的 GNN 框架 GraphConsis 来解决不一致问题：（1）对于上下文不一致，我们建议将上下文嵌入与节点特征相结合； (2) 针对特征不一致，我们设计了一个一致性评分来过滤不一致的邻居并生成相应的采样概率；(3) 针对关系不一致，我们学习与采样节点相关的关系注意权重。对四个数据集的实证分析表明，不一致问题在欺诈检测任务中至关重要。大量实验证明了 GraphConsis 的有效性。我们还发布了一个基于 GNN 的欺诈检测工具箱，其中包含 SOTA 模型的实现。代码可在 https://github.com/safe-graph/DGFraud 获得。