XiaoMi-AI文件搜索系统
World File Search System准确率
一种稳健且准确的基于深度学习的方法
结果：所提方法表现出更好的泛化性能，可以获得对所有结构的稳定准确率，而最新的深度学习方法对于某些结构的准确率极低。所提方法对所有样本都进行了分割，准确率明显高于传统方法，例如 3D U-Net、FreeSurfer 和脑功能性磁共振成像 (FMRIB) 软件库中的集成配准和分割工具 (FSL-FIRST)。此外，当将所提方法应用于较大的数据集时，可以对所有样本进行稳健的分割，而不会在明显不同于解剖相关区域的区域产生分割结果。另一方面，FSL-FIRST 对大约三分之一到四分之一的数据集在明显不同于解剖相关区域的区域产生了分割结果。
使用 EEG 希尔伯特包络和时间精细结构进行隐性语音分类的迁移学习
脑机接口 (BCI) 可以从神经活动中解码想象中的语音。然而，这些系统通常需要大量的训练，参与者在训练中想象重复单词，这会导致精神疲劳和难以识别单词的开头，尤其是在想象单词序列时。本文通过将在显性语音数据中训练过的分类器转移到隐性语音分类中来解决这些挑战。我们使用了从希尔伯特包络和时间精细结构中得出的脑电图 (EEG) 特征，并使用它们来训练双向长短期记忆 (BiLSTM) 模型进行分类。我们的方法减轻了大量训练的负担，并实现了最先进的分类准确率：使用显性语音分类器，显性语音的准确率为 86.44%，隐性语音的准确率为 79.82%。
人工智能创造就业月度更新（2024 年 4 月）
“AI 工作”是指需要 AI 技能的职位。我们使用由尖端 AI 技术支持的经过微调的大型语言模型 (LLM) 来区分需要 AI 技能的工作。与多位 AI 研究人员的手动检查相比，这种 LLM 方法的准确率超过 90%。相比之下，与手动检查相比，基于关键字词典的方法的准确率不到 50%。我们排除了美国以外的工作
各州人工智能就业岗位占比
方法论“AI 工作”是指需要 AI 技能的职位发布。我们使用由尖端 AI 技术支持的经过微调的大型语言模型 (LLM) 来区分需要 AI 技能的工作与其他工作。与多位 AI 研究人员的手动检查相比，这种 LLM 方法的准确率超过 90%。相比之下，与手动检查相比，基于关键字词典的方法的准确率低于 50%。我们排除了美国以外的工作
利用神经生理学和机器学习准确预测热门歌曲
识别热门歌曲是出了名的困难。传统上，人们从大型数据库中测量歌曲元素，以识别热门歌曲的歌词方面。我们采用了不同的方法，测量了流媒体音乐服务提供的一组歌曲的神经生理反应，以识别热门歌曲和失败歌曲。我们比较了几种统计方法，以检查每种技术的预测准确性。使用两个神经测量的线性统计模型识别热门歌曲的准确率为 69%。然后，我们创建了一个合成数据集，并应用集成机器学习来捕获神经数据中固有的非线性。该模型对热门歌曲的分类准确率为 97%。将机器学习应用于歌曲第 1 分钟的神经反应，准确率达到 82%，表明大脑可以快速识别热门音乐。我们的结果表明，将机器学习应用于神经数据可以大大提高难以预测的市场结果的分类准确性。
日本经济与财政年度报告2020
（资料来源）图 3：根据厚生劳动省 (MHLW) 和 Google 的 COVID-19 社区流动报告编制。感染人数代表每 100,000 人中新增感染人数。Google 流动率表示基线的百分比，该基线是 2020 年 1 月 3 日至 2 月 6 日期间五周内特定工作日的中值。调查涵盖零售和娱乐设施（餐厅、咖啡馆、购物中心、主题公园、博物馆、图书馆、电影院等）。图 4：根据 Isotani (2020) 编制。格兰杰因果关系检验检查使用数据集 A 预测数据集 B 的准确率是否会提高。准确率的提高表明数据集 A 和 B 之间存在因果关系。如果准确率保持不变，则可能不存在因果关系。图 5：根据世界卫生组织《2019 冠状病毒病 (COVID-2019) 情况报告》和联合国《2019 年世界人口展望》编制。截至 2020 年 9 月 18 日
CCCPublications 使用扩张镜识别脑肿瘤...
脑肿瘤的识别很耗时，因此开发一个使用成像技术的自动化系统非常重要。使用磁共振图像 (MRI) 将脑肿瘤分类为良性或恶性。从基于 MRI 的脑肿瘤图像中，提取特征对于模式识别至关重要，模式识别可根据颜色、名称、形状等确定对象。因此，分类器依赖于形状、颜色等特征的强度，然而，分类器依赖于使用深度学习分类器提取的特征，而深度学习分类器依赖于提取的特征。医学领域的深度学习算法引起了计算机视觉研究人员的兴趣，它在执行过程中耗费时间。提出的扩张 U-Net 模型扩展了用于提取多尺度上下文信息的感受野。基于高分辨率条件，使用大规模特征图生成大规模特征图和高分辨率条件。它提供了丰富的空间信息，可用于执行语义分割。使用 U-Net 实现语义图像分割，因为它添加了一条扩展路径来生成属于源图像中发现的特征的像素分类。现有的基于核的 SVM 模型获得了 99.15% 的准确率，非支配排序遗传算法卷积神经网络 (NSGA-CNN) 获得了 99% 的准确率，具有自适应模糊聚类的深度 Elman 神经网络获得了 98% 的准确率，3D 上下文深度监督 U-Net 获得了 92% 的准确率。然而，与现有模型相比，所提出的基于扩张 U-Net 的 CNN 模型获得了 99.5% 的准确率。关键词：脑肿瘤、深度学习分类器、扩张 U-Net CNN 模型、磁共振图像。
基于人工智能的增强型金融欺诈检测模型
该研究旨在识别复杂的欺诈活动。机器学习和深度学习等人工智能 (AI) 技术在提高欺诈检测模型的准确性和效率方面表现出巨大潜力。本研究介绍了一种新型的基于 AI 的欺诈检测模型，该模型结合了监督学习和无监督学习方法。所提出的机器学习系统使用这些技术来检测欺诈交易。监督学习组件使用包含欺诈和非欺诈交易的标记数据集进行训练。研究中使用的数据集包含 284,807 笔信用卡交易。准备好数据后，开发了四个基于 Python 的模型。K 最近邻 (KNN) 模型成功预测了 99.94% 的信用卡交易是有效还是欺诈。随机森林 (RF) 模型也用于评估交易的合法性，准确率达到 99.96%，几乎对所有数据点都进行了正确分类。支持向量机 (SVM) 模型的准确率达到 99.94%，仅错误分类了 51 例。逻辑回归（LR）模型的准确率为 99.92%，错误分类有 70 次；准确率为 99.91%，错误分类有 77 次。这些模型表现出较高的准确性和效率。
羊毛生产中的人工智能
通过人工智能 (AI) 从大规模数字化数据集中提取信息在规模和变化速度上都是前所未有的。新的数据捕获源包括数字成像、GPS 定位和移动、高分辨率生物标记和生物传感器、实时自动捕获市场和环境数据。澳大利亚羊毛行业是评估此类新表型对盈利能力和先进农业系统影响的理想选择。该项目对人工智能（尤其是深度学习）的实用性进行了初步评估，以准确预测图像、生物标记和动物传感器输出的性能结果。我们开发了一种半自动化系统，该系统能够在田间/院子条件下拍摄高分辨率图像并将其链接到动物电子识别 (EID)。该系统还允许半自动记录体重。使用该系统，我们使用 4 个摄像机角度（即正面、顶部和背面）从 4072 只绵羊创建了 1,482,041 幅图像的图像库。所有绵羊在拍摄图像时都称重，并根据面部覆盖（1-5）、颈部皱纹（1-5）和身体皱纹（1-5）进行主观评分，并识别为 EID。使用图像子集，我们将数字信息应用于深度学习分析管道，特别是使用卷积神经网络 (CNN) 分析。使用 Keras (https://keras.rstudio.com) 和 Tensorflow (https://www.tensorflow.org) 开发模型。将数据细分为训练集、评估集和独立测试集，以预测 AI 预测相应表型的能力。使用侧面和顶部摄像头，预测算法可以分别以 86% 和 87% 的准确率预测体重，并且没有偏差。顶部和侧面摄像头的信息相结合，准确率为 89%。对于面部识别，AI 经过训练可以检测每只羊的头部形状和身体形状，只要羊来自相同的训练和测试集，准确率为 99%。使用每只羊的面部和身体图像的随机子集，AI 算法可以以 94% 和 98% 的准确率将匿名面部和身体图像与羊 EID 匹配，当同时使用面部和身体信息时，准确率为 99.7%。但是，当 5 个月后测试同一只羊的图像时，准确率会大大降低（<10%），除非两个时间点的图像都包含在训练数据集中（准确率提高到 90-98%）。使用皱纹评分的全量表（1-5）预测准确率较低，为 38%-58%。这表明，在面部识别的初始训练中，需要从同一只羊那里获取非常大的数据集，并随着时间的推移不断重复，以检测每只羊独特的生物特征。一旦建立了这样的初始训练数据集，面部识别就可以应用于新的人群。对于颈部和身体皱纹，AI 管道能够将动物分配到高皱纹或低皱纹类别，准确率为 73%-90%，具体取决于预测的相机角度和皱纹特征。AI 预测与手动评分的准确率相匹配，高和低皱纹评分的准确率为 98%-99%，扩展的 1-5 级皱纹评分的准确率为 57%-60%。对于面部遮盖评分，在 2 和 3 之间划分的初始分类器显示的结果略好于随机结果。这在很大程度上取决于种群中面部遮盖数据的分布，其中 87% 的动物被分配到中心类别，不到 1% 的动物属于极端类别。这没有为 AI 算法的训练和验证提供任何能力。为了测试 AI 在描述面部遮盖分数方面的实用性，ML 分类器经过训练可以区分面部遮盖分数 2 和 4。当从图像中裁剪出多个区域时，分类器的预测能力得到证明，准确率为 87%。使用更平衡的数据集，其中每个面部遮盖分数都得到同等代表，很可能区分所有 5 个面部遮盖分数。对生物传感器和生物标记技术的范围及其与深度学习 AI 技术相结合时对绵羊产业定义表型的可能效用进行了审查。全球在该领域的投资成果可能会转移到绵羊产业，并将加速数字化数据量的涌现，其中大多数数据都适合人工智能和深度学习管道。在生物传感器领域，动物加速度计和地理定位设备最有前景。在生物标记领域，基因组学被认为具有最大的潜在直接优势，因为样本可以在早期采集，不受生理状态的影响，并且可以从单个样本中为几乎所有性状提供表型和遗传预测值。大规模蛋白质组学（包括免疫学）和代谢组学研究都具有广阔的未来，因为它们与生理（生产/疾病）状态密切相关，并且适合通过人工智能进行大规模分析，并且可能为复杂性状提供低成本的表型分析，尤其是与动物生物传感器结合时。
使用无线脑电图信号估计心理负荷
摘要：先前的研究已经证明了脑电图 (EEG) 在评估心理工作负荷方面的适用性。然而，开发可靠的跨任务、跨受试者和跨会话工作负荷分类模型仍然是一个挑战。在本研究中，我们使用无线 Emotiv EPOC 耳机评估了八名受试者和两项心理任务（即 n-back 和算术任务）的工作负荷。0-back 和 2-back 任务以及 1 位和 3 位加法分别被用作 n-back 和算术任务中的低和高工作负荷。使用功率谱密度作为特征，开发了一个信号处理和特征提取框架来对工作负荷级别进行分类。在 n-back 和算术任务中，会话内准确率分别达到 98.5% 和 95.5%。为了便于实时估计工作负荷，应用了快速域自适应技术，实现了 68.6% 的跨任务准确率。同样，我们在 n-back 和算术任务中分别获得了 80.5% 和 76.6% 的跨会话准确率，以及 74.4% 和 64.1% 的跨受试者准确率。尽管参与者数量有限，但该框架在跨受试者和任务方面具有很好的推广性，并为开发独立于受试者和任务的模型提供了一种有前途的方法。它还表明在认知监测中使用消费级无线 EEG 耳机实时估计工作量在实践中的可行性。