XiaoMi-AI文件搜索系统
World File Search System出错
DeepDIVE：通过多项式通道优化复合 DNA 存储的输入约束分布
DNA 存储是一项快速发展的技术，它使用四进制编码将数字数据编码为核苷酸序列，其中碱基 A 、C 、G 和 T 代表信息 [2]，[3]。这些序列或链通过称为合成的过程产生，并通过测序检索。该方法的一个关键方面是在合成过程中生成每条链的多个副本。在本文中，我们通过引入复合 DNA 字母探索了一种利用这种冗余的新方法 [1]，[4]–[8]。复合 DNA 字母由混合不同的核苷酸形成，实验表明它可以提高数据编码性能 [4]，[5]，[8]。潜在的好处是显而易见的：虽然标准的四字母 DNA 编码每个通道使用 log(4) = 2 位，但复合编码提供了无限的容量，使较短的链能够编码更多的数据。这一点至关重要，因为较短的链可以降低合成成本 [5] 并降低出错的风险，而出错的风险会随着链长度的增加而增加 [9]。编写复合字母并随机读取 n 份副本可以建模为一个嘈杂的通信信道，特别是多项式信道 [1]。该信道的输入是一个长度为 k = 4 的概率向量，表示核苷酸的混合。通道输出遵循多项分布，进行 n 次试验，概率由输入向量决定。通道的最大信息存储率或容量是通过在所有可行的输入分布选择 [10]（即 (k − 1) 维概率单纯形上的分布）中最大化输入和输出之间的互信息来获得的。先前的研究 [1] 表明，即使对于较小的 n 值（例如 n = 9），最大化容量的输入分布也需要数十个质点。此外，如缩放定律 [11] 所示，支持大小随容量呈指数增长。这对 DNA 存储系统提出了挑战，因为每个质点对应一种不同的核苷酸混合物，而可能的混合物数量是有限的。为了解决这个问题，我们的论文重点计算了容量实现
使用机器学习的阿尔茨海默病检测模型
3 印度 Telangana 的 Mahatma Gandhi 理工学院 IT 系助理教授。 ---------------------------------------------------------------------***---------------------------------------------------------------------------------- 摘要 - 阿尔茨海默病 (AD) 是一种无法治愈的脑部疾病，它会损害思维和记忆力，同时大脑整体尺寸会缩小，最终导致死亡。阿尔茨海默病是一种神经退行性疾病，会导致严重的记忆丧失和无法应对日常生活任务。早期诊断 AD 对于更普遍的治疗进展至关重要。检测阿尔茨海默病是一项困难且耗时的任务，但需要脑部成像报告和人类专业知识。毋庸置疑，这种检测阿尔茨海默病的传统方法成本高昂且容易出错。在本项目中，我们讨论了一种替代方法，它速度快、成本低、更可靠。人工智能系统可以帮助提供更好的医疗保健和医疗解决方案。由于疲劳、认知偏差、系统故障和干扰，人类诊断的性能会下降。然而，基于人工智能的诊断系统不容易出错，并能在检测和决策方面为临床医生提供安全的支持。这项工作提出了一种诊断阿尔茨海默病 (AD) 及其可能的早期阶段，即轻度认知障碍的智能可靠方法。所提出的框架基于深度学习，可通过结构性 MRI 扫描准确检测阿尔茨海默病及其初始阶段。识别将发展为阿尔茨海默病的轻度认知障碍 (MCI) 患者不仅在临床实践中至关重要，而且还具有丰富临床试验的巨大潜力。该项目建议将 MRI 数据与神经心理学测试简易精神状态检查 (MMSE) 相结合，作为多维空间的输入，用于对阿尔茨海默病 (AD) 及其前驱阶段进行分类。
使用生成式人工智能进行高级 Kaplan-Meier 曲线分析
• Kaplan-Meier 生存曲线分析是临床研究领域中一种有价值的统计方法，特别是在肿瘤学和慢性病研究中 • 从这些曲线中提取数据传统上依赖于手动数字化，这需要大量劳动力，并且容易出错 • 此外，已发表的文献中的图表质量各不相同，报告格式也不一致。存在几种用于手动曲线数字化的软件工具，但这些工具需要多个步骤的手动输入和特定的专业知识 • 随着先进的人工智能技术和计算机视觉技术的出现，我们有机会实现这一过程的自动化，并有可能彻底改变研究人员从已发表的文献中提取和分析生存数据的方式 • 本研究探讨了两种基于人工智能的生存曲线数据提取和分析方法
真诚承认错误：减轻人工智能错误的策略
由于感知和推理不完善，语音助手等交互式人工智能系统必然会出错。之前的人机交互研究表明，各种错误缓解策略对于在服务故障后修复人工智能感知至关重要。这些策略包括解释、金钱奖励和道歉。本文通过探索不同的道歉方式如何影响人们对人工智能代理的看法，扩展了之前关于错误缓解的研究；我们报告了一项在线研究（N=37），该研究考察了道歉的诚意和责任的分配（无论是代理本身还是其他人）如何影响参与者对错误人工智能代理的看法和体验。我们发现，与将责任推卸给他人的代理相比，那些公开接受责任并真诚为错误道歉的代理被认为更聪明、更讨人喜欢，并且更能有效地从错误中恢复过来。
使用 INCEPTION RESNET V2 卷积神经网络进行脑肿瘤分类
摘要：脑肿瘤是最致命的疾病之一，因为脑内异常细胞不受控制地发展。磁共振成像（MRI）是一种医疗设备，可提供数字图像并帮助放射科医生和神经科医生识别脑肿瘤的种类和存在。为了对脑肿瘤的 MRI 图像进行分类，需要一种客观、自动且更可靠的方法，因为人为和主观的分类过程费力且容易出错。为了超越传统测试方法的局限性，人工智能被认为是从磁共振成像中识别脑肿瘤类型的合适工具。卷积神经网络是增强自动分类（CNN）的一种工具。本文展示了如何使用 CNN 中的 Inception ResNet v2 架构通过迁移学习将 MRI 脑癌分为四类：神经胶质瘤肿瘤、脑膜瘤肿瘤、垂体肿瘤和无肿瘤。
人工智能造福人类：更美好、更具包容性的未来工作
在当前的招聘流程中，我们严重依赖简历，自 1482 年列奥纳多·达·芬奇撰写简历以来，简历就没有发生过实质性的变化。简历容易出错的一个主要原因是人类天生不善于自我评估。当候选人“量身定制”简历以“匹配”职位描述时，自我评估的简历内容充满了陈词滥调、夸张，而且常常有遗漏（人们的最佳作品和特点有时甚至没有包括在内），因为候选人将多年的工作提炼成几个要点。缺乏描述性、有意义的数据往往会导致肤浅的替代品，因为雇主会受到细节的负面影响，而这些细节往往无法预测候选人在工作中出类拔萃的潜力：拼写错误、字体选择和简历布局都会影响雇主候选人能力的看法。
攻击难度的量子算法 攻击经典中的难度假设和后量子假设的量子算法
量子计算机是一种利用量子力学现象进行计算的计算机，不同于当今利用经典物理现象的传统计算机。功能足够强大的大规模量子计算机（不易出错或可纠错）将对目前广泛部署的大多数非对称密码系统构成威胁。这是因为 Shor [1] 引入了多项式时间量子算法来解决循环群中的整数因式分解问题 (IFP) 和离散对数问题 (DLP)。例如，如果量子计算机能够执行 Shor 算法，那么对于足够大的问题实例，它将能够破解基于 IFP 的 RSA [ 2 ] 以及基于 DLP 的 DSA [ 3 ] 和 Diffie-Hellman (DH) [ 4 ]——主要是在有限域的乘法群或椭圆曲线点群（在椭圆曲线密码 (ECC) 的情况下）中。[ 5, 6 ]。上述密码系统目前用于保护互联网上大多数交易的安全。
深度学习 - 深海底栖大型社区中的生物多样性评估：在聚合金属结节挖掘的背景下进行的案例研究
简介：技术发展促进了从孤立的深海生态系统（例如深渊结节场）中收集大量图像的收集。将图像作为监测工具在这些感兴趣的领域进行深海开发非常有价值。但是，为了收集大量的物种观测值，需要分析数千个图像，尤其是如果在深渊结节场中，高度多样性与低丰度相结合时，则需要进行分析。作为大量图像的视觉解释和定量信息的手动提取是耗时且容易出错的，计算检测工具可能会起关键作用，以减轻这种负担。然而，使用深度学习 - 基于深度学习的计算机视觉系统来实现动物群检测和分类的任务，仍然没有建立的工作流量来进行有效的海洋图像分析。
神经元图：钙成像记录的神经元微观功能网络的图论入门
连接网络是神经生物学的基本结构。了解这些网络将有助于我们阐明计算的神经机制。从数学上讲，这些网络是“图”——包含连接对象的结构。在神经科学中，对象可以是大脑的某些区域，例如 fMRI 数据，也可以是单个神经元，例如荧光显微镜钙成像。图的正式研究，即图论，可以为神经科学家提供大量用于探索网络的算法。图论已经以多种方式应用于 fMRI 数据，但最近开始应用于神经元的尺度，例如功能性钙成像。在本入门书中，我们解释了图论的基础知识，并将它们与钙成像中神经元的微观功能网络的特征（神经元图）联系起来。我们探讨了图论应用于钙成像的最新示例，并强调了该领域新研究人员可能出错的一些领域。