XiaoMi-AI文件搜索系统
World File Search System分类器
分类器的地图集 - 用于大脑MRI分割的机器学习范式
摘要我们介绍了分类器（AOC）的地图集，这是一个概念上新颖的脑MRI分割框架。AOC是从标记的数据中学到的素数逻辑回归（LR）函数的体素逻辑回归（LR）函数的空间图。收敛后，所得的固定LR权重，每个体素的几个代表训练数据集。因此，它可以被视为一种轻量级学习机器，尽管其容量较低并不削弱问题。AOC结构独立于测试图像的实际强度，提供了在可用标记的数据上训练它的灵活性，并将其用于分割来自不同数据集和模式的图像。从这个意义上讲，它也不会过分贴上培训数据。该提出的方法已应用于众多可公开可用的数据集，用于分割脑MRI组织，并被证明对噪声和外展具有鲁棒性。也获得了多模式的跨模式MRI分割的有希望的结果。最后，我们展示了如何利用对健康受试者的大脑MRI训练的AOC来用于对多发性硬化症患者的病变分割。
基于AI的模拟访谈评估者：情感和信心分类器模型
1（助理教授），CSE。 Teegala Krishna Reddy工程学院海得拉巴1（助理教授），CSE。Teegala Krishna Reddy工程学院海得拉巴
用于鸢尾花数据的量子变分多类分类器...
摘要。量子计算机机器学习的最新进展主要得益于两项发现。将特征映射到指数级大的希尔伯特空间中使它们线性可分——量子电路仅执行线性运算。参数移位规则允许在量子硬件上轻松计算目标函数梯度——然后可以使用经典优化器来找到其最小值。这使我们能够构建一个二元变分量子分类器，它比经典分类器具有一些优势。在本文中，我们将这个想法扩展到构建多类分类器并将其应用于真实数据。介绍了一项涉及多个特征图和经典优化器以及参数化电路的不同重复的系统研究。在模拟环境和真实的 IBM 量子计算机上比较了模型的准确性。
裂缝实验中用于表面裂纹检测的机器学习分类器
在进行机械实验时，正确确定断裂的发作至关重要。通常是通过视觉检查进行的，这里提出了一种基于图像的机器学习方法来对破裂和未裂缝的标本进行分类。它产生了客观化和自动化裂纹检测的潜力，从而消除了实验后处理中的不确定性和错误来源。评估了从77个实验获得的三个试样几何形状的30'000以上斑点图案。它们包括单轴张力，缺口张力以及轴对称V弯曲实验。统计纹理特征是从所有图像中提取的。它们包括第一阶（方差，偏度，峰度）和高阶统计纹理特征，即Haralick功能。根据Fisher的判别比率评估纹理信息的歧视能力，并确定并量化特征相关性。高歧视能力的图像纹理特征子集用于解析从简单的ceptron到feed-fordward和cascade神经网络的不同复杂性的神经网络体系结构。发现，对于所有实验，研究的纹理特征的一小部分是高度重要的。获得了多层，非线性和低复杂性馈送网络体系结构的分类精度，以99％的顺序使用。同时，即使使用了高歧视性功能特征，也表明线性分类器不足以鲁棒区分样品的状态。图形摘要：
研究机器学习算法作为预测疾病严重程度的分类器的有效性
将计算科学纳入医学和生物学领域的最新趋势导致有关医学和实验信息的大量数据积累。数据挖掘在医疗保健领域的应用可以通过进行数据分析并从看似无关的大量收集数据中发现关系来早期预测患者状况及其行为。由于其使所有各方受益的能力，数据挖掘在医疗保健运营中的普及也越来越高。例如，该部门的数据挖掘应用有助于确保患者获得更实惠，更好的医疗服务，医生确定最佳实践和有效治疗，医疗保健公司对客户关系管理做出明智的决定，并发现医疗保险公司发现虐待和欺诈。尽管有这些有希望的趋势，但是，医疗保健交易产生的结果和庞大的数据量证明了大量且过于复杂，无法使用传统方法进行处理和分析。此外，从数据仓库中提取信息的常规机制并未确定所涉及的隐藏模式，因此在本研究中采用了一种新方法来对数据进行分类以预测患者的医疗状况。此外，在这项研究中，基于医学属性，使用机器学习算法作为分类器的医学属性来描述与大脑相关疾病严重程度的预测。这是通过利用从医疗数据仓库（DWE）获得的数据来实现的。简介使用提取，转换，负载（ETL）过程和在线分析处理（OLAP）方法用于特征提取，训练和测试数据。机器学习算法（例如人工神经网络（ANN）和支持向量机（SVM））用于生成优化的输入参数（权重和偏差），以选择最佳内核来对数据进行分类以进行进一步诊断。发现所提出的模型在鉴定疾病时提供了快速的响应时间和最小错误率。因此，建议的框架可用于预测患者的状况，并在医疗机构或组织中治疗疾病的治疗方面提供最佳决定。关键字：支持向量机（SVM），人工神经网络（ANN），ETL（提取，转换和负载）过程，机器学习，疾病严重性，数据仓库1。
聚合学习：一种学习神经网络分类器的矢量量化方法
我们更进一步考虑学习神经网络分类的问题。在信息瓶颈 (IB) 原则下，我们将这个分类问题与表示学习问题联系起来，我们称之为“IB 学习”。我们表明，IB 学习实际上等同于量化问题的一个特殊类别。率失真理论的经典结果表明，IB 学习可以受益于“矢量量化”方法，即同时学习多个输入对象的表示。这种方法辅以一些变分技术，产生了一种用于使用神经网络模型进行分类的新颖学习框架“聚合学习”。在这个框架中，多个对象由单个神经网络联合分类。通过在标准图像识别和文本分类任务上的大量实验验证了该框架的有效性。
改进BI-LSTM以获得高精度蛋白序列家族分类器
对于鉴定生物化学过程和活细胞中生物学规范至关重要的主要营养素是蛋白质。蛋白质通常围绕由其家庭类型定义的一个或几个功能。因此，需要识别和分类来根据其结构和家庭分离蛋白质。在这项工作中，我们建立了一个模型来对蛋白质序列的家庭进行分类。我们使用的蛋白质序列数据集由各种生物学意义的大分子组成。分类器是使用BI-LSTM深入学习的。我们通过从结构生物信息学研究合作社的蛋白质数据库中收集数据集，使用令牌化对数据进行预处理，并基于BI-LSTM的深度学习网络对分类器进行建模。由于我们获得了受过训练的模型的最佳准确率，因此我们使用学习曲线，准确率和损失的评估指标来找出模型性能。结果表明，Deep Bi-LSTM具有拟合学习曲线，99％的精度率和0.042损失的出色性能。
使用KNN分类器的种子数据集寻找情绪的方法
文章历史记录：收到：2021年1月10日；修订：2021年2月12日；接受：2021年3月27日；在线发布：2021年4月28日摘要：情感是我们日常生活中必不可少的组成部分。尽管如此，脑部计算机界面（BCI）系统尚未达到解释情绪的必要水平。基于BCI框架的经编程的感觉确认是最后几十年来非凡询问的点。脑电图（EEG）信号是这些框架的重要资产之一。EEEG可能是通过头皮在脑波框架内从脑工作中记录的生理标志。利用脑电图信号的最大优势是它反映了真实的感觉，并且可以通过计算机框架有效地准备。一个虚拟数据集可以使用并填充脑电图数据，以计算和分类从脑电图信号生成的这些信号。此处使用的数据集是种子，可以通过称为K-Nearest（KNN）算法的机器学习技术来习惯它来系统化数据。实验性能通过种子分类期间的94.06％的分类值实现。这种提出的方法表明，通过脑电图信号，情绪识别如积极，中立和负面是可能的。
神经外科患者的亨利气体溶解度优化双机器学习分类器
蛋白激酶和细胞因子的突变很常见，可能引起癌症和其他疾病。然而，我们对这些基因可突变性的理解仍然是惯例。因此，鉴于先前已知的与高突变率相关的已知因素，我们分析了数量编码可药物激酶匹配的基因（i）与远距离商人的接近或（ii）高a+t含量。我们使用国家卫生基因组数据查看器提取了这些基因组信息。首先，在研究的129个可吸毒的人激酶基因中，有106个基因满足因子（i）或（ii），导致82％的匹配。此外，在编码儿童多系统炎症综合征的促炎细胞因子的73个基因中发现了相似的85％匹配率。基于这些有希望的匹配率，我们进一步比较了利用暴露于太空样电离辐射的小鼠的20个从头突变的这两个因素，以确定这些看似随机的突变是否与此策略相似。然而，在这20个鼠遗传基因座中只有10个或（ii），仅导致50％的匹配。与高额销售FDA批准的药物的机制相比，该数据表明，对可药物目标的匹配速率分析是可行的，可以在系统上优先考虑新候选者的相对可突变性（因此是治疗潜力）。
使用权重重映射提高量子变分分类器的收敛性
摘要：近年来，变分量子电路 (VQC) 在量子机器学习中的应用大幅增加。VQC 的灵感来自人工神经网络，它作为大规模参数化函数逼近器，在广泛的 AI 任务中实现了非凡的性能。VQC 已经通过利用量子计算中更强大的算法工具箱，在泛化和训练参数要求更少等方面取得了令人鼓舞的成果。VQC 的可训练参数或权重通常用作旋转门中的角度，而当前基于梯度的训练方法并未考虑到这一点。我们引入了 VQC 的权重重新映射，以将权重明确地映射到长度为 2 π 的区间，这从传统 ML 中汲取了灵感，其中数据重新缩放或规范化技术在许多情况下都表现出巨大的好处。我们使用一组五个函数，并以变分分类器为例，在 Iris 和 Wine 数据集上对它们进行评估。我们的实验表明，权重重新映射可以提高所有测试设置中的收敛性。此外，我们能够证明，与使用未修改的权重相比，权重重新映射可将 Wine 数据集的测试准确率提高 10%。