XiaoMi-AI文件搜索系统
World File Search System参数优化
在线学习课程学习的在线超参数优化
参考[1] Hou，Saihui等。“通过重新平衡来逐步学习统一的分类器。”CVPR2019。[3] Liu，Yaoyao，Bernt Schiele和Qianru Sun。“用于课堂学习学习的自适应聚合网络。”CVPR 2021。[4]刘，Yaoyao，Bernt Schiele和Qianru Sun。“ RMM：用于课堂学习学习的增强记忆管理。”神经2021。[5] Rebuffi，Sylvestre-Alvise等。“ icarl：增量分类器和表示学习。”CVPR2017。[6] Li，Zhizhong和Derek Hoiem。“学习而不会忘记。”TPAMI2017。
使用主动学习和超参数优化的图像切解分解
图像切解分析检测数字图像中隐藏的数据，对于增强数字安全性至关重要。传统的切解方法通常依赖于大型预先标记的图像数据集，这些数据集很困难且昂贵。为了解决这个问题，本文介绍了一种创新的方法，该方法结合了积极的学习和非政策深度强化学习（DRL），以使用最小标记的数据来改善图像ste缩。主动学习允许模型智能选择应注释哪些未标记的图像，从而减少有效培训所需的标记数据量。传统的主动学习策略通常使用限制灵活性且不能很好地适应动态环境的静态选择方法。为了克服这一点，我们的方法结合了用于战略数据选择的非政策DRL。DRL中的非政策可以提高样本效率，并显着提高学习成果。我们还使用差分进化（DE）算法来微调模型的超参数，从而降低了其对不同设置的敏感性并确保更稳定的结果。我们对广泛的BossBase 1.01和BOWS-2数据集进行了测试，证明了该方法区分未更改和隐形图像的强大能力，在BossBase 1.01和BOSS-2数据集对BossBase 1.01和91.834％的平均F量表达到93.152％。总而言之，这项研究通过采用先进的图像切解分析来检测隐藏数据，从而增强了数字安全性，从而通过最小的标记数据显着提高了检测准确性。
放松和惩罚：一种新型的双重二元超参数优化方法
近年来，双重方法已经非常受欢迎，可以在机器学习模型的有效估计高维超参数上。迄今为止，二进制pa-Rameters是通过连续放松和四舍五入策略来处理的，这可能导致解决方案不一致。在这种情况下，我们通过基于适当的罚款术语求助于等效的连续二线重新构造，以应对混合二元超参数的挑战优化。我们提出了一个算法框架，在合适的假设下，可以保证提供混合二进制解决方案。此外，该方法的一般性允许在提议的框架内安全地使用现有的连续折叠求解器。我们评估了两个特定的机器学习问题的方法的性能，即，回归问题中的群 - 符号结构的估计和数据蒸馏问题。报告的结果表明，我们的方法具有基于放松和舍入的最新方法竞争。
校正：氧化石墨烯增强光热疗法：HELA癌细胞死亡率的激光参数优化和温度建模
farzaneh Zare Mehrabadi 1·Mohammad Ali Haddad 1,2·Najmeh sadat hosseini motlagh 3 Hagheralsadat 6 div>
使用CNN模型和超参数优化算法提高分类的精度
卷积神经网络（CNN）是一种广泛使用的深度学习模型，对于图像识别和分类任务特别有效。CNN的性能不仅受其建筑的影响，而且受到其超参数的严重影响。因此，优化超参数对于改善CNN模型性能至关重要。在这项研究中，作者提出了利用优化算法，例如随机搜索，使用高斯工艺的贝叶斯优化以及使用树状结构化parzen估计器进行贝叶斯优化，以微调CNN模型的超标仪。将优化的CNN的性能与传统的机器学习模型进行了比较，包括随机森林（RF），支持向量分类（SVC）和K-Nearest Neighbors（KNN）。在这项研究中使用了MNIST和Olivetti Faces数据集。在MNIST数据集的训练过程中，CNN模型的最低准确度达到97.85％，超过了传统模型，在所有优化技术中，最大准确度为97.50％。同样，在Olivetti Faces数据集上，CNN的最低准确度为94.96％，而传统模型的最高准确度为94.00％。在训练测试程序中，CNN表现出令人印象深刻的结果，在MNIST数据集上达到了超过99.31％的准确率，而Olivetti Face face Dataset的准确率超过98.63％，其最大值分别为98.69％和97.50％。此外，该研究还将CNN模型的性能与三种优化算法进行了比较。结果表明，与传统模型相比，将CNN与这些优化技术集成可显着提高预测准确性。
3D打印参数优化超声扫描仪的ABS探针持有器
近年来，3D打印技术引起了很多关注。由于其低生产成本以及制造复合和几何形状的能力，在许多行业中使用3D打印技术被广泛接受。本文通过将3D打印技术用于超声扫描仪应用程序，介绍了探针持有人的制造。3D打印探针持有人的制造始于Taguchi技术设计（DOE）。确定了三个主要影响：打印温度，层厚度和填充密度。SolidWorks软件用于构建探针持有人的计算机辅助设计（CAD）模型。随后，将CAD模型文件转换为3D打印过程的标准Tessellation语言（STL）文件。使用3D打印机成功制造了探针持有人，在3D印刷产品的外表面上没有任何缺陷。基于弯曲测试结果，可以得出结论，探针持有人的强度是由层厚度归因于层的。
基于仿真的基于电线弧添加剂制造的过程参数优化
摘要在制造组件中使用电弧添加剂制造，需要特定的冷却时间来防止结构和几何畸变过热。目前，这些冷却时间是根据某些层间温度下的经验插入的，从而降低了可重复性，导致不需要的组件特性并增加了过程时间。在此贡献中，使用无效元素方法来计算添加性制造组件的温度演化。这允许优化过程参数，这些过程参数（在我们在此处的考虑中）是焊接速度和每一层的冷却时间，以减少总过程时间，同时实现了足够的组件属性。优化是使用无梯度的Nelder-Mead-Mead-Mead算法进行的，其中通过惩罚函数考虑了过程参数的某些约束。为了获得合理的仿真结果，预先使用实验数据对实验设置的温度依赖性传热进行了建模和校准。很明显，与无梯度优化过程结合使用的热元素模拟是对线弧添加剂制造进行优化的过程参数的合适数值工具。优化的过程参数满足了有关制造成分冷却的某些要求。此外，与手动选择的参数相比，优化参数可以显着减少过程时间。在我们的示例中，这约为48％。
气粉流动工艺参数优化……
记录版本：该预印本的版本于 2024 年 1 月 10 日在《国际先进制造技术杂志》上发表。已发布的版本请参阅 https://doi.org/10.1007/s00170-024-12964-7 。
心脏病预测基于生理参数，使用集合分类器和参数优化Agung Muliawan 1，Achmad Rizal 2，
使用集合分类器和参数优化基于生理参数的心脏病预测Agung Muliawan 1，Achmad Rizal 2，Sugondo Hadiyoso 3* Institut Teknologi Dan Sainsia Mandala，Indonesia，Indonesia 1 Telekom University 1 Telekom University，Indonesia 23 sugondo@telkomuniversity.actistia in Indonesia telkomuniversity.ace.ac.act.ace.ace.act.act act：20 3 333 333 303 303接受：2023年11月7日 *通讯作者摘要本研究描述了使用具有参数优化的集合分类器对心脏病的预测。作为输入，从UCI机器学习存储库中获取了一个公共数据集，该数据集是指UCI机器学习中的数据集。数据集由13个变量组成，这些变量被认为会影响心脏病。粒子群优化（PSO）用于特征选择和主成分分析（PCA），以降低特征的尺寸。在几种机器学习方法上的应用优化应用，例如SVM（径向基础功能），深度学习和集合分类器（装袋和增强），以获得最高的精度比较。与PCA相比，该研究使用PSO维度降低的结果降低导致精确度。相反，通过优化深度学习参数的精度为84.47％，并优化SVM RBF参数，精度为83.56％，获得了最高精度。使用SVM上的袋子在83.51％的装袋中的最高精度，与SVM相差0.5％，而无需使用袋装。关键字：心脏病，机器学习，降低维度，参数优化，合奏分类器1。简介
在CT图像中具有缺血和出血检测，具有分类模型的超参数优化和改进的UNET分割模型
抽象深度学习是一种强大的技术，已应用于使用医学成像进行中风检测。中风是一种医疗状况，当大脑的血液供应中断时，会导致脑部损伤和其他严重的并发症。中风检测对于最大程度地减少损害并改善患者预后很重要。中风检测最常见的成像方式之一是CT（计算机断层扫描）。ct可以提供大脑的详细图像，可用于识别中风的存在和位置。深度学习模型，尤其是卷积神经网络（CNN），已经显示出使用CT图像检测中风的希望。这些模型可以学会自动识别图像中指示中风的模式，例如梗塞或出血的存在。在CT图像中用于中风检测的深度学习模型的一些示例是U-NET，通常用于医疗图像分割任务，而CNN已经过训练，这些CNN已经过训练，可以将脑CT图像分类为正常或异常。这项研究的目的是确定在没有造影剂的情况下拍摄的脑CT图像的中风类型，即闭塞（缺血）或出血（出血）。中风图像，并由医学专家构建数据集。深度学习分类模型通过超参数优化技术评估。并使用改进的UNET模型进行了分割，以可视化CT图像中的中风。分类模型，VGG16获得了％94成功。UNET模型达到了％60 iou，并检测到缺血和出血差异。