XiaoMi-AI文件搜索系统
World File Search System合奏
深度学习模型的合奏，用于心跳心律不齐
心律不齐是全世界死亡的主要原因之一，由于生活方式的改变，其流行率急剧上升。由于其非侵入性，ECG信号通常被用于检测心律不齐。手动技术需要很长时间，并且容易出错。利用深度学习模型早期自动识别心律不齐是改善诊断和管理的首选替代方法。本文提出了一个独特的集合深层结构化学习模型，用于分类心律不齐，以整合注意力机制，双向长期记忆和卷积神经网络。它分为五个类别：非分解（n），上室异位（S），心室异位（V），融合（F）和未知（q）。MIT-BIH和St. Petersburg数据集集成为多模型数据集，用于培训，验证和测试建议的模型。还通过F1得分，回忆，准确性和精度测试了模型的性能。基于所有这些方法的合奏，该模型准确99％。
通过自我监督的识别一致的神经合奏
从记录的神经活动中解码刺激或行为是研究大脑功能在研究中的常见方法，也是脑部计算机和脑机界面的重要组成部分。可靠的解码即使是从小型神经种群中也可能导致高维神经种群活动，通常占据低维man-可通过合适的潜在可变模型可发现的低维man。随着时间的流逝，单个神经元的活性和神经记录设备中不稳定性的漂移可能是基础的，使几天和几周的稳定解码变得不切实际。虽然无法在单个神经元水平上预测这种漂移，但是当连续记录会话（例如不同的神经元集以及记录数据中一致的神经元的变化排列）时，人群水平的变化可能是可以学习的。在会话中的一致性与陌生神经元的分类以及按照记录的一致记录神经元的偏差来考虑偏差，然后可以保持解码性能并揭示与任务相关的神经歧管。在这里，我们表明，对深神经网络的自我监督培训可用于弥补这一间歇间的可变性。结果，顺序的自动编码模型可以维持最新的行为解码性能，以使未来几天的完全看不见的记录会话。我们的方法仅需要一次录制会话来培训模型，这是迈向可靠，无重新校准的大脑计算机接口的一步。关键字：多种学习，神经科学，自我监督学习，神经解码，神经种群活动，顺序自动编码器，电生理学
WTK-LED：风工具包长期合奏数据集
如果没有DOE Wind Energy Technologies Office的支持，将不可能创建风力整合国家数据集（WIND）工具包长期集合数据集（WTK-LED）。多年来，团队特别感谢帕特里克·吉尔曼（Patrick Gilman）和布雷特·巴克（Bret Barker）的支持。Various teams and researchers across the National Renewable Energy Laboratory (NREL) contributed to the WTK-LED by either giving input in the design stage or using the data and thereby shaping the final version of the WTK-LED: Eric Lantz, Greg Brinkman, Trieu Mai, Cong Feng, Ryan King, Brandon Benton, Dmitry Duplyakin, and Zagi Zisman.，我们还感谢太平洋西北国家实验室的电网团队审查了网格整合研究的数据。我们感谢Wind Resource数据库的开发团队提供一个简单的数据查看和下载平台：Rachel Barton，Paul Edwards，Jason Ferrier，Nick Gilroy，Nick Gilroy，Amber Mohammad，Reid Olson和Paul Susmarski。
使用序数优先级方法的合奏排名
出版商已与总编辑一致。该文章被提交为客人编辑的问题的一部分。出版商的调查发现了许多文章，包括这篇文章，其中包括但不限于妥协的编辑处理和同行审查过程，不适当或不适合参考文献，或者不符合期刊或客人编辑的问题的范围。基于调查的发现，出版商与主编协商，因此不再对本文的结果和结论充满信心。
大脑肿瘤的基于深度学习的合奏模型...
摘要：神经胶质瘤是一种快速生长的脑肿瘤，其中肿瘤的形状，大小和位置因患者而异。在放射科医生的帮助下，手动提取感兴趣的区域（肿瘤）非常困难且耗时。为了克服这一Pro -Blem，我们提出了一种完全自动化的深度学习 - 基于脑肿瘤分割的集合方法，对四个不同的3D多模式磁共振ima -ging（MRI）扫描。分割是由三个最有效的编码器 - 分解的segmen -tation及其结果通过众所周知的分割指标来测量的。然后，对模型进行了统计分析，并通过考虑使用特定MRI模式的最高Matthews相关系数来设计集合模型。本文有两个主要贡献：首先是三个模型的详细比较，第二个通过基于分割精度组合三个模型来提出集合模型。使用脑肿瘤分割（BRAT）2017数据集评估该模型，最终组合模型的F 1得分分别为0.92、0.95、0.93和0.84，分别为整个肿瘤，核心，增强肿瘤和水肿子 - 肿瘤。实验结果表明，该模型的表现优于艺术状态。
基于超图的机器学习合奏网络入侵检测系统
摘要 - 检测恶意攻击的网络入侵检测系统（NID）继续面临挑战。NID通常是离线开发的，而它们面临自动生成的端口扫描尝试，从而导致了从对抗性适应到NIDS响应的显着延迟。为了应对这些挑战，我们使用专注于Internet协议地址和目标端口的超图来捕获端口扫描攻击的不断发展的模式。然后使用派生的基于超图的指标集来训练集合机学习（ML）基于NID的NID，以高精度，精确和召回表演以高精度，精确性和召回表演以监视和检测端口扫描活动，其他类型的攻击以及对抗性入侵。通过（1）入侵示例，（2）NIDS更新规则，（3）攻击阈值选择以触发NIDS RETRAINGE RECESTS的组合，以及（4）未经事先了解网络流量本质的生产环境。40个场景是自动生成的，以评估包括三个基于树的模型的ML集成NID。使用CIC-IDS2017数据集进行了扩展和评估所得的ML集合NIDS。结果表明，在更新的nids规则的模型设置下（特别是在相同的NIDS重新培训请求上重新训练并更新所有三个模型），在整个仿真过程中，提出的ML集合NIDS明智地进化了，并获得了近100％的检测性能，并获得了近100％的检测性能。
多元合奏后处理的生成机器学习方法
基于数值天气预测模型多个运行的集合天气预报通常显示系统错误，需要后处理以获得可靠的预测。在许多实际应用中，对多元依赖性进行建模至关重要，并且已经提出了多种多元后处理方法，其中首先在每个边距中首先在每个边距中分别进行后处理，然后通过COPULAS恢复多元依赖性。这些两步方法具有共同的关键局限性，特别是在建模依赖项中包含其他预测因子的困难。我们提出了一种基于生成机器学习来应对这些挑战的新型多元后处理方法。在这类新的非参数数据驱动的分布回归模型中，来自多元预测分布的样本是直接作为生成神经网络的输出而获得的。生成模型是通过优化适当的评分规则来训练的，该规则衡量生成的数据和观察到的数据之间的差异，条件是外源输入变量。我们的方法不需要对单变量分布或多元依赖性的参数假设，并且允许对任意预测变量进行分配。在两个关于德国气象站的多元温度和风速预测的案例研究中，我们的生成模型对最先进的方法显示出显着改善，尤其是改善了空间依赖性的表示。
通过量子神经网络的合奏技术节省资源
抽象的量子神经网络对许多应用程序具有重要的承诺，尤其是因为它们可以在当前一代的量子硬件上执行。但是，由于量子位或硬件噪声有限，进行大规模实验通常需要显着的资源。此外，模型的输出容易受到量子硬件噪声损坏的影响。为了解决这个问题，我们建议使用集合技术，该技术涉及基于量子神经网络多个实例构建单个机器学习模型。尤其是，我们实施了具有不同数据加载配置的包装和ADABOOST技术，并评估其在合成和现实世界分类和回归任务上的性能。为了评估不同环境下的潜在性能改善，我们对基于模拟的无噪声软件和IBM超导QPU进行了实验，这表明这些技术可以减轻量子硬件噪声。此外，我们量化了使用这些集成技术节省的资源量。我们的发现表明，这些方法即使在相对较小的量子设备上也能够构建大型，强大的模型。
合奏学习用于预测时间下的退化...
𝐻=𝑓=（𝜔𝑐𝑖 + + ∑ 𝜔 = 1 = 1𝑠−𝑏𝑏），𝑖= 1，。。。，𝑛; 𝑗= 1，。。。，𝑞; 𝑝= 0,1，。。。，𝑚。（17）其中h j是隐藏层的输出，f（。）是驾驶功能，𝜔是重量
评估气候变化对使用CRCM5大型合奏
摘要。在过去的3年中，在巴伐利亚的几条大河流中观察到了极端回流期及以后的严重浮游。洪水保护结构通常是根据100年的事件设计的，重新基于相对较短的观察时间序列的统计外推，同时忽略潜在的时间非平稳性。然而，未来的降水预测表明，极端降雨事件的频率和强度的增加以及季节性的变化。这项研究旨在检查气候变化对水文巴伐利亚水文中98个水文测量表的100年流量（HF 100）事件的影响。由区域单模型初始条件（Smile）组成的水文气候变化影响（CCI）建模链创建了单个模型。使用加拿大区域气候模型5的50个可能的成员大型合奏（CRCM5-LE）用于驱动水文模型WASIM（水平衡模拟模型）以创建水力毫米。结果，建立了每次研究的时间段1500年（50名成员×30年）的数据库进行极端价值分析（EVA），以说明基于年度最大值（AM）的强大估计HF 100的Hydro-Simile方法的好处，并根据HF的频率和幅度进行了A的频率和巨大的频率，以A的频率和幅度a的频率A的频率和大量的A a。 （RCP8.5）。因此，通过应用结果表明，使用1500 AM的经验概率，与使用普通的极值（GEV）分布的1000个样本的典型可用时间间隔大小为30、100和200年的估算相比，使用1500 AM的HF 100估算提供了明显的优势。