XiaoMi-AI文件搜索系统
World File Search System在线数据
将糖尿病与血栓形成风险增加的分子机制
抽象可解释的人工智能（XAI）在实现明智决定的过程中发挥了作用。现代各种供应链（SC）平台的出现改变了SC相互作用的性质，导致了显着的不确定性。这项研究旨在对现有的有关决策支持系统（DSS）的文献进行彻底分析，并在SC领域内对XAI功能的结合。我们的分析揭示了XAI对SC领域决策过程的影响。本研究利用Shapley添加说明（SHAP）技术使用Python机器学习（ML）过程分析在线数据。解释性算法是专门为通过为其产生的预测提供理由来提高ML模型的清醒性的。本研究旨在建立可衡量的标准，以识别XAI和DSS的组成部分，从而在SC的背景下增强决策。这项研究评估了对他们做出预测的能力，在线数据集的利用，所检查的变量数量，学习能力的发展以及在决策背景下进行验证的研究，强调了需要在不确定条件下涉及智能决策的其他探索领域的研究领域。
研讨会系列，Flier-Leila Wehbe
摘要：由于它们具有出色的学习有用表示的能力，在大型在线数据集中预先培训的神经网络最近已成为神经科学家的首选工具。相反，通过利用大规模的神经影像实验，我们表明我们可以采用随机初始化的神经网络，并训练它们直接预测fMRI记录，从而实现可以通过其他任务来操纵，解释和重新实现其他任务的功能性脑模型的构建。我们提出了一种自下而上的方法，该方法使用了观察大量自然图像的多个主题中收集的数据，我们使用它来发现高级视觉皮层中的语义选择性强大模式。我们还使用模型的预测来指导可以推动感兴趣大脑区域的新颖，分布图像的产生，并通过进一步的fMRI实验来验证对这些图像的响应。此外，我们证明了我们的脑信息模型可以提高不同的AI任务的性能，这表明用于预测不同大脑领域的表示形式具有特定的功能。这种方法建立在大脑和世界的综合模型上，这可能导致新型的脑部计算机接口。
基于AI的CNS肿瘤的组织病理学分类
摘要。由于其普遍适用性，机器学习模型（ML）在过去二十年中一直是一个热门话题。尽管它们有效，但一些ML模型表现出效率低下，尤其是在大数据分类中。此外，某些ML模型在某些小数据集上有效。在这方面，由于在线数据的可访问性越来越大，自动数据分类技术吸引了很多研究兴趣。因此，在文本分类字段中已经开发了许多独特的学习策略。基于质心的分类器（CBC）是其中最广泛使用的技术之一。专注于增强NC分类器时，本文旨在简要研究某些ML模型对中小型数据集分类的影响。在这些模型中：N-中心技术（NC）作为简单设计的分类器，支持向量机（SVM）和多项式贝叶斯（MNB）。最重要的是，本文通过与两个相似性度量的集成，即基于集合理论的相似性度量（STB-SM）和改进的余弦相似度量（ISC），引入了NC的结合变化。在有效性和效率方面，综合NC分类器的性能被认为是有希望的。
不确定性条件下虚拟发电厂实时能源调度的随机在线预测优化框架
电力系统中分布式能源的聚集显著增加了不确定性，特别是由可再生能源发电的波动引起的不确定性。这一问题推动了广泛利用不确定条件下的先进预测控制技术的必要性，以确保长期经济性和脱碳。在本文中，我们提出了一个实时不确定性感知能源调度框架，该框架由两个关键要素组成：（i）混合预测和优化顺序任务，集成基于深度学习的预测和随机优化，其中这两个阶段通过多个时间分辨率的不确定性估计连接起来；（ii）高效的在线数据增强方案，共同涉及模型预训练和在线微调阶段。通过这种方式，所提出的框架能够快速适应实时数据分布，并针对控制过程中由数据漂移、模型差异和环境扰动引起的不确定性，最终实现最优、鲁棒的调度解决方案。所提出的框架在 2022 年 CityLearn Challenge 中赢得了冠军，这为研究人工智能在能源领域的应用潜力提供了一个有影响力的机会。此外，还进行了全面的实验来解释其在智能建筑能源管理现实场景中的有效性。
心力衰竭与患有房颤的受试者相关的死亡，1999年至2020年
方法和结果：从疾病控制和预防中心中提取数据，以广泛的在线数据进行流行病学研究，以确定由于AF年龄≥15岁的AF受试者的HF相关死亡，因此每10万人的年龄调整后死亡率趋势。为了计算全国年度趋势，我们使用联接点回归评估了年度年度变化（AAPC）的平均年度百分比变化（AAPC）和年度变化，相对95％CIS。在1999年至2020年之间，916 685 HF相关的死亡（396 205名男性和520 480妇女）发生在美国成年人中的AF中。整体年龄调整的死亡率增加（AAPC： +4.1％[95％CI，3.8-4.4]； p <0.001），尤其是在2011年之后（每年变化百分比， +6.8％[95％CI，6.2-7.4]; P <0.001）男性（AAPC， +4.8％[95％CI，4.4-4-4.4-4-5.00; +4.2％[95％CI，3.9至4.6]；在年龄<65岁的受试者中（AAPC： +7.5％）[95％CI，6.7-8.4]; p <0.001）。较高的死亡人数在南部注册（32.8％）。在COVID-19大流行的第一年中，AF年龄> 65岁的AF患者的HF相关死亡人数显着过多。
讲故事的策略以开发公司声誉
抽象的讲故事可以是建立有说服力的交流并在公众中提供个人参与的工具。策略策略也可以在各种数字通信渠道中应用，这些策略是灵活的策略，即使在特殊的数字业务领域也可以实施。基于快速数字业务竞争，本研究旨在讨论在活跃的在线数据科学教育技术行业之一DQLAB.ID上使用公共关系的讲故事策略，作为发展公司声誉的工具。这项研究中使用的方法是通过提供 - 各种来源的深度访谈，观察，支持数据和文献研究，是描述性的定性。这项研究的结果表明，DQLAB的公共关系从业者使用客户主导的讲故事策略，并结合使用SEO中的关键词策略来发展信任并利用某些目标市场。这项研究的结果还表明，DQLAB.ID上使用的故事策略与一个提高信息信誉的故事的看法不同。讲故事是一种公共关系工具，可以通过针对正确的客户细分，对公司品牌建立信任并为DQLAB享有积极的声誉，从而有很大的影响力来帮助营销活动。关键字：公司声誉，营销传播，公共关系，讲故事策略
Portiloop：一种基于深度学习的闭环大脑刺激开放科学工具
闭环脑刺激是指捕捉脑电图 (EEG) 等神经生理测量数据，快速识别感兴趣的神经事件，并产生听觉、磁或电刺激，以便与大脑过程精确交互。这是一种很有前途的新方法，可用于基础神经科学，甚至可用于恢复退化的记忆功能等临床应用；然而，现有的工具价格昂贵、笨重，实验灵活性有限。在本文中，我们提出了 Porti-loop，这是一种基于深度学习的便携式低成本闭环刺激系统，能够针对特定的脑振荡。我们首先记录了可以用市售组件构建的开放硬件实现。我们还提供了一个快速、轻量级的神经网络模型和一种探索算法，可自动优化模型超参数以实现所需的脑振荡。最后，我们在实时睡眠主轴检测这一具有挑战性的测试用例上验证了该技术，结果与海量在线数据注释主轴数据集 (MODA；组共识) 上的离线专家表现相当。软件和计划作为一项开放科学计划向社区开放，以鼓励进一步发展和推进闭环神经科学研究 [ https://github.com/Portiloop ] 。
3DV项目2024
3D世界中的全息图位置是需要像素准确 / cm级别准确性的应用中的薄弱环节。由于HoloLens（例如HoloLens）用于将内容直接放置在3D世界中，因此这是一种常用的内容放置方法。但是，此模式无法准确捕获用户的意图，从而导致感知全息图中的设备框架与相关的错误。直接在3D世界中的位置代表了用户不透明的“抽象”锚的全息图。用户可以将全息图连接到按钮或角落。用户将全息图放置在他们认为是正确的位置和方向的地方。系统代表全息图，不是相对于预期的位置，而是内部锚。总是锚漂移以产生不准确的全息图感知。我们将不仅使用3D放置，而且还可以使用明确的图像输入来实现明确的用户意图。图像输入将用于准确渲染与表达的用户意图对齐的全息图，从而导致渲染的准确性很高。关键项目步骤：（1）在HoloLens2上使用全息图。（2）使用简单的接口来捕获用户意图。（3）构建用于对齐捕获图像与HoloLens2的在线数据的算法。（4）实时实验并评估算法。
通过离线和在线房屋图测试预测阿尔茨海默氏病和轻度认知障碍
摘要 - 用于开发可靠，非侵入性和具有成本效益的方法，用于早期诊断神经退行性疾病（例如轻度认知障碍（MCI）和阿尔茨海默氏病）（AD）。在这方面，基于手写的任务在将MCI和AD患者与健康对照组（HCS）区分开来表明。但是，使用不同的符号和数据表示时，以前的工作报告了结果混合的结果。我们通过开发计算模型（卷积和经常性神经网络）来解决这一研究差距，以将MCI和AD与具有离线（扫描图像）和在线（离散时间序列）房屋图纸的HC区分开。值得注意的是，我们观察到，增强在线数据，然后将其转换为离线格式，我们称为“ Onoff-Line”的方法在二进制分类任务中产生了最佳性能结果。这些发现突出了在线表示在更准确地捕获手写动力学方面的有效性。最终，我们的工作为未来的研究开辟了新的途径，以通过手写分析来增强MCI和AD的自动诊断。索引术语 - 现实的认知障碍，阿尔茨海默氏症的不适，笔迹，绘画，深度学习，分类。
学习通过离线加强学习从观察中控制自主舰队
摘要 - 按需（AMOD）系统的自主移动性是一种不断发展的运输方式，其中中央协调的自动驾驶汽车的舰队动态地服务了旅行请求。这些系统的控制通常被称为一个大型网络优化问题，而增强学习（RL）最近已成为解决该领域中开放挑战的一种有前途的方法。最近的集中式RL方法专注于从在线数据中学习，而忽略了实际运输系统中的每样本相互作用。为了解决这些限制，我们建议通过离线强化学习的镜头正式对AMOD系统进行正式控制，并使用仅离线数据学习有效的控制策略，这很容易为当前的移动性运营商提供。我们进一步研究了设计决策，并根据现实世界中移动性系统的数据提供了经验证据，表明了离线学习如何恢复（i）（i）（i）与在线方法表现出相同的AMOD控制策略，（ii）允许样品有效的在线微调和（iii）消除复杂的模拟环境的需求。至关重要的是，本文表明，离线RL是在经济临界系统（例如迁移率系统）中应用基于RL的SO的有希望的范式。