XiaoMi-AI文件搜索系统
World File Search System基准模型
使用改进的机器学习
尽管许多研究都集中在海洋事故的可能性上，但很少有人专注于分析后果的严重程度，甚至更少的预测严重程度。为此，在本研究中提出了一个新的研究框架，以准确预测海洋事故的严重性。首先，开发了一种新颖的两阶段特征选择（FS）方法，以选择和对风险影响因素（RIF）进行排列，以提高MA Chine学习（ML）模型的准确性（ML）模型和FS的解释性。第二，提出了一种全面的评估方法，以根据稳定性，预测性能改善和统计检验来衡量FS方法的性能。第三，使用了六个完善的ML模型，并比较了不同预测因子的性能。发现光梯度提升机（LightGBM）具有对海洋事故的严重性词典的最佳预测性能，并被视为基准模型。最后，LightGBM根据提出的FS方法选择的RIF来预测事故严重程度，并从定量的角度对风险控制措施的效果进行了反作用。这项有关改进ML方法使用的创新研究可以有效地分析和预测海洋事故的严重性，为在安全评估和预防事故预防研究中使用人工智能（AI）技术提供新的方法，并触发了新的方向。源代码可公开可用：https：//github.com/fengyinleo/pgi-sdmi。
用于飞行测试的高速标记跟踪
摘要 — 飞行测试是确保正常运行期间安全并在认证阶段评估飞机的强制性过程。由于试飞可能是一种高风险活动，可能导致飞机损失甚至生命损失，因此模拟模型和实时监控系统对于评估风险和提高态势感知和安全性至关重要。我们提出了一种基于 CNN 的新型检测和跟踪模型，该模型使用基准标记，称为 HSMT4FT。它是光学弹道系统 (SisTrO) 的主要组件之一，负责在飞行测试期间检测和跟踪飞机外部存储、吊架和机翼中的基准标记。HSMT4FT 是一种实时处理模型，用于测量存储分离测试中的轨迹，甚至评估振动和机翼偏转。尽管有多个库提供基于规则的方法来检测预定义标记，但这项工作通过开发和评估三个用于检测和定位基准标记的卷积神经网络 (CNN) 模型做出了贡献。我们还比较了在 OpenCV 库中实现的角点检测的经典方法和在 OpenVINO 环境中执行的神经网络模型。评估了这些方法的执行时间和精度/准确度。在测试和基准模型中，其中一个 CNN 模型实现了最高的吞吐量、较小的 RMSE 和最高的 F1 分数。最好的模型足够快，可以在嵌入式系统中实现实时应用，并将在未来的实际飞行测试中用于实际检测和跟踪。
用于飞行测试的高速标记跟踪
摘要 — 飞行测试是确保正常运行期间安全以及在认证阶段评估飞机的强制性过程。由于试飞可能是一种高风险活动，可能会导致飞机损失甚至人员伤亡，因此模拟模型和实时监控系统对于评估风险、提高态势感知和安全性至关重要。我们提出了一种基于 CNN 的新型检测和跟踪模型，该模型使用基准标记，称为 HSMT4FT。它是光学弹道系统 (SisTrO) 的主要组件之一，负责在飞行测试期间检测和跟踪飞机外部存储、吊架和机翼中的基准标记。HSMT4FT 是一种实时处理模型，用于测量存储分离测试中的轨迹，甚至用于评估振动和机翼偏转。尽管有多个库提供基于规则的方法来检测预定义标记，但这项工作通过开发和评估三个用于检测和定位基准标记的卷积神经网络 (CNN) 模型做出了贡献。我们还比较了在 OpenCV 库中实现的经典角点检测方法和在 OpenVINO 环境中执行的神经网络模型。评估了这些方法的执行时间和精度/准确度。在测试和基准模型中，其中一个 CNN 模型实现了最高的吞吐量、较小的 RMSE 和最高的 F1 分数。最佳模型足够快，可以在嵌入式系统中实现实时应用，并将在未来的实际飞行测试中用于实际检测和跟踪。
RapiD AI：用于新型疾病和流行病防范的快速部署人工智能框架
大流行，我们可以通过投资防范措施来减少其影响。在这项研究中，我们提出了 RapiD AI：一个指导使用预训练神经网络模型作为大流行防范工具的框架，以使医疗保健系统在未来的大流行期间具有弹性并有效使用机器学习。RapiD AI 框架使我们能够使用大流行前几周收集的数据构建高性能机器学习模型，并提供一种方法来使模型适应当地人群和医疗保健需求。其动机是使医疗保健系统能够克服数据限制，这些限制阻碍了在新型疾病背景下开发有效的机器学习。我们以数字方式重现了 COVID-19 大流行的前 20 周，并通过领域自适应和归纳迁移实验演示了 RapiD AI 框架。我们 (i) 在代表英国牛津一般住院患者群体的大型电子健康记录数据集上对两个神经网络模型 (深度神经网络和 TabNet) 进行预训练，(ii) 使用疫情前几周的数据进行微调，以及 (iii) 通过在 COVID-19 患者的保留测试数据集上测试模型的性能来模拟本地部署。与仅在 COVID-19 数据上训练的 XGBoost 基准模型相比，我们的方法已显示平均相对/绝对增益为 4.92/4.21% AUC。此外，我们展示了通过聚类识别最有用的历史预训练样本的能力，以及通过归纳迁移扩展已部署模型的任务的能力，以满足无需访问大型历史预训练数据集的医疗保健系统的新兴需求。
swin-fake：一致性学习变压器的深击视频检测器
摘要：DeepFake已成为一项新兴技术，近年来影响网络安全的非法应用。大多数DeepFake检测器都利用基于CNN的模型（例如Xception Network）来区分真实或假媒体；但是，它们在交叉数据集中的表现并不理想，因为它们在当前阶段遭受过度的苦难。因此，本文提出了一种空间一致性学习方法，以三个方面缓解此问题。首先，我们将数据增强方法的选择提高到5，这比我们以前的研究的数据增强方法还多。具体来说，我们捕获了一个视频的几个相等的视频帧，并随机选择了五个不同的数据增强，以获取不同的数据视图以丰富输入品种。其次，我们选择了Swin Transformer作为特征提取器，而不是基于CNN的主链，这意味着我们的方法并未将其用于下游任务，并且可以使用端到端的SWIN变压器对这些数据进行编码，旨在了解不同图像补丁之间的相关性。最后，这与我们的研究中的一致性学习结合在一起，一致性学习能够比监督分类确定更多的数据关系。我们通过计算其余弦距离并应用传统的跨膜损失来调节这种分类损失，从而探索了视频框架特征的一致性。广泛的数据库和跨数据库实验表明，弹药效果可能会在某些开源的深层数据集中产生相对良好的结果，包括FaceForensics ++，DFDC，Celeb-DF和FaceShifter。通过将我们的模型与多种基准模型进行比较，我们的方法在检测深冰媒体时表现出相对强大的鲁棒性。
功能性脑网络稀疏分层表征学习用于预测自闭症严重程度
机器学习算法已广泛应用于自闭症谱系障碍 (ASD) 的诊断工具，揭示了大脑连接的改变。然而，对于基于磁共振成像 (MRI) 的大脑网络是否与大规模队列中的 ASD 症状严重程度有关，人们知之甚少。我们提出了一个基于图卷积神经网络的框架，可以生成稀疏分层图表示以表示功能性大脑连接。我们没有为每个节点分配初始特征，而是利用特征提取器来导出节点特征，并将提取的表示输入到分层图自注意框架中，以有效地表示整个图。通过在特征提取器中结合连接嵌入，我们提出了邻接嵌入网络来表征大脑连接的异构表示。我们提出的模型变体优于具有不同配置的邻接嵌入网络和功能连接矩阵类型的基准模型。使用这种方法和最佳配置（用于节点定义的 SHEN 图集、用于连接性估计的 Tikhonov 相关性和身份邻接嵌入），我们能够以有意义的准确度预测单个 ASD 严重程度：预测和观察到的 ASD 严重程度评分之间的平均绝对误差 (MAE) 和相关性分别为 0.96 和 r = 0.61（P < 0.0001）。为了更好地理解如何生成更好的表示，我们使用典型相关分析研究了提取的特征嵌入和基于图论的节点测量之间的关系。最后，我们对模型进行了可视化，以确定对预测 ASD 严重程度评分最有贡献的功能连接。
车辆跟驰算法的建模与分析对燃油经济性的改善
通讯作者：Ozgenur Kavas-Torris（电子邮件：kavastorris.1@osu.edu）摘要地面车辆的连通性使车辆能够彼此共享关键车辆数据，例如车辆加速度。另一方面，使用摄像头、雷达和激光雷达等传感器，可以检测到领头车辆和主车辆之间的车内距离以及相对速度。协作自适应巡航控制 (CACC) 以地面车辆连通性和传感器信息为基础，形成具有自动跟车功能的车队。CACC 还可用于提高车队中车辆的燃油经济性和移动性能。本文介绍了 3 种用于提高 CAV 燃油经济性的跟车算法。设计了一种自适应巡航控制 (ACC) 算法作为比较的基准模型。设计了一种协作自适应巡航控制 (CACC)，它使用通过 V2V 接收到的领头车辆加速度进行跟车。开发了一种生态合作式自适应巡航控制 (Eco-CACC) 模型，将前车的不稳定加速度视为需要减弱的干扰。设计了一种高级 (HL) 控制器，用于在前车驾驶员不稳定时进行决策。运行模型在环 (MIL) 和硬件在环 (HIL) 仿真，以测试这些跟车算法的燃油经济性性能。结果表明，当前车不稳定时，HL 控制器能够通过使用 CACC 和 Eco-CACC 获得平滑的速度曲线，并且比 ACC 控制器消耗更少的燃料。关键词：跟车；自适应巡航控制 (ACC)；合作式自适应巡航控制 (CACC)；生态合作式自适应巡航控制 (Eco-CACC)；燃油经济性。
ChemPrint：用于增强药物发现的 AI 驱动框架
摘要：传统的高通量筛选 (HTS) 药物发现效率低下。具有临床治疗潜力的化合物的命中率通常为 0.5%，最多只有 2%。深度学习模型将筛选率提高到 28%；然而，这些结果包括与治疗无关浓度的命中、训练集的新颖性不足以及遍历有限的化学空间。这项研究介绍了一种新型人工智能 (AI) 驱动平台 GALILEO 和分子几何深度学习 (Mol-GDL) 模型 ChemPrint。该模型部署了 t 分布随机邻域嵌入 (t-SNE) 数据分割，以在训练期间最大化化学差异，并部署了自适应分子嵌入，以增强预测能力并探索未知的分子领域。回顾性测试时，ChemPrint 的表现优于一组五个模型难以用药的肿瘤靶点 AXL 和 BRD4，使用 t-SNEsplit 实现平均 AUROC 得分 AXL 为 0.897，BRD4 为 0.876，相比之下，基准模型得分范围为 AXL 为 0.826 至 0.885，BRD4 为 0.801 至 0.852。在一项零样本前瞻性研究中，体外测试表明，ChemPrint 提名的 41 种化合物中有 19 种在浓度≤20µM 时表现出抑制活性，命中率为 46%。这 19 个命中报告的平均-最大 Tanimoto 相似度得分相对于其训练集为 0.36，得分为 0.13 （AXL）和 0.10（BRD4）相对于这些目标的临床阶段化合物。我们的研究结果表明，通过在具有最大差异性的数据集上训练和测试 ChemPrint 来增加测试集难度可以增强模型的预测能力。这导致发现具有低治疗浓度和高化学新颖性的高命中率的化合物库。综上所述，所提出的平台设定了新的性能标准。
DigitalCommons@内布拉斯加大学林肯分校
摘要：报告了在 2016–2018 年 CERN LHC 的 CMS 实验记录的质子-质子碰撞数据中寻找重共振和衰变成 e µ 、e τ 和 µτ 终态的量子黑洞，这些数据是在√ s = 13 TeV 时记录的，对应的积分光度为 138 fb − 1 。重建了 e µ 、e τ 和 µτ 不变质量谱，未发现超出标准模型的物理证据。对于轻子味违反信号，截面与分支分数乘积的上限设定为 95% 的置信水平。研究了三个基准信号：R 宇称违反超对称模型中的共振 τ 中微子产生、具有轻子味违反衰变的重 Z ′ 规范玻色子以及具有额外空间维度的模型中的非共振量子黑洞产生。共振 τ 中微子在 e µ 通道中质量不超过 4.2TeV，在 e τ 通道中质量不超过 3.7TeV，在 µτ 通道中质量不超过 3.6TeV 时被排除。具有轻子味破坏耦合的 AZ ′ 玻色子在 e µ 通道中质量不超过 5.0TeV，在 e τ 通道中质量不超过 4.3Te V，在 µτ 通道中质量不超过 4.1TeV 时被排除。基准模型中的量子黑洞在 e µ 通道中阈值质量不超过 5.6TeV，在 e τ 通道中阈值质量不超过 5.2Te V，在 µτ 通道中阈值质量不超过 5.0TeV 时被排除。此外，还提取了与模型无关的限制，以便与具有相同最终状态和类似事件选择要求的其他模型进行比较。这些搜索的结果为发生轻子味道破坏衰变的重粒子提供了对撞机实验中最严格的限制。
CalSim 3 建模更新
要求的行动：使用最新开发的 CalSim 模型平台（通常称为 CalSim 3）获取项目运营建模概述。详细描述/背景：Sites 项目已在 CalSim II 中进行了全面建模和分析，该平台数十年来一直用于模拟加州水务运营。提醒一下，CalSim II 对 Sites BA/ITP 建模分析的结果包含在附件 A 中。CalSim 3 于 2021 年发布，并于 2022 年首次用于全面建模工作。垦务局直到 2023 年中期才发布包含使用 CalSim 3 的 CVP 和 SWP 运营表示的基准模型。随着此基准模型的发布以及在 2023/2024 年 CVP 和 SWP 重新咨询工作中使用 CalSim 3，水务界目前正处于从常规使用 CalSim II 过渡到在 CalSim 3 中开发项目建模表示的过渡状态。CalSim 3 具有更高的空间分辨率和范围（即，模型将提供输出的区域更多，并且模型中模拟了其他较小和/或远程系统）。CalSim 3 还具有延长的模拟期，从 1921 年到 2021 年长达 100 年，同时表示动态地下水-地表水相互作用。CalSim 3 也具有不同的模型结构，将 Sites 项目纳入 CalSim 3 模型是一项艰巨的工作。但是，过渡到 CalSim 3 模型平台可确保管理局可以继续使用可与代表其他主要水基础设施和运营的其他模型“通信”的 Sites 建模平台。迄今为止，Sites CalSim 3 模型的开发工作已涵盖该项目的物理基础设施（例如水库和管道）以及引水和蓄水。团队目前正在最终确定该项目的放水方案，包括三角洲南部成员水账户运营和垦务局账户运营。用于实施 Sites 运营的每日计算也正在开发和整合中。与奥罗维尔的交换也正在纳入其中。