XiaoMi-AI文件搜索系统
World File Search System多维数据
第一单元 什么是人工智能？根据人工智能之父的说法...
计算机视觉是一个跨学科领域，研究如何让计算机从数字图像或视频中获得高层次的理解。从工程角度来看，它寻求使人类视觉系统能够完成的任务自动化。计算机视觉涉及从单个图像或图像序列中自动提取、分析和理解有用信息。它涉及开发理论和算法基础以实现自动视觉理解。作为一门科学学科，计算机视觉涉及从图像中提取信息的人工系统背后的理论。图像数据可以采用多种形式，例如视频序列、来自多个摄像机的视图或来自医学扫描仪的多维数据。作为一门技术学科，计算机视觉寻求将其理论和模型应用于计算机视觉系统的构建。
aida
许多无监督的异常检测算法依赖于最近的邻居的概念来计算异常得分。这种算法很受欢迎，因为对数据没有任何假设，这使它们成为非结构化数据集的强大选择。然而，严重影响模型性能的最近邻居的数字（k）不能在无监督的设置中调整。因此，我们提出了新的和无参数的分析隔离和基于距离的异常（AIDA）检测al-gorithm，将距离的指标与隔离相结合。基于AIDA，我们还介绍了基于钢化的隔离解释（TIX）算法，该算法确定了最相关的特征，即使在大型多维数据集中，也可以提高离群值，从而提高了检测机制的整体解释性。AIDA和TIX都经过了彻底的测试，并将其与最先进的替代方案进行了比较，事实证明是对异常检测中现有工具集的有用补充。
临床肿瘤学的人工智能
临床肿瘤学正在经历为加强癌症治疗而收集的数据的快速增长。随着人工智能 (AI) 领域的最新进展，现在有了计算基础来整合和综合这些不断增长的多维数据、推断模式和预测结果，以改善患者和临床医生的共同决策。虽然潜力巨大，但仍然存在重大挑战。从这个角度来看，我们提出了一种针对窄任务 AI 应用的临床癌症护理接触点途径，并回顾了一些应用。我们描述了 AI 临床转化所面临的挑战并提出了解决方案。我们还提出了将 AI 融入个性化患者护理的前进道路，重点是临床有效性、实用性和可用性。通过在当前临床肿瘤学 AI 应用的背景下阐明这些问题，我们希望帮助推进有意义的研究，最终将其转化为现实世界的临床应用。
基于机器学习模型的全球气候变化预测的研究
摘要。气候预测模型传统上依靠复杂的物理方程来模拟气候系统的动力学，但是这些模型通常需要大量的计算资源和长时间的计算长度。近年来，机器学习技术显示出巨大的模式识别和预测潜力。具体来说，由于它们在处理大规模数据集方面的优势，机器学习模型已成为气候科学领域的热门研究方向。在这项工作中，我们提出了一个基于卷积神经网络（CNN）模型，该模型能够处理和分析来自卫星的大规模气候数据集，包括多维数据，包括温度，气压，湿度和CO2浓度。输入是历史气候数据，空间特征是通过卷积层提取的，然后通过完全连接的层执行特征融合和最终预测输出。最后，我们利用历史气候数据作为训练集，并在多个时间段内对数据进行了测试。结果表明，与传统物理模型相比，基于CNN的模型在预测全球平均温度变化，降水和极端天气事件时提供了更高的准确性和较低的预测错误。
计算机视觉
引言 CV 被定义为一个研究领域，旨在开发技术来帮助计算机“看到”和理解数字图像（如照片和视频）的内容。计算机视觉的问题很简单，因为人们，甚至是很小的孩子都可以轻易解决它。本文介绍了计算机技术的发展以及正在研究的新方法，这些方法可以改变计算机环境和人类的观点。处理从现实世界中提取高维数据以产生计算机可以解释的数字或符号信息。图像数据可以采用多种形式，例如视频序列、来自多个摄像机的视图或来自医学扫描仪的多维数据。作为一门技术学科，计算机视觉寻求将其理论和模型应用于计算机视觉系统的构建。作为一门科学学科，计算机视觉关注从图像中提取信息的人工系统背后的理论。一个多学科领域，可以广泛地称为人工智能和机器学习的一个子领域，它可能涉及使用专门的方法并利用一般学习
癌症生物学研讨会
胃癌是全球癌症发病率和死亡率的主要原因。最近，人工智能方法，特别是机器学习和深度学习，正在迅速重塑胃癌临床管理的全过程。机器学习是由计算机运行重复迭代模型以逐步提高特定任务的性能而形成的。深度学习是机器学习的一个子类型，基于受人脑启发的多层神经网络。本综述总结了人工智能算法在多维数据（包括临床和随访信息、常规图像（内窥镜、组织病理学和计算机断层扫描 (CT)）、分子生物标志物等）中的应用，以改善具有已知风险因素的胃癌风险监测；确定胃癌患者的诊断准确性和生存预测；以及预测治疗结果以协助临床决策。因此，人工智能对胃癌的几乎所有方面都产生了深远的影响，从改善诊断到精准医疗。尽管如此，大多数成熟的基于人工智能的模型都是基于研究的形式，在现实世界的临床实践中往往价值有限。随着人工智能在临床中的应用越来越广泛，我们期待人工智能驱动的胃癌治疗的到来。
使用在线光子独立成分分析...
摘要：独立成分分析 (ICA) 是一种通用技术，用于分析多维数据以揭示彼此最大程度独立的底层隐藏因素。我们报告了第一个通过采用片上微环 (MRR) 权重库对未知信号混合进行的光子 ICA。MRR 权重库对接收到的混合信号执行所谓的加权加法（即乘法累加）运算，并输出感兴趣信号的单个降维表示。我们提出了一种新颖的 ICA 算法，仅基于加权加法输出的统计信息来恢复独立成分，同时不仅对原始源而且对混合信号的波形信息都保持盲目性。我们研究了通道可分离性和近远问题，我们的双通道光子 ICA 实验表明我们的方案与传统的基于软件的 ICA 方法具有相当的性能。我们的数值模拟验证了所提出方法的保真度，并研究了噪声效应以确定我们方法的运行方式。所提出的技术可以为盲源分离、微波光子学和片上信息处理的未来研究开辟新的领域。
重症监护医学中的人工智能
引言随着护理标准的提高，危重患者的临床结果已显著改善并达到了前所未有的水平[1]。然而，传统的重症监护实践在理解病情的复杂性、处理极端的个体异质性、预测病情恶化以及在失代偿前提供早期治疗策略方面仍然存在局限性。重症监护医学已经见证了先进的监测系统和各种非侵入性和侵入性治疗策略的出现，为危重患者提供及时干预。这些系统的融合是否代表着床边护理改善的下一步，是一种现有但未经证实的可能性。人工智能 (AI) 的简化概念是允许计算机在多领域和多维数据的复杂环境中找到模式，前提是这些模式不会被其他方式识别。以前，将这一概念应用于现实生活中需要大量的计算时间和资源。这只能在有限的领域完成，包括物理学或天文学。然而，随着计算能力和便携性的迅猛增长，人工智能的力量已为许多人所用。
使用虚拟现实实时分析 COVID 疫情
摘要。在大数据时代，有效地可视化数据对于发现过程至关重要。我们正在探索使用沉浸式虚拟现实平台对 COVID-19 大流行进行科学数据可视化。我们感兴趣的是在认知技术和人机交互领域寻找更好地理解、感知和与多维数据交互的方法。沉浸式可视化可以更好地理解和感知数据中的关系。本文介绍了一种基于 Unity 开发平台的沉浸式数据可视化工具。该数据可视化工具能够可视化美国五十个州的实时 COVID 大流行数据。与传统的桌面可视化工具相比，沉浸式可视化可以更好地理解数据，并带来更多以人为本的态势感知洞察。这项研究旨在确定虚拟现实工具中描绘的图表和条形图等图形对象如何根据分析师的心理模型开发，从而增强分析师的态势感知。我们的结果还表明，用户在使用沉浸式虚拟现实数据可视化工具时会感到更加满意，从而展示了沉浸式数据分析的潜力。
人工智能和信息系统应对供应链中断的弹性
摘要 — 人工智能 (AI) 作为一种技术，有可能在供应链中断等动态情况下解释和评估涉及多维数据的替代方案。本研究旨在探索弹性信息系统 (RIS) 在最小化供应链运营中断情况下的风险程度方面的作用。这项研究以定性模式进行，通过对供应链专业人员的半结构化访谈计划进行。主题分析已用于创建新兴类别。这项研究的结果揭示了当前信息系统中的关键差距，并展示了面向人工智能的系统如何促进中断供应链的生态系统，以节省成本并提高多个参数的效率。该研究还提出了一个概念框架，其中可以联合查看组织价值观和架构组件，以便在复杂和不确定的中断中做出快速和充分的业务决策。该框架介绍了人工智能、信息系统和供应链中断之间的关系。安装适当的基于人工智能的数据采集、处理和自我训练能力以及信息系统基础设施可以帮助组织减轻供应链中断的影响，同时协调运输网络并确保地理上合适的供应链和网络安全。最后，描述了理论和实践的意义以及未来研究的局限性和范围。