XiaoMi-AI文件搜索系统
World File Search System学习方法
一种脑肿瘤分割的持续学习方法
脑肿瘤的特征是脑组织异常生长，因其对全球发病率和死亡率的影响而成为一项重大的医学挑战。脑肿瘤有多种表现形式，从良性到恶性，后者尤其具有侵袭性且易于转移 (1)。脑肿瘤的病因复杂，包括放射线暴露、遗传易感性和家族史等因素，因此需要早期发现和准确诊断 (2)。在脑肿瘤诊断领域，磁共振成像 (MRI) 因其更高的空间分辨率和软组织对比度而成为优于计算机断层扫描 (CT) 的检查方式。这使得 MRI 成为脑肿瘤病例术前评估、治疗管理和生存预测所必需的 (3)。然而，MRI 扫描中传统的手动分割方法虽然是黄金标准，但却存在固有的效率低下和主观差异性，因此有必要探索自动化技术 (4、5)。近年来，深度学习模型（例如 Ma 等人提出的模型）在自动脑肿瘤分割方面取得了重大成功。这些模型擅长捕捉局部和全局上下文特征，但通常会遇到梯度消失和过拟合的问题，尤其是在较深的网络层中。Kumar 等人（7）通过将 ResNet50 与全局平均池化相结合来解决这些问题，以增强各种肿瘤类型的肿瘤分类。在此基础上，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。我们的方法与现有技术不同，它集成了多尺度空间蒸馏和伪标记策略。这种方法不仅克服了以前模型中出现的梯度消失和过拟合的局限性，而且还解决了灾难性遗忘问题——这是连续学习模型中常见的挑战。与依赖于保留数据的传统方法不同，我们的研究引入了一种先进的连续学习框架，用于从 MRI 图像中分割脑肿瘤，如图 1 所示。
锻造图像检测的机器学习方法
抽象图像伪造检测是数字取证的关键领域，试图发现图像中的受操纵区域以确保其真实性和完整性。本研究研究了机器学习技术的使用，尤其是用于图像欺诈检测的卷积神经网络。建议的方法涉及训练分类器，以使用提取的功能或补丁区分原始图像和假冒图像。图像数据集分为本研究中的训练和测试集，以促进与原始图像相对应的贴片上的CNN培训。然后使用其他测试集评估了受过训练的模型识别假冒区域的准确性。为了衡量基于CNN的伪造检测系统的有效性，使用了评估标准，例如准确性，精度和召回率。使用调谐参数的VGG16网络实现了99.15％的精度。
医疗保险欺诈检测的深度学习方法
医疗保健欺诈是一项全球财务挑战，影响了经济稳定和对服务的信任，传统的机器学习模型努力准确地捕捉其复杂性和适应性。这项研究研究了三种深度学习（DL）模型的应用，即人工神经网络（ANN），卷积神经网络（CNN）和长期记忆网络（LSTM）在医疗保健欺诈检测中的应用。本研究使用医疗保健索赔数据，包括患者人口统计数据，索赔金额，诊断代码和程序类型，以分析医疗保健服务的使用并确定欺诈活动。为了增强这些模型的可解释性，使用了局部解释的模型不足的解释（LIME）。评估结果表明，ANN是最佳性能，精度为0.94，精度为0.78，召回0.45，F1得分为0.57。尽管CNN在准确性上表现出色，但LSTM在减少虚假负面方面具有更大的影响。ANN的石灰显示了声称非伪造性的预测，高概率为0.96，而不是用“潜在抛弃”作为欺诈行为的0.03概率，作为驾驶指标，评估指标表明，它在正确识别欺诈性的情况下很好地表明，它很好。这项研究强调了将深度学习模型与可解释的AI（XAI）整合在一起的效果，这为医疗保健保险欺诈检测中不断增长的研究机构做出了贡献。
使用机器学习方法的心脏病预测
摘要 - 心脏病也称为冠状动脉疾病，许多心脏影响如今非常普遍的症状，并导致死亡。在没有任何智能诊断系统的情况下诊断心脏病是一项具有挑战性的任务。许多研究人员对此进行了研究，并开发了一种诊断系统来诊断心脏病并致力于诊断。心血管疾病的预测需要患者的简短病史，包括遗传信息。世界急需预测心脏病的系统，并且变得至关重要。数据挖掘和机器学习是医疗保健领域中使用的常见技术，可以处理大型且复杂的数据。本研究论文介绍了心脏病的原因和基于机器学习算法预测的模型。
catnet：键的小样本传输学习方法...
拟人化是人类精神状态对非人类实体的归因。这项研究的目的是开发日语版本的拟人化问卷中的个体差异（IDAQ-J），并通过三项研究来检查其因子结构，可靠性和有效性。因素分析表明，IDAQ-J具有三个一阶因子（拟人化自然实体，技术设备和非人类动物）和一个二阶因子（一般拟人化）。IDAQ-J表现出较高的一致性和中等测试可靠性。在有效性方面，IDAQ-J与自然和机器的拟人化表现出了中等的积极关系，并且预测与机器人和目的论信念相互作用的负面情绪低下。另一方面，IDAQ-J表现出与非人类动物的拟人化，对自然保护的态度以及对机器人的恐惧的弱关系。需要进一步的研究来解释IDAQ-J的有效性。
机器学习方法识别人类情感
情绪识别在人际交往中至关重要，因为它可以指导个体对他人的感受做出适当的反应（Dzedzickis 等人，2020 年；Li 等人，2021 年）。不幸的是，被诊断患有神经发育障碍的人往往难以感知和理解情绪，从而限制了他们与他人的互动（Livingston and Happé，2017 年）。帮助这些人的一个解决方案是利用当前人工智能 (AI) 的兴起来开发数据驱动的方法，能够从不同来源预测情绪，例如大脑和外周生物信号、面部表情、语音、文本等（Bota 等人，2019 年）。在这个研究主题中，我们通过展示七篇高质量的手稿来解决这个方向，这些手稿应用人工智能和机器学习 (ML) 从生理信号、图像或文本中识别情绪。我们的期刊与其他当代情绪识别相关文献不同，它包括了试图从不同来源识别情绪的论文，从而接近从不同角度预测情绪的共同目标。下面总结了关于这个主题的已发表研究论文，将其分为五个主要部分。
预测的混合学习方法... - PHM 协会
在数十年的数据收集过程中，人们试图利用基于状态维护 (CBM) 方法中的运行时间序列数据来优化军用车辆的生命周期管理和可靠性、可用性和可维护性 (RAM)，但遇到了许多障碍。这些障碍困扰着民用地面车辆、飞机和其他复杂系统的类似方法。运行数据的分析至关重要，因为它代表着对系统状态的连续记录。将基本的数据分析应用于运行数据可以提供诸如燃料使用模式或观察到的一辆车辆甚至一个车队的可靠性等见解。但是，监测这些数据的趋势并分析其随时间变化的模式可以深入了解车辆、复杂系统或车队的健康状况，预测平均故障时间或汇编物流或生命周期需求。由于从车辆传感器收集的数据量巨大，数据中观察到的集群与故障或计划外维护事件之间缺乏关联，以及时间序列数据的无监督学习技术不足，因此在运营时间序列数据集上进行此类高性能数据分析 (HPDA) 一直很困难。我们提出了一种在车辆运行数据中发现模式的方法，该方法确定了预测即将发生故障的可能性的模型，称为基于参数的指标 (PBI)。我们的方法是一个数据驱动的应用程序
可再生微电网故障检测的机器学习方法
摘要 本研究重点研究和使用机器学习 (ML) 方法来识别可再生微电网中的故障。它强调了与这些动态能源系统相关的困难和复杂性。对从太阳能和风能生产、电池存储状态、故障信号和机器学习模型性能中获得的实际数据的检查突出了可再生微电网中故障检测技术的复杂性。对可再生能源生产数据的分析表明，太阳能和风能的输出存在波动，突出了某些时间段内约 5-10% 的差异，从而说明了可再生能源的间歇性特性。同时，微电网内电池中存储的能量在时间间隔内逐渐下降约 3-5%，表明可能对系统稳定性产生影响。故障检测信号显示出不稳定的模式，这强调了在系统内部查找和分类问题所涉及的复杂性。对机器学习模型的评估（包括监督和无监督学习方法）揭示了许多性能指标。监督模型的准确率更高，通常在 85% 到 90% 之间。但是，它们容易偶尔出现错误分类。相比之下，无监督模型的准确率中等，通常在 75% 到 80% 之间。它们在检测故障方面表现出灵活性，但其精度有限。该研究强调需要结合使用监督和无监督机器学习模型来提高可再生微电网故障检测的准确性。这些结果为了解故障检测程序的复杂性和困难性提供了宝贵的见解，这可能有助于进一步提高可再生微电网系统的可靠性和耐用性。
药物反应预测的深度学习方法
癌症每年夺走全球数百万人的生命。尽管近年来已经出现了许多治疗方法，但总体而言，癌症仍未得到解决。利用计算预测模型研究和治疗癌症在改善药物开发和个性化治疗方案设计方面具有巨大前景，最终可以抑制肿瘤、减轻痛苦并延长患者的生命。最近一批论文展示了利用深度学习方法预测癌症对药物治疗反应的有希望的结果。这些论文研究了不同的数据表示、神经网络架构、学习方法和评估方案。然而，由于探索的方法多种多样，并且缺乏用于比较药物反应预测模型的标准化框架，因此很难解读有希望的主流和新兴趋势。为了获得深度学习方法的全面概况，我们对预测单一药物治疗反应的深度学习模型进行了广泛的搜索和分析。我们总共整理了 60 个基于深度学习的模型，并生成了摘要图。基于分析，揭示了可观察的模式和方法的流行程度。通过这次审查，我们可以更好地了解该领域的现状，并确定主要挑战和有希望的解决方案。
在哪里建立食物银行：机器学习方法
摘要 目前有超过 4400 万美国人饱受粮食短缺之苦，其中 1300 万是儿童。粮食短缺已导致一系列身体和发育问题。在美国各地，数以千计的食品银行和食品储藏室是粮食短缺家庭的重要食物和其他形式援助来源。通过优化食品银行的位置，急需食物的家庭将更容易获得食品银行及其资源。本文旨在构建一个机器学习框架，该框架能够优化食品银行的位置并考虑中等收入等因素。我们为此使用了 K 均值聚类算法，因为它具有高处理速度和考虑大量数据的能力，以及其无监督性质，不需要训练时间或标记训练数据。我们提出的方法将 K 均值应用于来自加利福尼亚州和印第安纳州美国人口普查和地理空间数据的一系列房屋，并在有收入数据时应用加权 K 均值算法。我们创建了旨在优先考虑低收入家庭的食品银行位置，并将这些位置与 Feeding America 下属的真实食品银行进行了比较。我们的结果表明，不仅 K-means 速度极快，而且我们的食品银行位置平均比现有的食品银行位置更好，缩短了加利福尼亚州和印第安纳州食品银行与家庭之间的距离。