XiaoMi-AI文件搜索系统
World File Search System对比
各州人工智能执行顺序对比表_2023-12-05
● 为一般和联邦机构的人工智能使用制定协调的指导方针和最佳实践（第 4.1（a）（i）、10.1、12（a）节）● 执法权：跨机构协调评估解决算法歧视的权力（第 7.1（a）（ii）节）● 关键基础设施：提供风险评估，开发相关工具，并将人工智能风险管理框架纳入相关安全指南（第 4.1（b）、4.3（a）节）● 安全：评估网络和生物安全工具，并为国家安全和人工智能治理提供指导（第 4.1-4.4、4.6-4.8 节）● 身份验证：为检测人工智能生成的内容和验证数字内容制定指南（第 4.5 节）● 创新与竞争：为外国人工智能专家提供签证/工作机会，实施国家人工智能研究资源，并优先考虑人工智能人才库和资金（第 5.1-5.3 10.2）● 劳工：提交有关人工智能市场影响的报告，发布雇主的最佳实践，并为承包商提供有关使用人工智能招聘的非歧视指导（第 6 条、7.3（a））● 公民权利：评估人工智能在刑事司法系统、公共福利系统、住房市场和招聘过程中的使用和潜在偏见；并发布关于承包商在招聘中不歧视的指导（第 7.1 至 7.3 节）● 签订合同：确保人工智能系统和服务的机构合同符合本行政令和适用法律（第 10.1(d)(ii) 节）● 医疗保健和教育：制定在医疗保健和教育领域部署人工智能的战略计划（第 8(b)、8(d) 节）● 隐私：审查使用相关隐私工具的机会（第 9 节）● 国际发展：与利益相关者协调人工智能标准（第 11 节）● 人工智能专家：每个机构必须指定一名个人担任首席人工智能官（第 10.1(b)(i) 节）
引用风扇J，Tao L，Zhan W，Li W，Kuang L，Zhao Y和Zhou W（2024）对比造影剂的定性和定量参数的诊断值
分化的甲状腺癌（DTC）（1）包括乳头状甲状腺癌（PTC），卵泡甲状腺癌（FTC）及其变异亚型（2），是最常见的内分泌恶性肿瘤，并且最近几年的发病率迅速增加。DTC通常具有良好的预后，碘131治疗和甲状腺抑制剂已被证明对10年生存率的患者有益，范围为80％至95％（3，4）。然而，大约5％-20％的病例可能由于基因突变引起的肿瘤生物学变异，导致不同的亚型和预后不良，这可能与高度浸润性肿瘤的生物学特征有关（5）。因此，甲状腺结节的鉴别诊断仍然很明显。对比增强超声（CEU）可以实时评估组织的微循环灌注（6），提供准确可靠的数据，并且可以避免由个体差异引起的诊断错误（7）。由于甲状腺正常组织中的微容器的丰度，它显示出造影剂后的快速和均匀增强。然而，甲状腺结节具有不同的血管生成模式，并且CEUS上的表现可能不同（8）。先前的研究报道了甲状腺结节的CEUS特征，但是，大多数是基于结节内部（9-11），而CEUS上甲状腺结节的增强模式仍然没有足够的能力来诊断甲状腺癌（12）。到目前为止，只有一项研究重点介绍了结节周围区的CEU特征（13）。这项研究的目的是通过研究甲状腺结节的内部和外围区域的定性和定量参数来评估CEU在DTC的鉴别诊断中的价值。
ALPINE：利用对比学习改进远程心率估计
心率 (HR) 是人体健康的重要生理指标，可用于检测心血管疾病。传统的 HR 估计方法，例如心电图 (ECG) 和光电容积描记器，需要皮肤接触。由于皮肤接触会增加病毒感染的风险，在正在发生的 COVID-19 大流行中避免使用这些方法。或者，可以使用非接触式 HR 估计技术，即远程光电容积描记器 (rPPG)，其中 HR 是根据人的面部视频估计的。不幸的是，现有的 rPPG 方法在面部变形的情况下表现不佳。最近，用于 rPPG 的深度学习网络激增。然而，这些网络需要大规模标记数据才能更好地泛化。为了缓解这些缺点，我们提出了一种方法 ALPINE，即一种新的 L r P PG 技术，用于使用对比学习来改进远程心率估计。 ALPINE 在训练过程中利用对比学习框架来解决标记数据有限的问题，并在数据样本中引入多样性以实现更好的网络泛化。此外，我们引入了一种新颖的混合损失，包括对比损失、信噪比 (SNR) 损失和数据保真度损失。我们的新颖对比损失最大化了来自不同面部区域的 rPPG 信息之间的相似性，从而最大限度地减少了局部噪声的影响。SNR 损失提高了时间信号的质量，数据保真度损失确保提取正确的 rPPG 信号。我们在公开数据集上进行的大量实验表明，所提出的方法 ALPINE 优于以前众所周知的 rPPG 方法。
大脑中线移位检测和通过级联的深层网络管道对非对比度计算机断层扫描
大脑中线移位（MLS）是一种定性和定量的放射学特征，它可以衡量脑中线结构的横向移位，以响应由血肿，肿瘤，脓肿或任何其他占据脑膜内病变引起的质量效应。可以使用其他参数来确定神经外科干预的紧迫性，并预测占据病变的患者的临床结果。然而，由于跨病例的临床相关大脑结构的差异很大，因此精确检测和量化MLS可能具有挑战性。在这项研究中，我们通过使用分类和分割网络架构来研究了由病例级MLS检测以及脑部标记位置的初始定位以及对脑部标记位置的最初定位和完善的级联网络管道。我们使用3D U-NET进行初始定位，然后使用2D U-NET来估计更精确的分辨率的确切地标点。在改进步骤中，我们从多个切片中融合了预测，以计算每个地标的最终位置。，我们用大脑的解剖标记产生的高斯热图目标训练了这两个UNET。案例级别的地面真相标签和地标注释是由多个训练有素的注释者产生的，并由放射学技术人员和放射科医生进行了审查。我们提出的管道实现了使用2,545个头部非对比度计算的测试数据集在AUC中的情况级MLS检测性能
recore：正式化对比度表示世界模型
虽然最近的无模型增强学习（RL）方法已经证明了人类水平在游戏环境中的有效性，但它们在视觉导航等日常任务中的成功受到了限制，尤其是在很明显的外观变化下。此限制来自（i）样本效率不佳和（ii）对培训方案的过度效果。为了应对这些挑战，我们提出了一种世界模型，该模型使用（i）对比不受监督的学习和（ii）干预不变的统治者学习不变特征。学习世界动态的明确表示世界模型，提高样本效率，而对比度学习隐含地实施不变特征的学习，从而改善了概括。，随着对比的损失与世界模式的na'整合还不够好，因为基于世界模型的RL方法独立地优化表示表示和代理策略。为了克服这个问题，我们提出了一种干预 - 不变的正规剂，其形式是辅助任务，例如深度预测，图像DeNoising，图像分割等，以明确执行不变性以进行样式的干预。我们的方法优于当前基于最新的模型和不含模型的RL方法，并显着改善了IGIBSON基准测试中评估的分数范围内导航任务。仅使用视觉观察，我们进一步证明了我们的方法超过了最近的语言引导导航基础模型，这对于在计算功能有限的机器人上部署至关重要。最后，我们证明了我们提出的模型在吉布森基准上其感知模块的SIM到真实传输方面表现出色。
摘要 研究：AI 社会认知评估与建模。评估 LLM 中的心智理论及其在心理学中的应用 NLP：LLM IFT、表征学习（对比和三重态损失）、语义聚类、总结 DL：Transformers、MoE、EncDec、RNNs、DPO、LoRA 工具：Python、Pytorch、Deepspeed、AWS Sagemaker、hydra、SQL 管理：建立 ML 团队、职能、策略和 OKR、招募和指导科学家和实习生以及建立数据和注释伙伴关系。
摘要 研究：AI 社会认知评估与建模。评估 LLM 中的心智理论及其在心理学中的应用 NLP：LLM IFT、表征学习（对比和三重态损失）、语义聚类、总结 DL：Transformers、MoE、EncDec、RNNs、DPO、LoRA 工具：Python、Pytorch、Deepspeed、AWS Sagemaker、hydra、SQL 管理：建立 ML 团队、职能、策略和 OKR、招聘和指导科学家和实习生以及建立数据和注释合作伙伴关系。
重新思考多对比度MRI超分辨率：矩形...
最近，几种方法探索了多对比磁共振成像（MRI）超分辨率（SR）的潜力，并获得了优于单对比SR方法的结果。但是，现有方法仍然存在两个缺点：（1）它们只能解决固定的Inter Intermpling量表，例如2×，3×和4倍，它们需要培训并存储临床上每个UPSMPLAING SCALE的相应模型。（2）他们在采用方形窗口（例如8×8）变形金刚网络档案时缺乏直接交互，这导致长范围依赖性的建模不足。此外，参考图像和目标图像之间的关系尚未完全挖掘。为了解决这些问题，我们开发了一个新颖的网络，用于多对比度MRI任意规模的SR，被称为McASSR。具体来说，我们设计了矩形窗口交叉注意变压器，以在MR图像中建立长期依赖性，而无需增加计算复杂性并完全使用参考信息。此外，我们提出了参考吸引的隐式关注，作为提升的模式，通过隐式神经表示实现了任意规模的超分辨率，进一步融合了参考图像的补充信息。在公共和临床数据集上进行了广泛而全面的实验表明，我们的MCASSR比SOTA方法产生了卓越的性能，这表明其在临床实践中的巨大潜力。代码将在https：//github.com/guangyuankk/mcassr上找到。
探索基于深度学习的大脑MRI-TO-CT合成中的对比度概括
背景：已提出合成计算机断层扫描（SCT），并越来越多地采用以实现基于磁共振成像（MRI）的放射疗法。深度学习（DL）最近证明了从固定MRI采集中生成准确的SCT的能力。但是，由于模型概括不良，MRI方案可能会随着时间的推移而随着时间的流逝而变化或不同。目的：研究域随机化（DR）以增加脑SCT生成DL模型的概括。方法：收集了95例接受RT患者的CT和相应的T 1加权MRI，带有 /无对比度，T 2加权和FLAIR MRI，考虑到可以研究概括的未见序列的能力。“基线”生成对抗网络进行了 /没有天赋序列的训练，以测试模型在没有DR的情况下的性能。基于SCT的剂量计划的图像相似性和准确性对CT进行了评估，以选择针对基线的表现最佳的DR方法。结果：基线模型在FLAIR上的性能最差，平均绝对误差（MAE）= 106±20.7 HU（平均值±σ）。在MAE = 99.0±14.9 HU的DR模型中，Flair上的性能显着提高，但仍然不如基线 + Flair模型的性能（MAE = 72.6±10.1 HU）。同样，对于DR VS基线，获得了γ速率的提高。结论：DR提高了仅在获得的MRI上训练的未见序列上的图像相似性和剂量准确性。DR使模型更加稳健，从而减少了在未见序列上应用模型时重新训练的需求，并且无法进行重新训练。
基于能量的模型的流对比估计
本文研究了一种联合估计基于能量的模型和基于流的模型的训练方法，其中两个模型基于共享的对抗值函数进行迭代更新。该联合训练方法具有以下特点：（1）基于能量的模型的更新基于噪声对比估计，流模型作为强噪声分布。（2）流模型的更新近似地最小化了流模型与数据分布之间的 Jensen-Shannon 散度。（3）与生成对抗网络（GAN）估计由生成器模型定义的隐式概率分布不同，我们的方法估计数据上的两个显式概率分布。使用所提出的方法，我们证明了流模型的综合质量的显著改进，并展示了通过学习到的基于能量的模型进行无监督特征学习的有效性。此外，所提出的训练方法可以轻松适应半监督学习。我们取得了与最先进的半监督学习方法相媲美的成果。
