XiaoMi-AI文件搜索系统
World File Search System性预
使用Mobilenet转移学习模型和Shap XAI技术改善交通事故严重性预测
交通事故仍然是死亡，伤害和高速公路严重中断的主要原因。理解这些事件的促成因素对于提高道路网络安全性至关重要。最近的研究表明，预性建模在洞悉导致事故的因素方面具有效用。但是，缺乏重点放在解释复杂的机器学习和深度学习模型的内部工作以及各种特征影响事故词典模型的方式。因此，这些模型可能被视为黑匣子，而利益相关者可能不会完全信任他们的发现。这项研究的主要目的是使用各种转移学习技术创建预测模型，并使用Shapley值对最有影响力的因素提供见解。预测合格中伤害的严重程度，多层感知器（MLP），卷积神经网络（CNN），长期短期记忆（LSTM），残留网络（RESNET），EfficityNetB4，InceptionV3，InceptionV3，极端的Incep-Tion（Xpection）（Xpection）（Xpection）和Mobilenet和Mobilenet。在模型中，MobileNet显示出最高的结果，精度为98.17％。此外，通过了解不同的特征如何影响事故预测模型，研究人员可以更深入地了解导致事故的造成的范围，并制定更有效的干预措施以防止发生事故。
严重程度依赖性间歇性白质连接性预测冲程后忽视恢复
研究文章|行为/认知严重程度依赖性间的白色物质连接性预测逃亡后疏忽恢复https://doi.org/10.1523/jneurosci.1311-23.2024收到：2023年7月13日被修订：2023年12月15日接受：2024年3月15日，2024年3月15日copyright copyright©2024 DIV>
基于深度学习、注意力机制和基于能量的不确定性预测的脑肿瘤分割
脑肿瘤是最致命的癌症之一，死亡率超过 80%。快速准确的诊断对于提高生存机会至关重要。然而，在医学分析中，脑肿瘤的手动注释和分割可能很复杂。通常会分析多种 MRI 模式，因为它们提供有关肿瘤区域的独特信息。虽然这些 MRI 模式有助于分割神经胶质瘤，但它们往往会增加过度拟合和计算。本文提出了一种感兴趣区域检测算法，该算法在数据预处理期间实施，以定位显着特征并删除无关的 MRI 数据。这减少了输入大小，从而允许更积极的数据增强和更深的神经网络。在对 MRI 模态进行预处理之后，完全卷积自动编码器使用通道自注意力和注意力门对不同的脑部 MRI 进行分割。随后，使用测试时间增强和基于能量的模型进行基于体素的不确定性预测。在 BraTS 19、20 和 21 基准上进行了实验，所提出的模型在每个数据集上的平均骰子分数分别为 84.55、88.52 和 90.82，实现了最先进的分割性能。此外，定性结果用于评估分割模型和不确定性预测。这项工作的代码可在线获取：https：//github.com/WeToTheMoon/BrainTumorSegmentation。
通过机器学习和日内通用性预测的波动性预测*
我们将机器学习模型应用于预测盘中实现的波动性（RV），通过将库存数据合并在一起，并通过纳入市场波动的代理来利用盘中波动性的通用性。神经网络在性能方面主导了线性回归和基于树的模型，因为它们能够发现和建模变量之间的复杂潜在相互作用。当我们将经过训练的模型应用于培训集中尚未包括的新股票时，我们的发现重新稳定，从而为股票之间的普遍波动机制提供了新的经验证据。最后，我们提出了一种新的方法来预测使用过去的室内RV作为预测指标的1天预先启动RV，并突出显示了有助于预测机制的有趣时间效应。结果表明，所提出的方法与仅依靠过去每日RV的强大传统基线相比，产生了较高的样本外预测。
第二个清晰度预测挑战：助听器可理解性预测的机器学习挑战
本文报告了第二个清晰性词典挑战（CPC2）的设计和结果，以预测听力障碍的人听到的助听器处理信号的清晰度。挑战旨在促进新方法，以估算可用于未来助听器算法开发的助听器信号的清晰度。它在许多关键方向上扩展了较早的一轮（CPC1，2022），包括来自新的语音清晰度聆听的较大数据集，测试材料的可变性更大，以及一个需要预测系统才能推广到不看见的Al-Gorithms和听众的设计。本文提供了有关新公开可用的CPC2数据集，CPC2挑战设计和基线系统的完整描述。挑战吸引了9个研究团队的12个系统。审查了系统，其性能是分析的，并提出了结论，参考了自早期CPC1挑战以来所取得的进展。，可以看到基于预训练的大声学模型的无参考，非侵入性系统如何在这种情况下表现良好。
使用复杂系统建模和与动态模型进行比较的北大西洋大气循环的概率季节性预测
北大西洋喷气流强烈影响西北欧洲的天气，并在确定北大西洋大气循环指数（如北大西洋振荡（NAO），东大西洋（EA）模式）和斯堪的纳维亚（SCA）模式的强度和迹象中发挥了重要作用； the anomalous weather pat- terns of a particular season can be described by the inter- play of these modes of variability (Hall & Hanna, 2018 ).最近的极端季节的特征是不同的喷气流配置，喷气强度和位置与西北欧洲各地经验丰富的极端天气条件（例如，在温度和降水量）之间有着密切的联系（Hall＆Hanna，2018年）。极端的季节性天气在避免风险方面具有重要的社会经济影响，其成本对保险业（例如，2013/14年冬季英国的15亿英镑（Davies，2014年））对农业，粮食安全，能源供应，公共健康/公共卫生/福祉和恶劣天气计划的影响。直到最近，北大西洋大气变异性很大程度上是由于不可预测的波动（Stephenson等，2000）。然而，动态季节性预测系统已被用来开发熟练的季节性预测，从未来几个月开始为英国冬季天气（Scaife等，2014）。这些喷气流变异性的驱动因素可以互相反对或加强，并且有迹象表明它们之间的相互作用（Hall等，2019）。喷射流变异性的驱动因素显示出季节性变化和喷气流变异性的独特驱动因素在不同的海子中起作用。Many fac- tors (drivers) appear to influence the NAO and jet-stream changes, and these potential drivers can be broadly grouped into cryosphere effects from variations in sea-ice extent and snow cover, oceanic effects from North Atlan- tic sea-surface temperatures (SST), tropical influences such as the El-Niño Southern Oscillation (ENSO), and stratospheric effects due to stratospheric circulation vari- ability, solar variability, volcanic eruptions and the Quasi-Biennial Oscillation (QBO) (Hall et al., 2015 ).除了这些可识别的驱动因素外，由于混乱的内部动力学过程，北大西洋喷气机的一部分的特征是内部未强制性的可变性驱动的（Kushnir等，2006； Lorenz，1963）。现在已经达成共识，即在气候模型中可以再现了一些观察到的驱动因素，但对最近确定的北大西洋地区驱动器的驱动因素的理解提高了，这对于在英国季节性气候预测中取得进展至关重要（Hall等人，2015年，2015年）。The focus of government-funded research is on dynami- cal forecast systems; however, such forecasts are not always
用BRFSS数据的糖尿病性预测...
抽象的一种影响全世界许多人的慢性疾病是糖尿病性疾病。如果在早期预测该疾病，则风险和严重程度都可以显着降低。In this research, we need to predict the type 2 diabetic patients at an early stage to reduce the cost of treatment for countries because this is a long time disease we use many machine learning algorithms to find the accuracy for these diseases applied to BRFSS datasets for two years 2014 and 2015 with a different selection of features to predict the disease as decision tree, logistic regression, ADA Boost Classifier, extreme gradient boosting, Linear Discriminant Analysis, Light梯度提升机和Catboost分类器。在使用2014 BRFSS数据集应用我们的实验时，神经网络具有最高的精度，而2015 BRFSS数据集则最佳准确度模型对于Catboost分类器和极端梯度提升，其中最低模型是线性判别分析。此外，在我们的研究中，我们使用具有不同功能选择并获得高精度的相同数据集进行了比较我们的结果。关键字：慢性疾病；糖尿病性麦芽膜；机器学习；人工智能;分类
关于使用基因型方法进行抗菌抗性预测的一种健康观点
1兽医诊断实验室，北达科他州立大学，法戈，北部2号华盛顿动物疾病诊断实验室，兽医微生物学和病理学系，华盛顿州立大学兽医学院，华盛顿州普拉曼，华盛顿州兽医学院，兽医学院，宾夕法尼亚州宾夕法尼亚大学，弗雷德大学，弗雷德大学，弗雷德尔大学，弗雷德尔氏菌，弗雷德尔大学， 5加利福尼亚州戴维斯分校兽医学院，加拿大6号兽医药物局，加拿大卫生部，加拿大渥太华，加拿大，内布拉斯加州7内布拉斯加州兽医诊断中心，兽医医学和生物医学科学学院，内布拉斯加州大学林肯大学，林肯大学，林肯大学8号，尼布尔斯科大学，诺森氏病学院。俄亥俄州立大学兽医医学，俄亥俄州哥伦布
文章 人工智能技术在业务连续性预测风险评估中的作用：希腊案例研究
摘要：本研究考察了人工智能 (AI) 技术在预测风险评估中的有效性及其对确保业务连续性的贡献。本研究旨在了解不同的 AI 组件（例如自然语言处理 (NLP)、AI 驱动的数据分析、AI 驱动的预测性维护和事件响应计划中的 AI 集成）如何在企业面临各种风险（包括自然灾害、网络攻击和经济波动）的环境中增强风险评估并支持业务连续性。本研究采用横断面设计和定量方法从 360 名技术专家样本中收集数据。本研究结果表明，AI 技术对业务连续性和预测风险评估具有重大影响。值得注意的是，研究发现 NLP 提高了风险评估程序的准确性和速度。将 AI 集成到事件响应计划中特别有效，大大减少了公司中断并提高了从不可预见事件中恢复的能力。建议企业投资 AI 技能，特别是在用于自动风险评估的 NLP、用于及时检测风险的数据分析、用于提高运营效率的预测性维护以及用于危机管理的 AI 增强型事件响应计划等领域。
