XiaoMi-AI文件搜索系统
World File Search System持续学习
持续学习人工智能系统在医学领域的市场准入
如果制造商根据 MDR 附件 IX 基于 QMS 进行合格评定并根据 MDR 附件 IX 进行技术文件评估，则对已批准设备的更改必须经颁发欧盟技术文件评估证书的公告机构批准，如果这些更改可能影响设备的安全性和性能或设备规定的使用条件（MDR 附件 IX，第 II 章，第 4.10 节，第 1 句）。MDR 附件 X 对基于型式检验的合格评定也有类似的规定。根据 MDR 附件 X 第 5.2 节，如果对已批准设备的修改（包括对其预期用途或使用条件的限制）可能影响设备与基本安全和性能要求或设备预期使用条件的一致性，则必须经颁发测试证书的公告机构批准。公告机构必须提供评估这些情况下变更的程序（MDR 附件 VII 第 4.9 节）。根据程序，公告机构必须决定相应的变化是否需要新的 CE 符合性评定。
持续学习：特征提取形式化，有效的算法和障碍
持续学习是机器学习中的新兴范式，其中模型以在线方式暴露于来自多个不同分布的数据（即环境），并有望适应分布变化。确切地说，目标是在新环境中表现良好，同时保留了先前环境的性能（即避免“灾难性遗忘”）。虽然这种设置在应用社区中引起了很多关注，但没有理论上的工作甚至正式化了所需的保证。在本文中，我们提出了一个通过特征提取的框架进行持续学习的框架，即在每个环境中都对特征和分类器进行了培训。当功能是线性的时，我们会设计一种有效的基于梯度的算法DPGrad，可以保证在当前环境上表现良好，并避免灾难性的遗忘。在一般情况下，当特征是非线性的时，我们表明这种算法不存在，无论是否有效。
自主AI系统用于持续学习和真实...
B.E，B.N.M理工学院的人工智能和机器学习3 B.Tech，电子和仪器，奥里萨邦技术与研究大学，Bhubaneswar摘要自治AI系统正在通过不断学习和追求持续不断的监督选择，从而使导航感到沮丧。 这些框架在医疗服务，金钱和集会等企业中都有应用程序，其中持续的信息对于功能成就至关重要。 本文研究了独立模拟智能框架的部分，包括恒定的学习模型，连续的信息处理结构和动态程序。 我们同样看这些框架所面临的困难，包括信息安全性，合理性和护理边缘案例。 通过各种企业的上下文分析，我们显示了基于计算机的独立智能框架重塑精明导航的命运的能力。 终于，我们提出了未来的研究轴承，对道德结构和半学习模型进行归零，以进一步发展这些框架中的灵活性和直接性。 关键字：自主AI系统，实时决策，持续学习，数据安全，道德框架，混合学习模型1。 介绍最近，在创建具有无人调解的持续选择的独立基于计算机的智能框架方面取得了巨大的进展。 这种进步是由对在持续持续衡量信息衡量的领域中更快，更坚实的动态框架的要求所驱动的。 2。B.E，B.N.M理工学院的人工智能和机器学习3 B.Tech，电子和仪器，奥里萨邦技术与研究大学，Bhubaneswar摘要自治AI系统正在通过不断学习和追求持续不断的监督选择，从而使导航感到沮丧。这些框架在医疗服务，金钱和集会等企业中都有应用程序，其中持续的信息对于功能成就至关重要。本文研究了独立模拟智能框架的部分，包括恒定的学习模型，连续的信息处理结构和动态程序。我们同样看这些框架所面临的困难，包括信息安全性，合理性和护理边缘案例。通过各种企业的上下文分析，我们显示了基于计算机的独立智能框架重塑精明导航的命运的能力。终于，我们提出了未来的研究轴承，对道德结构和半学习模型进行归零，以进一步发展这些框架中的灵活性和直接性。关键字：自主AI系统，实时决策，持续学习，数据安全，道德框架，混合学习模型1。介绍最近，在创建具有无人调解的持续选择的独立基于计算机的智能框架方面取得了巨大的进展。这种进步是由对在持续持续衡量信息衡量的领域中更快，更坚实的动态框架的要求所驱动的。2。习惯人工智能和AI（ML）模型在许多情况下是静态的，需要进行再培训或手动适应以适应不断发展的条件。尽管如此，当前条件，例如货币业务部门，医疗框架和现代组装，请求可以连续学习和调整的框架。本文意味着研究独立的基于计算机的智能框架的能力，其在不断学习和不断方向上的意义。我们同样将讨论发送此类框架的困难，包括信息安全问题和照顾意外情况。通过模型和可认证的应用程序，我们将展示不同业务的独立人造智能的非凡能力。文献回顾了基于计算机的智能框架的想法，这基本上是由于计算能力和算法有效性的进展。中央工作，例如，“支持
进化：增强无监督的持续学习与多位专家
近年来在未加强的持续学习方法中取得了重大进展。尽管它们在受控设置中取得了成功，但它们在现实世界中的实用性仍然不确定。在本文中，我们首先从经验上介绍了现有的自我保护的持续学习方法。我们表明，即使有了重播缓冲液，现有的methods也无法保留与时间相关输入的视频的关键知识。我们的见解是，无监督的持续学习的主要挑战源于无法预测的意见，缺乏监督和先验知识。从Hybrid AI中汲取灵感，我们介绍了E Volve，这是一个创新的框架，它是云中的多个预审预周化模型，作为专家，以加强对Lo-cal Clister的现有自我监督的学习方法。e Volve通过新颖的专家聚合损失来利用专家指导，并从云中返回并返回。它还根据专家的信心和量身定制的先验知识将权重动态分配给专家，从而为新流数据提供自适应监督。我们在几个具有时间相关的实地世界数据流中广泛验证了E volve。结果令人信服地表明，E Volve超过了最佳的无监督持续学习方法，在跨Var-IOS数据流的Top-1线性评估准确性中，volve持续了6.1-53.7％，从而确认了多样化的专家指南的功效。代码库位于https://github.com/ orienfish/evolve。
新闻摘要中的持续学习-Jiliang（Eric）li
Web服务1，David Lopez-Paz和Marc'aurelio Ranzato（2017）。连续学习的梯度情节记忆。corr，ABS/1706.08840。2，Hanul Shin，Jung Kwon Lee，Jaehong Kim和Jiwon Kim（2017）。 持续学习，并具有深刻的生成重播。 corr，ABS/1705.08690。 3，詹姆斯·柯克帕特里克（James Kirkpatrick），拉兹万·帕斯卡努（Razvan Pascanu），尼尔·C·拉比诺维茨（Neil C. Hadsell（2016）。 克服神经网络中的灾难性遗忘。 Corr，ABS/1612.00796。 4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。 从持续学习的角度来看生成模型。 corr，ABS/1812.09111。 5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。 24，否。 363，pp。 1-6，2023。 6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。2，Hanul Shin，Jung Kwon Lee，Jaehong Kim和Jiwon Kim（2017）。持续学习，并具有深刻的生成重播。corr，ABS/1705.08690。3，詹姆斯·柯克帕特里克（James Kirkpatrick），拉兹万·帕斯卡努（Razvan Pascanu），尼尔·C·拉比诺维茨（Neil C. Hadsell（2016）。克服神经网络中的灾难性遗忘。Corr，ABS/1612.00796。4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。 从持续学习的角度来看生成模型。 corr，ABS/1812.09111。 5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。 24，否。 363，pp。 1-6，2023。 6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。4，TimothéeLesort，Hugo Caselles-Dupre，MichaëlGarciaOrtiz，Andrei Stoian和David Filliat（2018）。从持续学习的角度来看生成模型。corr，ABS/1812.09111。5，Antonio Carta，Lorenzo Pellegrini，Andrea Cossu，Hamed Hemati和Vincenzo Lomonaco，“ Avalanche：Pytorch的深度持续学习图书馆”，《机器学习研究杂志》，第1卷。24，否。363，pp。1-6，2023。6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。6，Martin Wistuba，Martin Ferianc，Lukas Balles，Cedric Archambeau和Giovanni Zappella，“ Renate：现实世界中持续学习的图书馆”，2023年，Arxiv Preprint Arxiv：2304.12067。
个性化在线癫痫检测的资源高效持续学习
摘要 — 癫痫是一种主要的神经系统疾病，需要仔细诊断和治疗。然而，癫痫发作的检测仍然是一项重大挑战。目前的临床实践依赖于专家对脑电图信号的分析，这个过程既耗时又需要专业知识。本文探讨了使用深度学习技术自动检测癫痫发作的潜力，特别关注基于持续学习的个性化模型。我们强调了根据每个患者独特的脑电图信号特征调整这些模型的重要性，这些特征会随着时间的推移而变化。我们的方法解决了将新数据集成到现有模型中而不丢失先前获取的信息的基本挑战，这是静态深度学习模型在动态环境中应用时常见的问题。在本研究中，我们提出了一种用于癫痫发作检测的新型持续学习算法，该算法集成了重放缓冲机制。这种机制是获取新数据的同时保留过去数据的相关信息的关键，从而有效地提高了模型随着时间的推移的性能。我们的方法旨在节省资源，使其适合在嵌入式系统中实施。我们使用 CHB-MIT 数据集证明了我们方法的有效性，与不考虑灾难性遗忘的微调方法相比，F1 分数提高了 35.34%。此外，我们表明，一个 1 小时的小数据重放缓冲区足以实现与资源无限场景相当的 F1 分数，同时与资源不受约束的方法相比，24 小时内的误报率降低了 33%。索引术语 — 癫痫发作检测、持续学习、增量学习、深度学习、个性化模型、可穿戴设备
通过稀疏诱导生成来培养大脑以实现持续学习
深度神经网络在持续学习中会遭受灾难性遗忘，在优化新任务时，它们往往会丢失有关先前学习过的任务的信息。最近的策略是隔离先前任务的重要参数，以便在学习新任务时保留旧知识。然而，使用固定的旧知识可能会成为获取新表示的障碍。为了克服这个限制，我们提出了一个框架，通过吸收新任务的知识来演化先前分配的参数。该方法在两个不同的网络下执行。基础网络学习顺序任务的知识，而稀疏诱导超网络为每个时间步骤生成参数以演化旧知识。生成的参数将基础网络的旧参数转换为反映新知识。我们设计超网络以根据任务特定信息和基础网络的结构信息生成稀疏参数。我们在图像分类和视频动作识别任务的类增量和任务增量学习场景中评估了所提出的方法。实验结果表明，通过发展旧知识，所提出的方法在这些场景中始终优于各种各样的持续学习方法。
人工智能自主性：自我发起的开放世界持续学习和适应
然而，在实际的酒店中，情况要比这复杂得多。例如，系统如何知道新物体是人而不是狗？如果系统可以将物体识别为人，那么它如何知道他/她是酒店客人，而不是送货或保安等服务的服务提供商？为了适应新物体或情况，系统必须首先对新物体进行特征化，因为没有它，代理将不知道如何适应或响应。在这种情况下，需要进行一些分类或相似性比较来确定它是否是带有行李的人。如果物体看起来像人但没有行李，则机器人不会响应或学习识别该人，因为这与其执行任务无关。如果新奇的物体看起来像动物，它应该通知酒店员工并学习识别该物体，以便下次看到时它不再是新奇的。简而言之，对于每个表征，都有相应的响应或适应策略，可以是 NIL（即什么也不做）。这个讨论表明，要进行表征，代理必须已经拥有丰富的世界知识。最后，做出错误的决定也会有风险。随着经典学习的成熟，我们应该超越现有范式，研究如何让代理学习
用于家庭服务机器人长期个性化的互动持续学习体系结构
摘要 - 为了使机器人在未经培养的家庭环境中执行辅助任务，他们必须学习和推理环境的语义知识。尽管在开发语义推理体系结构方面存在着复兴，但这些方法假定所有培训数据都可以先验。但是，每个用户的环境都是唯一的，并且可以随着时间的推移而继续变化，这使得这些方法不适合个性化的家庭服务机器人。尽管持续学习的研究开发了可以随着时间的推移学习和适应的方法，但其中大多数方法都在静态图像数据集的对象分类的狭窄背景下进行了测试。在本文中，我们结合了持续学习，语义推理和互动机器学习文献的想法，并开发了一种新颖的互动式持续学习体系结构，以通过人类机器人互动中的家庭环境中的语义知识持续学习。该体系结构以学习和记忆的核心认知原则为基础，从而有效，实时学习新知识。我们将架构与物理移动操纵器机器人集成在一起，并在两个月内在实验室环境中进行广泛的系统评估。我们的结果证明了我们的体系结构的有效性，使物理机器人能够从用户（实验者）提供的有限数据（实验者）中不断适应环境的变化，并使用学习的知识来执行对象获取任务。
移动机器人的快速适应和持续学习尖峰神经网络路径计划算法
摘要 - 基于此地图的环境和计划途径中的遍历成本对于自主航很重要。我们提出了一种神经动物导航系统，该系统利用尖峰神经网络（SNN）波前策划者和电子企业学习同时绘制和计划路径在大而复杂的环境中。，我们结合了一种新颖的映射方法，当与尖峰波前计划器（SWP）结合使用时，通过选择性地考虑任何成本组合，可以进行自适应计划。该系统在室外环境中具有障碍物和不同地形的室外环境中进行测试。结果表明，该系统能够使用三种成本量度，（1）轮子的能量消耗，（2）在存在障碍物的情况下花费的时间以及（3）地形斜率。在仅十二个小时的在线培训中，电子prop通过更新SWP中的延迟来学习并将遍历成本纳入路径计划地图。在模拟路径上，SWP计划比A*和RRT*明显短，成本较低。SWP与神经形态硬件兼容，可用于需要低尺寸，重量和功率的应用。