XiaoMi-AI文件搜索系统
World File Search System提示性
使用梯度法对脑 MRI 图像进行提示性注释...
近年来，机器学习在图像分割和分类任务中表现出色，被广泛应用于医学图像分析。机器学习，尤其是监督学习的成功取决于手动注释数据集的可用性。对于医学成像应用，这种带注释的数据集并不容易获取，需要大量的时间和资源来整理带注释的医学图像集。在本文中，我们提出了一种有效的脑部 MRI 图像注释框架，可以为人类专家提供信息丰富的样本图像进行注释。我们在两个不同的脑图像分析任务上评估了该框架，即脑肿瘤分割和全脑分割。实验表明，对于 BraTS 2019 数据集上的脑肿瘤分割任务，仅使用 7% 带有提示性注释的图像样本训练分割模型就可以实现与在完整数据集上训练相当的性能。对于 MALC 数据集上的全脑分割，使用 42% 带有提示性注释的图像样本进行训练就可以实现与在完整数据集上训练相当的性能。所提出的框架展示了一种在医学成像应用中节省手动注释成本和提高数据效率的有希望的方法。
新空间的未来趋势：自动提示和提示
与生产可靠的Geoint相关的挑战之一是地球特征，结构和特征签名的不断发展的本质。此挑战通常与基于活动的智能（ABI）相关联：一种分析方法，该方法可以整合来自多个来源的数据以发现相关模式并确定和表征变化。以变化的速度监视和提取有价值的见解通常需要持续且快速重新审视能力。具有有效捕获动态特征和目标的能力，未来的空间体系结构可以开始发现并建立跨感兴趣的区域领域的关键关联和相互依存关系。商业空间组织正在越来越多地使用大量较小的卫星系统，以提供在快速展开的事件和活动中维持步伐所需的收集频率。
通过人工智能信息呈现进行心理健康护理
本研究的目的是帮助公司创造一个让员工可以友好工作的环境。最近，员工的心理健康问题日益突出。主要原因是员工长时间工作和在工作中人际关系不佳时所感受到的压力。因此，我们研究了使用人工智能进行心理健康护理的有效方案。具体来说，我们关注的是心理健康护理之一的压力检查表。我们假设压力检查的信息呈现是一种有效的方法。结果，信息呈现并没有影响老板改变其意愿和行动。因此，我们发现信息呈现不是一种有效的方式。作为补充，我们介绍了三种性格特征。我们发现，能够接受负面意见的人愿意不管信息呈现如何，改善他们的团队。
医疗保健领域对人工智能的接受度
3 另外，道具的展示顺序也是随机的。 4 由于10个项目中有4个被呈现，因此如果随机呈现，每个项目出现的次数可能会有所不同。因此，可以使用平衡的不完全区组设计（Louviere 和 Flynn，2010）来确保项目出现的频率相等。然而，由于本章的样本量非常大，达到 150,010（使用下面描述的计数方法），我们确定由于随机呈现而导致的出现次数差异很小。
在视觉提示学习中量化提示的隐私风险
大规模的预训练模型越来越多地通过称为及时学习的新范式来适应下游任务。与微调相比，及时学习不会更新预训练的模型的参数。相反，它仅学习输入扰动，即提示，以添加到下游任务数据中以进行预测。鉴于迅速学习的快速发展，由于使用了巨大的努力和专有数据来创建它，因此不可避免地将良好的及时化成为有价值的资产。这自然提出了一个问题，即提示是否会泄露其培训数据的专有信息。在本文中，我们对通过财产推理和成员推理攻击的视觉提示学习的提示进行了首次全面的隐私评估。我们的经验评估表明，提示很容易受到两种攻击的影响。我们还证明，对手可以以有限的成本进行成功的推理攻击。此外，我们表明，通过放松的对抗性假设，针对提示的会员推理攻击可以成功。我们进一步对防御措施进行了一些初步调查，并观察到我们的方法可以减轻成员的推论，并以体面的公用事业防御权衡取舍，但未能防御财产推理攻击。我们希望我们的结果能够阐明流行的及时学习范式的隐私风险。为了促进这一方向的研究，我们将与社区分享我们的代码和模型。1
