XiaoMi-AI文件搜索系统
World File Search System有效训练
Microsoft Word - 2361482021150869基于EEG的CNN驾驶员注意力分类.docx
摘要 — 准确检测驾驶员的注意力状态有助于开发辅助技术，实时应对意外危险，从而提高道路安全。本研究比较了几种根据参与者大脑活动训练的注意力分类器的性能。参与者在沉浸式模拟器中执行驾驶任务，其中汽车随机偏离巡航车道。他们必须纠正偏差，他们的反应时间被视为注意力水平的指标。参与者在两个环节中重复该任务；在一个环节中他们收到动觉反馈，在另一个环节中没有反馈。利用他们的脑电图信号，我们训练了三个注意力分类器；一个使用脑电图谱带功率的支持向量机（SVM），以及一个使用光谱特征或原始脑电图数据的卷积神经网络（CNN）。我们的结果表明，在动觉反馈下获得的原始脑电图数据上训练的 CNN 模型实现了最高的准确率（89%）。虽然使用参与者自己的大脑活动来训练模型可以获得最佳性能，但跨主体迁移学习仍然表现良好（75%），这为无校准脑机接口 (BCI) 系统带来了希望。我们的研究结果表明，CNN 和原始 EEG 信号可用于有效训练被动 BCI，以实现实时注意力分类。
对不良药物反应预测模型的研究...
摘要 - 在临床治疗中，确定药物的潜在不良反应可以帮助医生做出药物决策。响应先前研究的问题，即需要为药物的每种不良反应构建高维和稀疏，独立的预测模型，并且预测准确性较低，本文基于知识图和深度学习，开发了一个不良药物反应预测模型，这可以预测实验结果。涵盖不良药物反应的统一预测。知识图嵌入技术可以融合药物之间的相关信息，并减轻特征矩阵中高维稀疏性的缺点，而深度学习的有效训练能力可以提高模型的预测准确性。本文根据药物特征数据构建了不良药物反应知识图；通过在不同的嵌入策略下分析知识图的嵌入效果，选择了最佳的嵌入策略来获得样品向量；然后构建了卷积神经网络模型以预测不良反应。结果表明，在疏远嵌入模型和400维嵌入策略下，卷积神经网络模型具有最佳的预测效果。重复实验曲线下的平均准确性，𝑭评分，召回率和面积优于文献中报告的方法。获得的预测模型具有良好的预测准确性和稳定性，可以为以后的安全药物指导提供有效的参考。
采用旅行模型范式进行帕金森病分类的多中心分布式学习方法
分布式学习是机器学习 (ML) 模型训练中中心学习的一种有前途的替代方案，它解决了医疗保健中的数据共享问题。先前研究探索了用于基于医学图像的疾病分类的联邦学习 (FL) 或旅行模型 (TM) 设置，这些研究通常依赖于具有有限数量中心或模拟人工中心的大型数据库，这使人们对其在现实世界的适用性产生了怀疑。这项研究使用从世界各地 83 个不同的真实中心获取的数据（主要贡献小型训练样本）开发并评估了一种用于帕金森病分类的卷积神经网络 (CNN)。我们的方法特别利用了 TM 设置，该设置已被证明在数据可用性有限的场景中是有效的，但从未用于基于图像的疾病分类。我们的研究结果表明，即使在具有可变数据分布的复杂现实场景中，TM 也可有效训练 CNN 模型。经过足够的训练周期后，TM 训练的 CNN 的性能与集中训练的 CNN 相当或略胜一筹（AUROC 分别为 83% 和 80%）。我们的研究首次强调了 TM 在 3D 医学图像分类中的有效性，尤其是在训练样本有限和异构分布式数据的情况下。这些见解适用于使用来自小型或远程医疗中心的数据训练 ML 模型的情况，以及病例稀少的罕见疾病。这种方法简单易用，可广泛应用于许多深度学习任务，增强其在各种环境和医疗机构中的临床实用性。
战术空军司令部攻击 1990 年 12 月 - 空战司令部
我最近读到一篇文章，其中提到参加沙漠盾牌行动的美军是第一支。我也向我们部署的战术空中支援部队和战术空中支援部队致敬，感谢他们每天出色地完成任务并做出的牺牲。但是，我从经验中知道，第一支队伍的范围远远超出了中东的炎热地区，因为我们每个人都有一项重要的工作要做，无论是在非常显眼的位置还是媒体永远不会提及的位置。为了使空军的全球力量/全球影响力取得成功，更具体地说，使沙漠盾牌行动取得成功，我们每个人都必须专业地完成自己的工作。这才是第一支队伍的真正含义——每个有效地完成工作的人，从定义上讲包括安全和及时。那么，第二支队伍是谁？那些妨碍他人工作的人。你知道他们是谁，他们似乎总是在抱怨。他们告诉你为什么你不能做某事，而不是帮助你找到更有效的方式来完成任务。他们似乎也承担了比他们应承担的更多的单位事故 —— 也就是说，他们往往是问题的一部分，而不是解决方案的一部分。那么，我们，第一队的成员，如何共同努力帮助解决这个问题呢？首先，我们继续以身作则，在值班时聪明地工作，下班后也聪明地工作。我们分析任务是什么，以及如何最有效地平衡风险和有效训练以优化任务完成。我们还与其他人合作，帮助激励他们全心全意地加入第一队或寻求不同的职业 —— 一个人们的生命不会因自满而受到威胁的职业。一个很少被认为自满的群体是由中队的新飞行员组成的。如果你是战斗机中队的标准新人，你会很难咀嚼食物 —— 你的尖牙太长了。这很好，你的热情加上你将获得的经验造就了世界上最好的战斗机飞行员。你很快就能理解正在发生的事情。很快你
人工智能正在通过五个新兴业务改变保险业......
人工智能正在改变我们的工作方式和个人生活 (Faraj 等人，2018)。更普遍地说，软件正在接管组织中越来越多的流程，通常会改变其商业模式 (Alt 等人，2020)。这种数字化转型也发生在保险领域。人工智能对保险的影响在某些方面与经济的其他部门相似，但在其他方面则有所不同。保险有一些特殊性，人工智能转型、经济衰退和流行病等事件对其的影响不同。因此，了解人工智能的采用及其对保险业务模式的影响非常重要。保险业务模式必须有效且持久，因为保险面临着许多挑战，例如更多的流行病、不断变化的法规、气候变化、不可预测的天气和激烈的竞争 (Kannan & Bernoff，2019)。人工智能、大数据、云计算、物联网、区块链和 5G 等技术提供了许多机会。机器学习 (ML) 和深度学习 (DL) 提供可监督或无监督的学习，使人工智能更强大且更易于组织使用 (Kraus 等人，2020 年)。所有这些独立的技术都在融合、产生协同效应并扩大其影响力 (Dietzmann 等人，2020 年)。保险公司在塑造人工智能及其影响方面发挥着作用。此外，消费者和政府也有自己的角色。政府需要制定和调整法律法规。保险公司在组织内部面临着人工智能的社会技术挑战。这些可能包括数据、人员和流程。数据的数量和质量通常不足以有效训练人工智能或使用人工智能进行评估和承保。由于技术的作用日益增强，技术提供商的作用也日益增强。保险公司的人员需要新的技能和培训来实施人工智能。在我们审视整个保险行业时，重要的是要认识到，试图为消费者提供所有保险服务的保险公司与主要关注一种保险类型的保险公司之间存在区别。在数据驱动的经济中，数据、其来源及其利用方式是解释商业模式的另一种方式。人工智能和物联网、区块链等其他技术的影响如此重要，以至于利用它们的社会技术能力在今天比过去更为重要。目前，大多数人工智能的实施都取代了过去面临特定挑战的特定流程。要了解人工智能的采用，我们必须了解每个组织 -
推动人工智能爆炸式增长的因素
• 计算能力提升：21 世纪，硬件的改进，尤其是更强大、更高效的处理器的开发，推动了计算能力的大幅提升。计算能力的提升使研究人员能够训练更大、更复杂的人工智能模型。• 大型数据集的可用性：互联网和数字技术的发展导致了大量数据集的生成和积累。在人工智能领域，尤其是在机器学习和深度学习领域，获取大量数据对于训练模型至关重要。大型数据集的可用性促进了更准确、更复杂的人工智能算法的开发。• 机器学习算法的进步：研究人员在开发和改进机器学习算法方面取得了重大进展，特别是在监督学习、无监督学习和强化学习领域。支持向量机、决策树和神经网络等技术得到了进一步探索和改进。• 开源与协作：开源运动在 21 世纪初势头强劲，促进了研究人员和开发人员之间的协作。共享资源、代码存储库和开源框架（例如 TensorFlow 和 PyTorch）使 AI 社区更容易协作和借鉴彼此的工作成果。• 大型科技公司的崛起：包括谷歌、Facebook、微软等在内的主要科技公司开始大力投资 AI 研发。这些公司拥有吸引顶尖人才、资助雄心勃勃的项目和大规模部署 AI 技术的资源。• 深度学习革命：深度学习是基于人工神经网络的机器学习的一个子集，在 21 世纪初经历了复兴。研究人员证明了深度学习在解决复杂问题方面的有效性，图形处理单元 (GPU) 的发展提供了有效训练深度神经网络所需的计算能力。• 人工智能应用的成功：自然语言处理、图像识别和语音识别等人工智能应用的突破证明了实际的成功，并鼓励了对人工智能技术的进一步投资和兴趣。• 认识到人工智能的经济和战略重要性：政府、行业和学术界认识到人工智能的经济和战略重要性。对人工智能研究和开发的资金和支持增加，促进了该领域的发展。下一个重要步骤是实现 GPU 的极高效率，能够加速学习算法的计算。该过程非常迭代，在 2010 年之前，处理整个样本集可能需要数周时间。这些 GPU 卡的计算能力每秒可处理超过一千亿次交易，在缩短这些时间方面取得了长足进步，而且财务成本有限。