XiaoMi-AI文件搜索系统
World File Search System机器智能
神经形态计算
研究论文 1. S. Wozniak 等人，《自然机器智能》，2020 年 2. T. Ortner 等人，IEEE ICASSP，2022 年 3. T. Ortner 等人，I EEE Trans. Neural Networks Learn. Syst，2022 年 4. A. Stanojevic 等人，《神经网络》，2023 年 5. G. Dellaferrera 等人，《自然通讯》，2022 年 6. S. Wozniak 等人，《自然通讯》，2023 年 7. Y. Schnider 等人，IEEE CVPRW，2023 年 8. A. Stanjoevic 等人，《自然通讯》，2024 年 ...
Andrew B.诺贝尔Andrew B.诺贝尔
期刊：统计年鉴；概率理论和相关领域；美国国家科学院论文集； IEEE信息理论，模式分析和机器智能以及计算生物学和生物信息学的交易；机器学习；机器学习研究杂志；多元分析杂志； Annales de l'Institut Henri Poincar´e；电子统计杂志；应用和计算谐波分析；统计和概率信；应用概率的年鉴；统计数学研究所的年鉴；伯诺利；生物信息学；动力系统；统计数据; Neerlandica统计；计算统计；理论概率杂志；理论统计杂志；斯堪的纳维亚统计杂志；非参数统计杂志。
David F. Fouhey
期刊与会议的背景：会议是在计算机视觉中发表学术工作的主要场所，因此我将其放在首位。特定于计算机视觉的期刊现在通常会在很大程度上发布会议出版物的扩展版本。扩展版本不被视为更有声望或发表想法的必要步骤。在非计算机视觉场所（例如，自然，科学）中的核心计算机视觉工作并不被视为享有声望，社区成员抵制了自然机器智能等场所，这是从社区控制科学和出版的危险中退步。
人工智能：神话与误解
这往往会导致人们的期望过高，并可能误导与研究资金和监管相关的政策决策。人们通常认为，如果机器能够以与人类难以区分的方式交谈，那么它就已达到人类水平的智能。然而，仅仅因为机器可以模仿对话并不意味着它理解或拥有意识。同样，人们经常提出这样的想法：机器最终将变得如此先进，以至于它们将在没有人类干预的情况下成倍地自我改进。虽然这是一个备受争议的话题，但对于其可能性或立即发生的可能性并没有达成共识。该领域的顶尖专家对实现如此先进的机器智能状态的时间表有各种看法，这仍然是一个悬而未决的问题。
无标题 - X-Files
经验丰富的机器人制造者会记得人工智能领域刚刚出现时人们的天真热情。我们认为，当人类知识的这一量子进步通过计算机程序实现时，我们将创造出真正的机器人，如非常有用的罗西森机器人，或者电影《禁忌星球》中的罗比机器人。然后，亚瑟·克拉克在经典的《2001：太空漫游》中设想了机器智能的更可怕的结果。今天我们更聪明了（当然），不太容易相信像星际迷航指挥官 Data 类型这样的复杂机器人的乐观预言。这种有点令人沮丧的态度是没有根据的：我们的世界里有很棒的机器人，RS&T 正在将它们带给您。
利用深度学习设计和分析人工智能密码系统
[12] A. Siarohin、S. Lathuiliere、E. Sangineto 和 N. Sebe，“使用可变形 GAN 生成外观和姿势条件人体图像”，IEEE 模式分析机器智能汇刊，第 43 卷，第 4 期，第 1156-1171 页，2021 年 4 月。[13] L. Zhou、J. Chen、Y. Zhang、C. Su 和 MA James，“智能对称密钥加密的安全性分析和新模型”，计算机安全，第 80 卷，第 14-24 页，2019 年 1 月。[14] M. Coutinho、R. de Oliveira Albuquerque、F. Borges、LG Villalba 和 T.-H. Kim，“学习
IBM 神经计算机架构概述
摘要 —IBM 神经计算机 (INC) 是一种高度灵活、可重新配置的并行处理系统，旨在作为新兴机器智能算法和计算神经科学的研究和开发平台。它由数百个可编程节点组成，主要基于 Xilinx 的现场可编程门阵列 (FPGA) 技术。节点以可扩展的 3d 网格拓扑互连。我们概述了 INC，强调了其独特功能，例如执行的计算类型和可用的通信模式的灵活性和可扩展性，从而实现了新的机器智能方法和学习策略，而这些方法和策略并不适合 GPU 优化的矩阵操作/SIMD 库。本文介绍了机器的架构，应用程序将在其他地方详细描述。
人工智能：隐私和民主的风险
人工智能 (AI) 是现代最具颠覆性的技术。随着人工智能进入我们生活的每个角落，其影响甚至可能超过互联网的发展。许多人工智能应用已经为人所熟知，例如语音识别、自然语言处理和自动驾驶汽车。其他实现不太为人所知，但部署越来越多，例如内容分析、医疗机器人和自主战士。这些的共同点是它们能够从非结构化数据中提取情报。每天都会产生数百万 TB 的有关现实世界及其居民的数据。其中大部分都是噪音，没有明显意义。人工智能的目标是过滤噪音、找到意义并采取行动，最终实现比人类自身更精确、更好的结果。新兴的机器智能是解决问题和创造新问题的有力工具。
使用机器学习和多个数据集的网络钓鱼攻击和网站分类（比较分析）
摘要。网络钓鱼攻击是用于获取敏感信息的最常见类型的网络攻击类型，并且一直在影响全球的个体以及范围。已经提出了各种技术，以确定近年来机器智能的部署。但是，这些技术中使用的算法和区分因素在现有作品中非常多样化。在这项研究中，我们对各种机器学习算法进行了全面分析，以评估其在多个数据集上的putter序。我们进一步研究了多个数据集中最重要的功能，并将分类性能与缩小的维数数据集进行了比较。统计结果表明，随机和人工神经网络的表现优于其他分类算法，使用确定的特征实现了超过97％的精度。