XiaoMi-AI文件搜索系统
World File Search System测试精度
物流回归的比较分析，SVM，XGBOOST ...
提交日期：2024年1月23日，审查日期：2024年1月26日修订日期：2024年1月27日接受日期：2024年1月29日，抽象糖尿病是一种可以攻击任何人的疾病，这种疾病发生，因为人体中糖含量过多。因此，需要预防糖尿病，以便可以尽早采取预防措施。在这项研究中，将使用随机森林算法，支持向量分类和XGBoost进行分类过程。本研究将使用一个数据集，该数据集由768个总数据组成，其分布非糖尿病数据为500，糖尿病数据的分布为268。对于测试后的分类结果，结果是，使用随机森林获得的分类为79.22％，使用使用支持矢量分类的测试精度获得了76.62％的测试精度，使用XGBoost的测试准确度使用逻辑回归的测试精度为79.22％的测试准确度为80.52％。使用逻辑回归算法时，获得最佳分类值，即精度为79.00％，召回77.00％，F1得分为78.00％。
使用机器学习算法检测慢速攻击
Slowloris攻击是缓慢拒绝服务（DOS）攻击的变体，是一个隐秘的威胁，旨在删除公司和机构提供的Web服务。由于其攻击流量的量较低和较高的潜伏期，它通常能够通过传统的防御系统，通常会模仿合法的用户流量。因此，有必要调查可以检测和减轻这种攻击的技术，并同时阻止合法的用户流量被阻止。在这项工作中，我们研究了九种机器学习算法，用于检测慢速攻击的攻击，以及基于模糊逻辑（FL），Random Forest（RF）和Euclidean距离（ED）的新组合，我们称之为fre。我们首先在各种环境中生成慢速攻击流量轨迹。然后，我们在两种情况下评估这些算法：具有默认值和优化超参数的超参数。我们表明，这些机器学习算法中的大多数表现都很好，随机森林导致最佳分类结果，测试精度值达到99.52％。我们还表明，我们的FRE方法的表现优于所有这些算法，测试精度值达到99.8％。
OptimalCutpoints.pdf
连续的生物标志物或诊断测试通常用于区分患病和健康人群。在临床实践中，有必要选择一个定义阳性和阴性测试结果的切割点或歧视值C。根据此选择的根本原因，在文献中提出了几种用于选择诊断测试中最佳切点的方法。此软件包允许用户计算诊断测试或连续标记的最佳切口。已经实施了各种选择最佳临界值的方法，包括基于成本效益分析和诊断测试精度度量（敏感/特异性，预测值和诊断可能性比率）或普遍性的方法。很容易获得所有方法的数值和图形输出。
幂律缩放以协助解决人工智能中的关键挑战
幂律缩放是临界现象中的一个核心概念，在深度学习中很有用，其中手写数字示例的优化测试误差随着数据库大小的增加以幂律形式收敛到零。对于一个训练周期的快速决策，每个示例只向训练好的网络呈现一次，幂律指数随着隐藏层的数量而增加。对于最大的数据集，获得的测试误差估计接近大周期数的最新算法。幂律缩放有助于解决当前人工智能应用中的关键挑战，并有助于先验数据集大小估计以实现所需的测试精度。它为衡量训练复杂性和机器学习任务和算法的定量层次建立了基准。
带错误反向传播算法和实验实现的量子电路学习
摘要：量子计算具有胜过经典计算机的潜力，并有望在各种领域中发挥积极作用。在量子机学习中，发现量子计算机可用于增强特征表示和高维状态或功能近似。量子 - 古典杂交算法近年来在嘈杂的中间尺度量子计算机（NISQ）环境下为此目的提出了量子 - 级别的混合算法。 在此方案下，经典计算机所起的作用是量子电路的参数调整，参数优化和参数更新。 在本文中，我们提出了一种基于梯度下降的反向传播算法，该算法可以充分地计算参数优化中的梯度并更新量子电路学习的参数，该参数以当前参数搜索算法的范围优于计算速度，同时呈现相同的测试精度，甚至更高。 同时，所提出的理论方案成功地在IBM Q的20量量子计算机上实施。 实验结果表明，栅极误差，尤其是CNOT门误差，强烈影响派生的梯度精度。 随着由于累积的门噪声误差，在IBM Q上执行的回归精度变得较低。量子 - 级别的混合算法。在此方案下，经典计算机所起的作用是量子电路的参数调整，参数优化和参数更新。在本文中，我们提出了一种基于梯度下降的反向传播算法，该算法可以充分地计算参数优化中的梯度并更新量子电路学习的参数，该参数以当前参数搜索算法的范围优于计算速度，同时呈现相同的测试精度，甚至更高。同时，所提出的理论方案成功地在IBM Q的20量量子计算机上实施。实验结果表明，栅极误差，尤其是CNOT门误差，强烈影响派生的梯度精度。随着由于累积的门噪声误差，在IBM Q上执行的回归精度变得较低。
使用机器学习
Lili Ayu Wulandhari和她的团队观察了秋葵植物，并指出了如何从形态上看到缺乏营养素。他们着手使用深层卷积神经网络来识别营养缺乏症。他们的研究基于四种大量营养素：N，P，K和MG。他们指出，缺乏某种营养素在植物上显示出一定的形态变化。这允许检测到类似于疾病的营养缺乏症。在本研究中，使用算法作为算法的使用。使用两种训练方法：转移学习和微调。据观察，使用ImageNet数据集实现Inception Resnet算法并没有产生稳定的结果。作者怀疑这是由于ImageNet和秋葵数据集的差异所致。因此，通过冻结早期层来实施微调，实现了96％和86％的训练和测试精度[3]。
使用机器学习和可解释的
摘要 - 糖尿病（DM）是一个全球健康问题，必须尽早诊断出来，并得到很好的管理。本研究提出了使用机器学习（ML）模型进行糖尿病预测的框架，并配有可解释的人工智能（XAI）工具，以投资ML模型的预测的预测准确性和解释性。数据预处理基于糖尿病二进制健康指标数据集中使用的合成少数群体过采样技术（SMOTE）和特征缩放数据集，以处理临床特征的类别失衡和可变性。整体模型提供了高精度，测试精度为92.50％，ROC-AUC为0.975。BMI，年龄，一般健康，收入和体育锻炼是从模型解释中获得的最有影响力的预测因素。这项研究的结果表明，与XAI结合的ML是开发用于医疗保健系统中使用的准确和计算透明工具的一种有希望的方法。
将光学和电气传感与高级粒子表征的机器学习相结合
粒子分类在各种科学和技术应用中起着至关重要的作用，例如在医疗保健应用中区分细菌和病毒或识别和分类癌细胞。此技术需要对粒子特性进行准确有效的分析。在这项研究中，我们通过多模式分类方法研究了电和光学特征的整合。使用机器学习分类器算法来评估结合这些测量值的影响。我们的结果证明了多模式方法比独立分析电气或光学特征的优越性。通过整合两种方式，我们实现了94.9％的平均测试精度，而单独的电气特征则达到66.4％，仅光学特征为90.7％。这突出了电气和光学信息的互补性及其提高分类性能的潜力。通过利用电气传感和光学成像技术，我们的多模式方法为粒子特性提供了更深入的见解，并对复杂的生物系统提供了更全面的了解。
![arxiv：2207.05713v2 [Quant-ph] 4月4日2023](/simg/g:\will\search\icon\source\3\3bff5730a897fb9fbabad4208f92ffba694f03d5.webp)
arxiv：2207.05713v2 [Quant-ph] 4月4日2023
摘要 - 医疗保健是人类生活中最重要的方面之一。心脏病是最致命的疾病之一，它阻碍了世界上许多人的生活。心脏病，以便可以预防生命丧失。大规模数据用于医学诊断有助于开发了复杂的机器学习和基于深度学习的模型，用于自动化心脏病的早期诊断。经典方法在培训集中尚未看到的新数据方面受到限制。这是通过训练和测试精度的较大差距来指示的。本文提出了一种新型的深度学习结构，使用一维卷积神经网络，以在健康和不健康的人之间进行分类，以克服经典方法的局限性。各种临床参数用于评估有助于早期诊断的患者的风险特征。各种技术用于避免在建议的网络中过度拟合。拟议的网络在数据集上实现了97％以上的培训准确性和96％的测试准确性。使用各种性能参数将模型的精度与其他分类算法进行了比较，这些算法证明了所提出的体系结构的有效性。