XiaoMi-AI文件搜索系统
World File Search System测量记录
使用反事实解释来评估姿势参数的机器学习和可解释的人工智能
摘要：姿势污点，例如倍血差（空心背部）或高温（Hunchback）是相关的健康问题。诊断取决于检查员的经验，因此通常是主观的，容易出现错误。机器学习（ML）方法与可解释的人工智能（XAI）工具结合使用，已被证明可用于提供基于数据的基于目标的方向。但是，只有少数作品考虑了姿势参数，因此仍然没有受到人类友好的XAI解释的潜力。因此，目前的工作提出了一个具有数据驱动的医疗决策支持的Objeccive，用于医疗决策支持的ML系统，该系统可以使用反事实解释（CFS）特别对人类友好的解释。通过立体图表测量记录了1151名受试者的姿势数据。最初是对受试者的基于专家的分类，最初是在存在倍差或高温的存在的。使用高斯进度分类器，使用CFS对模型进行了训练和解释。使用置信度学习对标签误差进行了反弹和重新评估。发现了倍血分和高温的非常好的分类性能，从而重新评估和校正测试标签导致了显着改善（M prauc = 0.97）。统计评估表明，总体而言，CFS似乎是合理的。在个性化医学的背景下，本研究的方法对于减少诊断错误并从而改善了治疗措施的个人适应性可能非常重要。同样，它可能是开发预防姿势评估的应用程序的基础。
自动瞳孔测量和认知范式揭示急性脑损伤中的隐秘意识
摘要背景：识别重症监护病房 (ICU) 昏迷和其他意识障碍 (DoC) 患者的隐性意识对于治疗决策至关重要，但缺乏灵敏的低成本床边标记。我们研究了自动瞳孔测量结合被动和主动认知范式是否可以检测出患有 DoC 的 ICU 患者的残留意识。方法：我们前瞻性地招募了来自三级转诊中心 ICU 的临床反应低或无反应的创伤性或非创伤性 DoC 患者。年龄和性别匹配的健康志愿者作为对照组。患者被分为临床无反应（昏迷或无反应性觉醒综合征）或临床反应低（微意识状态或更好）。使用自动瞳孔测量法，我们记录了被动（视觉和听觉刺激）和主动（心算）认知范式下的瞳孔扩张情况，并设定了特定任务的成功标准（例如，连续 5 次心算任务中 5 次瞳孔扩张中有 ≥ 3 次）。结果：我们从 91 名 ICU 脑损伤患者（平均年龄 60 ± 13.8 岁，31% 为女性，49.5% 为非创伤性脑损伤）的 178 个时间点获取了 699 次瞳孔测量记录。还从 26 名匹配的对照者（59 ± 14.8 岁，38% 为女性）获取了记录。被动范式对患者和对照者之间的区别有限。然而，主动范式可以区分不同的意识状态。对于中等复杂程度的心算，17.8% 的临床无反应患者和 50.0% 的临床低反应患者出现≥ 3 次瞳孔扩张（风险比 4.56，95% 置信区间 2.09–10.10；p < 0.001）。相比之下，76.9% 的健康对照者出现≥ 3 次瞳孔扩张（p = 0.028）。使用不同成功阈值进行的敏感性分析的结果保持一致。Spearman 等级分析强调了心算过程中瞳孔扩张与意识水平之间的密切关联（rho = 1，p = 0.017）。值得注意的是，一名行为无反应的患者在出现明显的意识迹象前 2 周表现出持续的服从命令行为，表明认知运动分离存在长时间。结论：自动瞳孔测量结合心算可以识别 ICU 急性 DoC 患者的认知努力，从而识别隐性意识。关键词：心脏骤停、认知运动分离、昏迷、重症监护医学、创伤性脑损伤
用于自动发现的科学机器学习......
科学机器学习是指将机器学习与传统科学方法相结合，近年来已成为一种强大的工具。本论文建立了创新的机器学习方法，结合了物理学、数值分析和计算机科学的知识，用于自动发现量子控制方案和相图。从概念上讲，给定量子系统的（时间相关）汉密尔顿量或林德布拉量，很容易确定其在固定初始状态下的时间演化。根据物理环境，我们将用普通或随机微分方程来描述动力学。控制量子系统的（随机）动力学需要解决逆问题，这在量子计量和信息处理等领域是不可或缺的。然而，通过从头开始推导高性能控制方案来解决控制问题通常很困难。特别是，最好开发能够对系统波动作出反应的反馈控制器，使其成为非常强大的控制系统。到目前为止，还没有通用的现成方法来设计有效的控制策略，因为现有的基于黑盒强化学习的方法很难优化。在这篇论文的第一部分，我们提出了一种基于可微分编程范式的自动控制方案设计，这使我们能够利用有关物理系统结构的先验知识。具体来说，我们采用一种神经网络形式的控制器，该控制器根据当前量子态或观察到的测量记录选择在每个时间步中要应用的控制驱动。神经网络参数在一系列时期内根据通过 (伴随) 灵敏度方法计算的梯度信息进行优化。我们在各种场景中展示了我们的方法，例如进行同相检测的量子比特的状态准备和稳定。同相检测信号仅包含有关系统实际状态的最小信息，被不可避免的光子数波动所掩盖。在第二部分中，我们开发了两种数据驱动的方法来自动识别物理系统中的相边界。第一种方法基于训练预测模型（例如神经网络），以根据物理系统的状态推断其参数。推断出的参数与正确的底层参数之间的偏差最容易受到影响，并且在相边界附近指向相反的方向。因此，模型预测的矢量场发散中的峰值揭示了相变。这种基于预测的方法适用于任意参数维度的相图，而无需有关相的先验信息。我们将该方法应用于二维 Ising 模型、Wegner 的 Ising 规范理论、广义环面代码、Falicov-Kimball 模型和耗散的 Kuramoto-Hopf 模型。作为第二种方法，我们引入了一种基于（适当）输入特征选择的物理驱动、计算上有利且可解释的方法。该方法依赖于平均输入特征之间的差异作为相变的指标，而不使用预测模型。至关重要的是，这种基于均值的方法可以直接洞察揭示的相图，而无需事先标记或了解其相。作为一个例子，我们考虑物理上丰富的