XiaoMi-AI文件搜索系统
World File Search System深度
寻求根据美国州法律定义深度伪造
第一次提到深度伪造是在 2016 年美国总统大选一年多后，那次大选以虚假新闻现象为标志（Gunther 等人，2018 年；Lee，2019 年）。许多人担心接下来的 2020 年总统大选也会充斥着虚假信息，尤其是虚假新闻和深度伪造的结合，但这并没有发生（Meneses，2021 年）。对这次选举影响最大的深度伪造可能是 2019 年 5 月涉及纳西·佩洛西的深度伪造：当时的美国众议院议长看起来喝醉了，说话含糊不清，好像喝醉了一样（Stewart，2019 年）。关键在于，这不是深度伪造，因为它没有使用人工智能；相反，它是一个廉价伪造（或不太常用的浅层伪造），一段使用比深度伪造技术简单得多的手段编辑的视频（Pawelec，2022 年）。正如 Paris & Donovan (2019) 所说，深度伪造和廉价伪造的共存增加了区分两者的难度。这种类型的虚假信息可能对政治话语和未来选举产生的影响（Appel & Prietzel，2022）并非无关紧要，因为它是故意改变的视听内容，并通过社交媒体进行放大。至于佩洛西的视频，由于它是基于编辑软件或只是音频音调的变化，因此更容易做到，也更容易检测，这与今天的假新闻类似。这个例子强调了了解每一种现象的本质的必要性，尽可能正确地定义它，“以协助制定一致且理论上连贯的深度伪造定义”（Whittaker 等人，2023 年）。
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
听觉刺激和深度学习可预测心脏骤停后昏迷苏醒
评估心脏骤停后昏迷患者的神经功能完整性仍是一个悬而未决的挑战。昏迷结果的预测主要依赖于专家对生理信号的视觉评分，这种方法容易产生主观性，并使相当多的患者处于预后不确定的“灰色地带”。对听觉刺激后脑电图反应的定量分析可以让我们了解昏迷时的神经功能以及患者苏醒的机会。然而，由于协议繁琐多样，标准化听觉刺激后的反应还远未在临床常规中使用。在这里，我们假设卷积神经网络可以帮助提取昏迷第一天对听觉刺激的脑电图反应的可解释模式，这些模式可以预测患者苏醒的机会和 3 个月后的存活率。我们使用卷积神经网络 (CNN) 对多中心和多方案患者队列中在标准化镇静和目标体温管理下昏迷第一天对听觉刺激的单次脑电图反应进行建模，并预测 3 个月时的结果。对于接受治疗性低温和常温的患者，使用 CNN 预测觉醒的阳性预测率分别为 0.83 ± 0.04 和 0.81 ± 0.06，预测结果的曲线下面积分别为 0.69 ± 0.05 和 0.70 ± 0.05。这些结果也持续存在于处于临床“灰色地带”的一部分患者中。网络预测结果的可信度基于可解释的特征：它与脑电图反应的神经同步性和复杂性密切相关，并受到独立临床评估的调节，例如脑电图反应性、背景爆发抑制或运动反应。我们的研究结果强调了可解释的深度学习算法与听觉刺激相结合在改善昏迷结果预测方面的巨大潜力。
IntrA：用于深度学习的 3D 颅内动脉瘤数据集
医学是深度学习模型的重要应用领域。该领域的研究是医学专业知识和数据科学知识的结合。在本文中，我们引入了一个开放的三维颅内动脉瘤数据集 IntrA，而不是二维医学图像，这使得基于点和基于网格的分类和分割模型的应用成为可能。我们的数据集可用于诊断颅内动脉瘤和提取颈部以进行医学和深度学习其他领域（如正常估计和表面重建）的夹闭手术。我们通过测试最先进的网络提供了一个大规模分类和部分分割的基准。我们还讨论了每种方法的性能，并展示了我们数据集的挑战。发布的数据集可以在这里访问：https://github.com/intra3d2019/IntrA。
使用深度学习检测脑肿瘤
我保证，据我所知，我的论文不侵犯任何人的版权，也不违反任何专有权利，并且我的论文中包含的任何想法、技术、引用或来自他人作品的任何其他材料（无论是否已发表）均已根据标准引用惯例完全承认。此外，如果我所包含的受版权保护的材料超出了《印度版权法》所规定的公平使用范围，我保证我已获得版权所有者的书面许可，可以将此类材料纳入我的论文中，并将此类版权许可的副本附在我们的附录中。
使用深度多尺度上下文聚合网络的残余噪声检测变形脸部攻击
随着人脸识别系统 (FRS) 的部署，人们开始担心这些系统容易受到各种攻击，包括变形攻击。变形人脸攻击涉及两张不同的人脸图像，以便通过变形过程获得一个与两个贡献数据主体足够相似的最终攻击图像。可以通过视觉（由人类专家）和商业 FRS 成功验证所获得的变形图像与两个主体的相似性。除非此类攻击能够被检测到并减轻，否则人脸变形攻击会对电子护照签发流程和边境管制等应用构成严重的安全风险。在这项工作中，我们提出了一种新方法，使用新设计的去噪框架来可靠地检测变形人脸攻击。为此，我们设计并引入了一种新的深度多尺度上下文聚合网络 (MS-CAN) 来获取去噪图像，然后将其用于确定图像是否变形。在三个不同的变形人脸图像数据集上进行了广泛的实验。还使用 ISO-IEC 30107-3 评估指标对所提出方法的变形攻击检测 (MAD) 性能进行了基准测试，并与 14 种不同的最新技术进行了比较。根据获得的定量结果，所提出的方法在所有三个数据集以及跨数据集实验中都表现出最佳性能。
PolypharmDB 是一种基于深度学习的资源，可快速识别 COVID-19 的再利用候选药物
迫切需要发现治疗 COVID-19（由 SARS-CoV-2 病毒引起的流行病）的方法。考虑到发现、开发和临床测试的时间表，从库筛选开始的标准小分子药物发现工作流程是不切实际的。为了加快患者测试的时间，我们在此探索了在临床环境中经过一定程度测试的小分子药物（包括已批准的药物）作为 COVID-19 的可能治疗干预措施的治疗潜力。我们这个过程的动机是一个称为多药理学的概念，即可能具有治疗潜力的脱靶相互作用。在这项工作中，我们使用了深度学习药物设计平台 Ligand Design 来查询获得联邦批准或正在进行临床试验的内部小分子药物集合的多药理学概况，目的是识别预计会调节与 COVID-19 治疗相关的靶标的分子。我们努力的成果是 PolypharmDB，这是一种药物资源，以及它们在人类蛋白质组中预测的蛋白质靶标结合。挖掘 PolypharmDB 产生了预测与 COVID-19 的人类和病毒药物靶标相互作用的分子，包括与病毒进入和增殖相关的宿主蛋白以及与病毒生命周期相关的关键病毒蛋白。此外，我们收集了针对两个特定宿主靶标 TMPRSS2 和组织蛋白酶 B 的优先批准药物集合，最近显示它们的联合抑制可以阻止 SARS-CoV-2 病毒进入宿主细胞。总体而言，我们证明了我们的方法有助于快速响应，确定了 30 种优先候选药物，用于测试它们可能用作抗 COVID 药物。使用 PolypharmDB 资源，可以在一个工作日内为新发现的靶标确定重新利用的候选药物。我们正在免费向合作伙伴提供我们确定的分子的完整列表，以便合作伙伴能够对它们的功效进行体外和/或临床测试。关键词：SARS-CoV-2 病毒、COVID-19、冠状病毒、TMPRSS2、组织蛋白酶 B、宿主-靶标、多药理学、脱靶相互作用 缩写：SARS-CoV-2：严重急性呼吸综合征相关冠状病毒 COVID-19：冠状病毒病-2019 3CLpro：木瓜蛋白酶样蛋白酶 PLpro：主要蛋白酶 RdRp：非结构蛋白 ACE2：血管紧张素转换酶 2 TMPRSS2：跨膜蛋白酶丝氨酸 2
无需权重传输的深度学习
目前的深度学习算法可能无法在大脑中运行，因为它们依赖于权重传输，即前向路径神经元将其突触权重传输到反馈路径，而这种方式在生物学上可能是不可能的。一种称为反馈对齐的算法通过使用随机反馈权重实现了没有权重传输的深度学习，但它在困难的视觉识别任务上表现不佳。在这里，我们描述了两种机制——一种称为权重镜像的神经回路和 1994 年 Kolen 和 Pollack 提出的算法的修改——这两种机制都允许反馈路径即使在大型网络中也快速准确地学习适当的突触权重，而无需权重传输或复杂的布线。在 ImageNet 视觉识别任务上进行测试，这些机制的学习效果几乎与反向传播（深度学习的标准算法，使用权重传输）一样好，并且它们优于反馈对齐和另一种较新的无传输算法符号对称方法。
深度学习：对人类的影响......
深度神经网络是一种复杂的结构化系统，它以并行、分布式和上下文敏感的方式处理信息，而深度学习则是利用这些系统通过依赖经验的学习过程获得与智能相关的能力的努力。在人工智能领域，深度学习的工作通常旨在利用所有可用的工具和资源来创造和理解智能，而不考虑其生物学合理性。然而，深度学习的许多核心思想都从大脑和人类智能的特征中汲取灵感，我们认为这些受大脑启发的系统最能捕捉这些特征（Rumelhart、McClelland 和 PDP 研究小组，1986 年）。此外，深度学习研究中出现的想法可以帮助我们了解人类和动物的记忆和学习。因此，深度学习研究可以看作是研究人员之间相互交流的沃土，这些研究人员研究的相关问题对生物智能和机器智能都有影响。
NAVFAC 开放环境修复资源 (OER2)：确定 MEC/MPPEH 水下埋藏深度的方法军用弹药被发现在某些水下位置，这是历史处置活动以及实弹训练、测试和其他操作的结果。在水下环境中仍能发挥作用的射弹和其他弹药构成爆炸危险，可能会迁移，使人员接触到这些弹药。这种爆炸危险的管理很复杂，取决于特定地点的考虑因素，例如弹药类型、海洋环境、移动潜力以及人员如何接触和与弹药互动。本次网络研讨会的目的是总结为了解水下环境中弹药的移动性和埋藏而开发的科学。将介绍环境观测、弹药观测技术、移动性和埋藏现场观测、移动与埋藏的物理学以及埋藏的物理过程建模。演示将以将这些知识在现有场地的实际应用结束。 演讲者：Bryan Harre，NAVFAC EXWC 和 Joe Calantoni，美国 NRL 博士 日期：2022 年 11 月 9 日，星期三 时间：太平洋时间上午 11 点 | 美国东部时间下午 2 点 通过以下链接注册参加网络研讨会：https://einvitations.afit.edu/inv/anim.cfm?i=697664&k=0468450F7D53 如果您无法点击链接，请将地址复制并粘贴到您的网络浏览器中。 州际技术与监管委员会 (ITRC) 关于可持续弹性修复 (SRR) 的网络研讨会 极端天气事件会对修复措施保护人类健康和环境的能力产生不利影响。可持续弹性修复 (SRR) 被定义为“清理和再利用危险废物场地的优化解决方案，可限制负面影响、最大化社会和经济效益并增强对日益增加的威胁的抵御能力”。该网络研讨会介绍了一些工具，可帮助将可持续和有弹性的实践融入修复项目中。主题：可持续的弹性修复演讲者：ITRC 日期：2022 年 11 月 17 日时间：太平洋时间上午 10 点 | 美国东部时间下午 1 点通过以下链接注册参加 ITRC 网络研讨会：https://clu-in.org/conf/itrc/SRR/有关更多信息，请查看 ITRC 关于此主题的报告：https://srr-1.itrcweb.org/ RPM 培训活动主题的最后一次征集 RPM 培训主题的最后一次征集：现在到 2022 年 11 月 16 日链接：https://einvitations.afit.edu/inv/anim.cfm?i=699708&k=04684B0E7B5F RPM 培训日期更新：2023 年 3 月 14 日至 16 日*这与原始/预计日期不同* 正在评估场地，活动举办批准将决定最终日期和地点。
NAVFAC 开放环境修复资源 (OER2)：确定 MEC/MPPEH 水下埋藏深度的方法军用弹药被发现在某些水下位置，这是历史处置活动以及实弹训练、测试和其他操作的结果。在水下环境中仍能发挥作用的射弹和其他弹药构成爆炸危险，可能会迁移，使人员接触到这些弹药。这种爆炸危险的管理很复杂，取决于特定地点的考虑因素，例如弹药类型、海洋环境、移动潜力以及人员如何接触和与弹药互动。本次网络研讨会的目的是总结为了解水下环境中弹药的移动性和埋藏而开发的科学。将介绍环境观测、弹药观测技术、移动性和埋藏现场观测、移动与埋藏的物理学以及埋藏的物理过程建模。演示将以将这些知识在现有场地的实际应用结束。 演讲者：Bryan Harre，NAVFAC EXWC 和 Joe Calantoni，美国 NRL 博士 日期：2022 年 11 月 9 日，星期三 时间：太平洋时间上午 11 点 | 美国东部时间下午 2 点 通过以下链接注册参加网络研讨会：https://einvitations.afit.edu/inv/anim.cfm?i=697664&k=0468450F7D53 如果您无法点击链接，请将地址复制并粘贴到您的网络浏览器中。 州际技术与监管委员会 (ITRC) 关于可持续弹性修复 (SRR) 的网络研讨会 极端天气事件会对修复措施保护人类健康和环境的能力产生不利影响。可持续弹性修复 (SRR) 被定义为“清理和再利用危险废物场地的优化解决方案，可限制负面影响、最大化社会和经济效益并增强对日益增加的威胁的抵御能力”。该网络研讨会介绍了一些工具，可帮助将可持续和有弹性的实践融入修复项目中。主题：可持续的弹性修复演讲者：ITRC 日期：2022 年 11 月 17 日时间：太平洋时间上午 10 点 | 美国东部时间下午 1 点通过以下链接注册参加 ITRC 网络研讨会：https://clu-in.org/conf/itrc/SRR/有关更多信息，请查看 ITRC 关于此主题的报告：https://srr-1.itrcweb.org/ RPM 培训活动主题的最后一次征集 RPM 培训主题的最后一次征集：现在到 2022 年 11 月 16 日链接：https://einvitations.afit.edu/inv/anim.cfm?i=699708&k=04684B0E7B5F RPM 培训日期更新：2023 年 3 月 14 日至 16 日*这与原始/预计日期不同* 正在评估场地，活动举办批准将决定最终日期和地点。