抽象课程推荐系统可以通过利用用户交互数据来帮助学生识别合适或有吸引力的课程,这显示了用户和课程之间以前的参与。但是,现有课程推荐系统的普遍问题是它们倾向于优先考虑准确性而不是解释性。这些复杂模型的“黑框”性质提出了一个挑战:准确表征和建模用户的偏好,同时还提供明确的,具有预性和可解释的用户配置文件。为了解决这种限制,我们为课程推荐提出了一个新颖的知识实体感知模型,该模型称为KEAM,该模型基于知识图的详细信息支持明确的用户个人资料生成,以增强学生对建议背后的理由的理解。具体来说,我们利用知识图中编码的信息,通过更换隐藏单元来使用神经网络之间建立单位之间的连接。接下来,对模型进行了培训,可以捕获学生的偏好并创建用户配置文件,以提供可解释的建议。在两个现实世界的在线数据集上进行了全面的实验,以评估所提出的模型的有效性和解释。
勒索软件攻击已成为一种主要的网络安全威胁,其越来越复杂的技术经常逃避传统的检测方法。提出了一个新颖的框架,该框架通过蒙特卡洛树搜索(MCT)的动态决策能力来协同深度学习模型的预测优势,从而为不断发展的勒索软件变体带来的挑战提供了全面的解决方案。通过严格的评估,混合动力框架在降低误报的同时表现出显着提高的检测准确性,表现优于常规机器学习模型。MCT的整合允许探索多个决策路径,从而实时增强了系统对新型威胁的适应性。此外,提出的模型还保持了计算效率,使其对于企业环境中的实时部署而言是可行的。结果证明了混合模型是现代网络安全中强大的防御机制的潜力,提供了一种可扩展有效的工具来减轻勒索软件威胁。
深度学习和神经网络:多层感知器:多层感知器体系结构,什么是隐藏的层?每一层中有多少层和多少个节点?激活函数:线性传输函数,重型阶跃功能(二进制分类器),sigmoid/logistic函数,软马克斯函数,双曲线切线函数(TANH),整流的线性单元,泄漏的relu。前馈过程:前馈计算,特征学习。错误函数:错误函数是什么?,为什么我们需要一个错误函数?错误总是正面的,均为正方形错误。跨凝性,关于错误和权重优化算法的最终说明:什么是优化?,批处理梯度下降,随机梯度下降,微型批次梯度下降,梯度下降点击。反向传播:什么是反向传播?,反向传播外卖。
使用机器学习(ML)算法在制造过程中嵌入的传感器内部嵌入的信息的进步和识别,以更好地决策成为构建数据驱动的监视系统的关键推动因素。在激光粉床融合(LPBF)过程中,基于数据驱动的过程监视正在广受欢迎,因为它允许实时组件质量验证。加上制造零件的实时资格具有重要的优势,因为可以降低传统的生产后检查方法的成本。此外,可以采取纠正措施或构建终止以节省机器时间和资源。然而,尽管在满足LPBF流程中的监视需求方面取得了成功的发展,但由于不同的过程空间,在处理来自激光材料互动的数据分布的变化时,对ML模型在决策方面的鲁棒性进行了更少的研究。受到ML中域适应性的想法的启发,在这项工作中,我们提出了一种基于深度学习的无监督域适应技术,以解决由于不同的过程参数空间的数据分布的转移。在两个不同的316 L不锈钢粉末分布(> 45 µm和<45 µm)上获得了从LPBF过程区域到三个机制到三个方案的声学发射区到三个方案的声波形式。对应于用不同激光参数处理的粉末分布的声波形的时间和光谱分析显示,数据分布中存在偏移,随后用建议的无监督域适应技术对其进行处理,以具有可以普遍化的ML模型。进一步,两个分布之间提议的方法的预测准确性表明,不受欢迎地适应新环境的可行性并改善了ML模型的推广性。
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)。
轴突是一种较细的,类似电缆的投影,可以延长数十万,数百甚至数万som的直径的倍数。轴突主要将神经信号远离躯体,并将某些类型的信息带回到其中。许多神经元只有一个轴突,但是这种轴突可能(通常都会)在广泛的分支下,从而可以与许多目标细胞进行通信。从躯体出现的轴突部分称为轴突小丘。除了是解剖结构外,轴突小丘还具有最大的电压依赖性钠通道密度。这使其成为神经元和轴突的尖峰启动区的最容易激发部分。用电生理术语,它具有最负阈值的潜力。
来自图像的深度估计是具有广泛应用的计算机视觉中的一个长期问题。对于基于视觉的自动驾驶系统,感知深度是理解道路对象和建模3D环境图的相关性的不可或缺的模块。由于深度神经网络用于求解各种视觉概率,因此基于CNN的方法[2-5,13,39 - 42,44,44,46,48,52]主导了各种深度基准。根据输入格式,它们主要将其分为多视图深度估计[3,13,23,26,44,45,51,53]和单视深度估计[14 - 16,19,37,38]。多视图方法估计深度的假设,即给定的深度,相机校准和摄像头姿势,这些像素应相似。他们依靠表现几何形状来三角形高质量深度。但是,多视图方法的准确性和鲁棒性在很大程度上依赖于相机的几何配置以及视图之间匹配的对应关系。首先,需要足够翻译相机以进行三角度。在自主驾驶的情况下,汽车可能会停在交通信号灯处或不移动而不移动,这会导致故障三角剖分。此外,多视图方法遭受动态对象和无动电区域的影响,它们在自动驱动方案中无处不在。另一个问题是对移动车辆的施加优化。在存在的大满贯方法中不可避免地噪声,更不用说具有挑战性和可取的情况了。具体来说,我们提出了一个两个分支网络,即例如,一辆机器人或自动驾驶汽车可以在不重新校准的情况下部署多年,原因是嘈杂的姿势。相比之下,作为单视图方法[14 - 16,19,37,38]依赖于对场景的语义理解和透视投影提示,它们对无纹理区域,动态对象,而不是依赖相机姿势更为易用。但是,由于规模歧义,其性能仍然远非多视图方法。在这里,我们倾向于考虑是否可以很好地结合两种方法的好处,以实现自主驾驶场景中的稳健和准确的单眼视频深度估计。尽管已经在先前的工作中探索了基于融合的系统[1,9],但他们都假定了理想的相机姿势。结果是融合系统的性能甚至比单视深度估计的噪声姿势还差。为了解决这个问题,我们提出了一个新型的自适应融合网络,以利用多视图和单视图方法的优势,并减轻其缺点,以保持高度的精度,并在噪声姿势下提高系统的影响力。一个靶向单眼深度提示,而另一个则利用多视图几何形状。两个分支都预测了深度图和置信图。补充语义提示和边缘细节在多视图分支的成本汇总中丢失了
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。
深度学习是一种自动学习方法,它基于大量示例的学习模式。 div>是一种复杂问题的特别有趣的方法,为之,数据(经验)广泛可用,但是制定分析解决方案是不可行的。 div>在本课程中,我们将探讨深度智能和计算机视觉的基本概念。 div>我们将通过理论会议和实践示例来展示如何根据任务(对象检测,实例分割,对象之间的关系预测)和数据模式(图像,视频,3D)创建和训练深层智力模型。 div>该课程将以一些高级问题的介绍以及有关最近趋势的讨论进行介绍。 div>