XiaoMi-AI文件搜索系统
World File Search System生成
增强型生成对抗网络，用于 3D 脑 MRI 超分辨率
用于磁共振成像 (MRI) 的单图像超分辨率 (SISR) 重建引起了人们的极大兴趣，因为它不仅可以加快成像速度，还可以改善可用图像数据的定量处理和分析。生成对抗网络 (GAN) 已被证明在图像恢复任务中表现良好。在这项工作中，我们遵循 GAN 框架并开发了一个与鉴别器相结合的生成器来解决 T1 脑 MRI 图像上的 3D SISR 任务。我们开发了一种新颖的 3D 内存高效的残差密集块生成器 (MRDG)，其在 SSIM（结构相似性）、PSNR（峰值信噪比）和 NRMSE（归一化均方根误差）指标方面实现了最先进的性能。我们还设计了一个金字塔池化鉴别器 (PPD) 来同时恢复不同尺寸尺度上的细节。最后，我们引入了模型混合，这是一种简单且计算效率高的方法，可以平衡图像和纹理
引用Mitzenmacher，迈克尔。 2001年。幂定律和对数正态分布的生成模型的简要历史。哈佛计算机科学集团T
使用条款本文从哈佛大学的DASH存储库下载，并根据适用于其他已发布材料（LAA）的条款和条件提供，如https://harvardwiki.atlassian.net/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/wiki/ngy/ngy/ngy5ngy5ndnde4zjgzndnde4zjgzntc5ndndndgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgizzmgiamsfyytytewy
通过准确率和召回率评估生成模型
生成模型的最新进展引起了人们对统计差异作为模型比较手段的研究兴趣。常用的评估方法，例如 Fréchet 初始距离 (FID)，与样本的感知质量有很好的相关性，并且对模式下降很敏感。然而，这些指标无法区分不同的失败案例，因为它们只产生一维分数。我们提出了一种新的分布精度和召回率定义，将差异分解为两个独立的维度。所提出的概念直观，保留了理想的属性，并自然而然地产生了一种可用于评估生成模型的有效算法。我们将这个概念与总变异以及最近的评估指标（如初始分数和 FID）联系起来。为了证明所提出方法的实用性，我们对生成对抗网络和变分自动编码器的几种变体进行了实证研究。在大量实验中，我们表明所提出的指标能够将生成样本的质量与目标分布的覆盖范围区分开来。
计划、参加、生成：规划序列到...
我们研究了使用注意力机制将规划机制集成到序列到序列模型中。我们开发了一个模型，该模型可以在计算输入和输出序列之间的对齐时提前规划未来，构建一个拟议未来对齐矩阵和一个承诺向量，该承诺向量决定是否遵循或重新计算计划。该机制的灵感来自最近提出的强化学习战略性专注读者和作家 (STRAW) 模型。我们提出的模型是端到端可训练的，主要使用可微分操作。我们表明，它在 WMT'15 的字符级翻译任务、查找图的欧拉电路的算法任务以及从文本生成问题方面的表现优于强大的基线。我们的分析表明，该模型计算出定性的直观对齐，比基线收敛得更快，并且以更少的参数实现了卓越的性能。
为什么生成学习策略可以改善记忆？
摘要 —生成性学习策略与认知和情感相联系。基于单因素实验设计，75 名被试被随机分配到化学虚拟现实 (VR) 课程，在三种条件下学习：VR、VR+总结和VR+自我测试。使用 emWave 系统记录学习者在学习过程中的情绪状态。使用保留测试测量学习者的学习成果，使用工具测量学习体验。结果表明，与没有生成性学习策略的 VR 课程学生相比，1）在学习过程中进行生成性自我测试策略的学生在认知过程中表现出更多积极情绪，学习后积极评价更多，记忆测试分数更高；2）在学习过程中进行生成性总结策略的学生在认知过程中表现出更多积极情绪，但即时记忆分数较低。这些发现为解释生成性总结和自我测试学习策略如何影响基于 VR 的学习提供了新的证据。
通过脑机接口生成
我们提出了一种实时生成音乐的方法，该方法由从脑电图 (EEG) 估计的用户情感状态驱动。这项工作旨在探索使用传感器数据的实时音乐生成应用策略。应用范围从用于 x-reality 的响应音乐到艺术装置，以及在教学环境中作为反馈的音乐生成。我们在开源平台 OpenViBE 中开发了一个脑机接口。它管理与 EEG 设备的通信并计算相关特征。基准数据集用于评估监督学习方法在价态和唤醒的二元分类任务上的表现。我们还使用减少数量的电极和频带评估了性能，以解决预算较低和环境嘈杂的问题。然后，我们解决了实时音乐生成模型的要求，并提出了对 Magenta 的 MusicVAE 的修改，引入了一个用于控制批次间内存的参数。最后，我们讨论了将所需音乐特征映射到模型的原生输入特征的可能策略。我们提出了一个概率图形模型来模拟从效价/唤醒到 MusicVAE 潜在变量的映射。我们还解决了数据集维度问题，提出了三个概率解决方案。
基于图的蛋白质设计的生成模型
工程蛋白质有可能解决生物医学、能源和材料科学中的许多问题，但在实践中创造出成功的设计却很困难。这一挑战的一个重要方面是蛋白质序列和三维结构之间的复杂耦合，而找到一种可行设计的任务通常被称为逆蛋白质折叠问题。在这项工作中，我们引入了一种基于图形表示的给定三维结构的蛋白质序列条件生成模型。我们的方法通过关注那些在序列中是长距离但在三维空间中是局部的蛋白质，有效地捕捉蛋白质中复杂的依赖关系。这种基于图的方法在速度和可靠性方面都比传统和其他基于神经网络的方法有所提高，并借助深度生成模型向快速和有针对性的生物分子设计迈出了一步。
具有深层生成模型的扩散加权磁共振大脑图像的现实产生
深度学习方法有可能减轻放射科医生处理繁琐的，耗时的任务，例如检测和细分病理病变[1]，但是在医学成像的背景下对神经网络的培训面临着主要的挑战：它们需要训练大量图像，因为这是很难获得的，因为在许多方面都可以限制医疗信息，并且由于许多方面的范围限制了其他方面的范围。此外，虽然在世界各地的医院数据库中可以提供相对较大的医学图像，但这些图像是未标记的，并且不同的机构以派遣和不均匀的方式保存医疗图像，这使得它们在较大的数据库中收集它们。在这种情况下，从头开始生成医学图像的方法可能引起人们的极大兴趣。生成建模是机器学习的一个子字段，它在产生新的高质量自然图像（例如面部照片[2]）方面具有令人印象深刻的精力[2]，并应用于语音综合[3]和磁共振图像重建等任务[4]。如果可以教导生成模型来产生现实且多样化的新医学图像，那么它们将具有很有吸引力的潜力，可以显着增加可用于深神经网络培训的图像数量，因此可以帮助提高这些网络的准确性[5-7]。
从条件线性操作中生成非线性...
大型骨气或连续可变的非线性可以具有许多应用，从猫状态的量子量的发生范围到量子传感，到灵敏度超过Heisenberg在资源中扩展的量子传感。然而，超大非线性的产生在实验上已经极具挑战性。我们描述了一种新的协议，其中人们可以通过Ancilla模式在光学模式下有条件地应用线性操作，从而有效地生成大型Kerr型非线性，然后在探针模式下测量Ancilla和矫正操作。我们的协议可以生成高质量的schrödinger猫状态，可用于量子计算，可用于对相位空间中的未知旋转或位移进行感应，并在资源中具有超级黑姐的缩放。我们最终使用Faraday效应与光学模式相互作用的原子合奏进行了潜在的实验实现。
宣传与生成ai
Mark Alfano，Macquarie University Amir Ebrahimi Fard，独立研究人员的关键字：错误信息，虚假信息，生成人工智能，宣传，Slopaganda摘要，至少自Francis Bacon，口号“知识IS Power”以来，已使用“知识IS Power”来捕获在小组级别上的决策之间的关系。我们知道，能够塑造小组的信息环境是塑造他们决策的一种方式。从本质上讲，这是为他们做出决定的一种方法。本文重点介绍了通过设计故意影响群体决策能力的策略，从而有效地塑造了他们在环境中利用信息的能力。其中最著名的是政治言论，宣传和错误信息。本文从这些文章中引出的现象是一种相对较新的策略，我们称之为Slopaganda。根据《卫报》的报道，澳大利亚新闻集团目前每周都会筹集3000种“本地”生成AI（GAI）故事。在未来几年中，这种“生成的AI斜率”将带来多种与知识有关的（认知）挑战。我们借鉴了认知科学和人工智能方面的当代研究来诊断斯洛帕加达的问题，描述了一些最近的令人不安的病例，然后提出了一些干预措施，这些干预措施可能有助于对抗Slopaganda。