XiaoMi-AI文件搜索系统
World File Search System监督分类
神经形态在线聚类和分类
神经形态架构的底部两层经过设计，并被证明能够进行在线聚类和监督分类。使用主动脉冲树突模型，单个树突段执行的功能与经典的积分和激发点神经元基本相同。然后，单个树突由多个段组成，并能够进行在线聚类。虽然这项工作主要侧重于树突功能，但可以通过组合多个树突来形成多点神经元。为了展示其聚类能力，树突被应用于脉冲分类——脑机接口应用的重要组成部分。监督在线分类被实现为由多个树突和简单投票机制组成的网络。树突独立且并行地运行。网络以在线方式学习，并能适应输入流中的宏观变化。
高维和置换不变异常检测
由于学习高维概率致密性的困难，用于新物理过程异常检测的方法通常仅限于低维空间。尤其是在组成级别上，在流行密度估计方法中，很难纳入理想的特性，例如突变不变性和可变长度输入。在这项工作中，我们基于扩散模型引入了粒子物理数据的置换不变的密度估计值，该模型是专门设计用于处理可变长度输入的。我们通过利用学习的密度作为置换式异常检测评分来证明我们的方法论的功效，从而有效地识别了仅背景假设下的可能性很小的JET。为了验证我们的密度估计方法，我们研究了学习密度的比率，并与受监督分类算法获得的密度相比。
发行报告分类的大型语言模型
抽象有效的问题分类对于有效的软件项目管理至关重要。但是，分配给问题的标签通常不一致，这可能会对监督分类模型的性能产生负面影响。在这项工作中，我们研究了标签一致性和培训数据大小如何影响自动问题分类。我们首先在手动验证的数据集上评估了几种弹奏学习方法，并将其与更大的人群中的微调进行比较。结果表明，在经过一致的标签上训练和测试时，我们的方法可以达到更高的准确性。然后，我们使用GPT-3.5检查零射击分类，发现尽管没有微调，但其性能与监督模型相当。这表明生成模型可以在注释数据受到限制时帮助对问题进行分类。总的来说，我们的发现提供了有关平衡数据数量和质量的见解。
使用张量完成和有天赋的儿童识别的F-评分等级选择形态特征的混合方法
有才华的孩子能够比其他孩子更先进的学习，这可能是由于神经通路的沟通效率的神经生理学差异所致。拓扑特征有助于理解大脑结构与智力之间的相关性。尽管使用MRI进行了数十年的神经科学研究，但基于大脑区域连通性模式的方法受到MRI伪像的限制，因此，这会导致重新审视MRI形态计量特征，目的是使他们直接识别有天赋的儿童而不是使用大脑连接性。但是，带有异常值的小型，高维度的特征数据集使寻找良好的分类模型具有挑战性的任务。为此，提出了一种混合方法，该方法结合了张量的完成和特征选择方法来处理异常值，然后选择不犯罪功能。所提出的方法可以达到93.1％的分类精度，高于其他现有的算法，因此适用于具有监督分类场景中异常值的小型MRI数据集。
能源消耗中的非技术损失检测，重点关注能源回收和可解释性
摘要 非技术损失 (NTL) 是许多公用事业公司试图解决的问题，通常使用黑盒监督分类算法。一般来说，这种方法取得了良好的效果。然而，在实践中，NTL 检测面临着技术、经济和透明度方面的挑战，这些挑战无法轻易解决，并且会损害预测的质量和公平性。在这项工作中，我们将这些问题置于为一家国际公用事业公司建立的 NTL 检测系统中。我们解释了如何通过从分类转向回归系统并引入解释技术来提高其准确性和理解力，从而缓解这些问题。正如我们在本研究中所展示的，回归方法可以成为缓解这些技术问题的一个很好的选择，并且可以进行调整以捕捉最引人注目的 NTL 案例。此外，可解释的人工智能（通过 Shapley 值）使我们能够在基准测试之外验证回归方法在这种背景下的正确性，并大大提高我们系统的透明度。
使用人工智能进行软件工程需求分析
摘要 应用软件是关于逻辑、问题解决和创造力的。它基于用户需求。需求是最终用户和软件开发团队之间的桥梁。规划、数据收集、分析、设计、编程、测试、实施和维护过程是软件开发中使用的一些程序。在软件开发过程中，规划和需求分析具有相当大的风险。在 SDLC 的需求分析阶段开始出现的问题将持续存在于软件的整个生命周期中，使其成为 SDLC 的关键阶段。当在需求分析过程中使用自动化技术时，它可以降低软件开发的成本和持续时间。自然语言处理 (NLP) 有助于识别用户需求中的问题。使用监督分类方法（如 SVM、K-Nearest Neighbour 和 Naive Bayes 算法）以及文本向量化技术（如 BoW 和 TF-IDF）对软件需求进行分类和识别。本章的主要目的是在需求分析过程中识别用户需求问题并提供 AI 技术来克服这些问题。关键词：A.I.、ML、NLP、Python、SDLC
IGBP 全球土地覆盖特征化过程分析
摘要 国际地圈生物圈计划 (rcnr) 呼吁开发改进的全球土地覆盖数据，以用于日益复杂的全球环境模型。为了满足这一需求，美国地质调查局和内布拉斯加州林肯大学的工作人员开发并应用了一种全球土地覆盖特征描述方法，该方法使用 1992-1993 年 1 公里分辨率的先进甚高分辨率辐射计 (fnvunn) 和其他空间数据。该方法基于无监督分类和广泛的分类后细化，产生了一个多层数据库，该数据库由八个手工覆盖数据集、描述性属性和源数据组成。独立的 IGBP 精度评估报告称，全球精度为 zs.s%，各大洲的结果从 63% 到 83% 不等。虽然数据质量、方法、解释器性能和物流都会影响结果，但 AvHnR 数据与复杂自然或受干扰景观中精细尺度、光谱相似的土地覆盖模式之间的关系存在重大问题。
利用机器学习揭示量子混沌
理解量子物质的性质是科学领域的一项重大挑战。在本文中，我们展示了如何成功地将机器学习方法应用于单粒子和多体系统中各种状态的分类。我们实现了神经网络算法，该算法可以以极高的准确度对量子台球模型中的规则行为和混沌行为进行分类。我们使用变分自动编码器对规则/混沌波函数进行自动监督分类，并证明自动编码器可用作检测异常量子态（如量子疤痕）的工具。通过进一步采用这种方法，我们表明机器学习技术使我们能够确定海森堡 XXZ 自旋链中从可积性到多体量子混沌的转变。对于这两种情况，我们都证实了表征转变的通用 W 形状的存在。我们的研究结果为探索机器学习工具在揭示量子多体系统中奇异现象方面的强大功能铺平了道路。
人工智能的随机矩阵理论：从理论到实践
摘要：当今，人工智能在很大程度上依赖于使用大型数据集和改进的机器学习方法，这些方法涉及利用基于大型数据集的分类和推理算法。这些大维度会引起许多违反直觉的现象，通常导致对许多通常以小数据维度的直觉设计的机器学习算法的行为理解不佳。通过利用多维框架（而不是受其影响），随机矩阵理论 (RMT) 能够预测许多非线性算法（如某些神经网络）的性能。随机，以及许多核方法，如如SVM、半监督分类、主成分分析或谱聚类。为了从理论上表征这些算法的性能，底层数据模型通常是高斯混合模型（GMM），考虑到真实数据（例如图像）的复杂结构，这似乎是一个强有力的假设。此外，机器学习算法的性能取决于它们所应用的数据表示（或特征）的选择。再次，将数据表示视为高斯向量似乎是一个相当严格的假设。本论文以随机矩阵理论为基础，旨在超越简单的 MMG 假设，通过研究具有普遍性的集中随机向量假设下的经典机器学习工具
人工智能及其在医学中的应用I
塞维利亚大学学习对象库 [2019 年 3 月 4 日访问] 网址：https://rodas5.us.es/file/1240b064-8389-6228-96a5-653dd137f73b/1/capitulo3 SCORM.zip/pagina 22.htm。 4. Domjan M.学习和行为原则。马德里：汤姆森； 2012. 5. Basogai-Olabe X. 人工神经网络及其应用。毕尔巴鄂工程学院。毕尔巴鄂：毕尔巴鄂工程学院 [2019 年 3 月 4 日访问] 网址：https://ocw.ehu.eus/file。 php/102/neuro-networks/contents/pdf/course-book.pdf。 6.Sancho-Caparrini F. 监督和无监督分类。 Fernando Sancho Caparrini [2019 年 3 月 7 日访问] 网址：http://www.cs.us.es/ ∼ fsancho/?e=77。 7. McCulloch WS，Pitts W. 神经活动中固有观念的逻辑演算。数学生物物理学公报。 1943；5：115---33 [2019 年 3 月 7 日访问]。网址：http://link.springer.com/10.1007/BF02478259。 8. 1956 年达斯茅斯会议。[2019 年 3 月 7 日访问] 网址：https://darthmouthconference.wordpress.com/。 9. Ramirez F. 大数据与数据科学博客：人工智能的历史：