XiaoMi-AI文件搜索系统
World File Search System督学
通过自监督学习和领域自适应实现雷达信号识别
摘要 — 自动雷达信号识别 (RSR) 在电子战 (EW) 中起着关键作用，因为准确分类雷达信号对于为决策过程提供信息至关重要。深度学习的最新进展显示出在具有大量注释数据的领域中提高 RSR 性能的巨大潜力。然而，这些方法在注释 RF 数据稀缺或难以获得的 EW 场景中就显得不足了。为了应对这些挑战，我们引入了一种自监督学习 (SSL) 方法，该方法利用掩蔽信号建模和 RF 域自适应来增强 RF 样本和标签有限的环境中的 RSR 性能。具体而言，我们研究了对来自不同 RF 域的基带同相和正交 (I/Q) 信号进行预训练掩蔽自动编码器 (MAE)，然后将学习到的表示转移到注释数据有限的雷达域。实证结果表明，与不使用 SSL 的基线相比，我们的轻量级自监督 ResNet 模型在域内信号（即雷达信号）上进行预训练时，1 次分类准确率可提高 17.5%，在域外信号（即通信信号）上进行预训练时，1 次分类准确率可提高 16.31%。我们还为几种 MAE 设计和预训练策略提供了参考结果，为少样本雷达信号分类建立了新的基准。索引术语 — 少样本、雷达信号识别、域自适应、自监督学习、掩蔽自动编码器
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
b"作者姓名：Divyanshu Tak 1,2, ；Biniam A. Garomsa 1,2 ；Tafadzwa L. Chaunzwa 1,2,10 ；Anna Zapaishchykova 1,2, ；Juan Carlos Climent Pardo 1,2 ；Zezhong Ye 1,2, ；John Zielke 1,2 ；Yashwanth Ravipati 1,2 ；Sri Vajapeyam 4 ；Ceilidh Smith 2 ；Kevin X.Liu 4 ；Pratiti Bandopadhayay 4,5 ；Sabine Mueller 9 ；黄蒙德4,5,11; Tina Y. Poussaint 4,5；Benjamin H. Kann 1,2,5 * 作者隶属关系：1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目，美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系，美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系，荷兰马斯特里赫特 4. 波士顿儿童医院，美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所，美国马萨诸塞州波士顿 6. 密歇根州立大学，美国密歇根州东兰辛 7. 费城儿童医院，美国费城 8. 宾夕法尼亚大学，美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系，美国旧金山 10. 纪念斯隆凯特琳癌症中心中心，纽约，美国 11. 哈佛医学院布莱根妇女医院放射科，马萨诸塞州波士顿。 * 通讯作者 通讯地址：Benjamin H. Kann，医学博士 医学人工智能 (AIM) 项目，麻省总医院布莱根，哈佛医学院，221 Longwood Avenue，Ste 442，波士顿，马萨诸塞州 02115，美国 电子邮件：Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理，但需要具有可泛化知识的算法，以便在各种临床场景中表现良好。到目前为止，该领域受到有限的训练数据和特定于任务的模型的限制，这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应，提出了一个有前途的范例来克服这些限制。在这里，我们介绍了脑成像自适应核心 (BrainIAC)，这是一种新颖的基础模型，旨在从未标记的脑 MRI 数据中学习广义表示，并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证，证明 BrainIAC 优于局部监督训练和其他预训练模型，特别是在低数据设置和高难度任务中，允许在其他不可行的情况下应用。
揭开无监督学习的神秘面纱：它有何好处，又有何坏处
1 图 1b 中的测试动物是一只山羊。虽然大多数非专家会根据不可靠的特征（例如毛量）来预测绵羊/山羊，但区分它们的最简单方法是看它们的尾巴：山羊的尾巴向上，而绵羊的尾巴不能抬起。
通过无监督学习以最少的先验知识识别量子相变
在本研究中，我们提出了一种新方法，使用自动编码器 (AE)（一种无监督机器学习技术）在极少先验知识的情况下识别一维量子多体系统中的量子相变。AE 的训练是使用通过精确对角化 (ED) 在整个驱动参数范围内获得的约化密度矩阵 (RDM) 数据进行的，因此不需要相图的先验知识。使用此方法，我们通过跟踪 AE 重构损失的变化，成功地检测到了具有多种不同类型相变的广泛模型中的相变，包括拓扑和 Berezinskii-Kosterlitz-Thouless 相变。学习到的 AE 表示用于表征不同量子相背后的物理现象。我们的方法展示了一种研究量子相变的新方法，只需极少的知识和少量所需数据，并生成量子态的压缩表示。
表示评估自我监督学习
自我监督学习（SSL）旨在学习没有标签的数据的界限。尽管具有di-verse SSL体系结构，但投影头始终在改善下游任务性能中起着重要作用。在这项研究中，我们系统地研究了投影头在SSL中的作用。我们发现投影头靶向统一方面，该方面将样品映射到统一的分配中，并使编码器能够专注于提取语义特征。借鉴了这种见解，我们在SSL模型中提出了一个表示评估设计（RED），其中建立表示和投影向量之间的快捷方式连接。我们对各种数据集上不同体系结构（包括SIMCLR，MOCO-V2和SIMSIAM）进行的广泛实验表明，Red-SSL在下游任务中始终优于其基线对应物。此外，红色SSL学到的表示形式表现出与以前看不见的增强和分发数据相比的较高鲁棒性。
量子监督学习
摘要 量子计算的最新进展使其成为解决复杂计算挑战的潜在解决方案，而监督学习正成为一个特别有前途的应用领域。尽管具有这种潜力，量子机器学习领域仍处于早期阶段，人们对于其可能在短期内出现的量子优势仍然存在一定程度的怀疑。本文旨在从经典的角度审视当前的监督学习量子算法，有效地将传统的机器学习原理与量子机器学习的进步结合起来。具体而言，本研究绘制了一条与量子机器学习文献主要关注点不同的研究轨迹，它源于经典方法的先决条件，并阐明了量子方法的潜在影响。通过这次探索，我们的目标是加深对经典方法和量子方法之间融合的理解，从而为未来两个领域的发展奠定基础，并促进经典方法从业者参与量子机器学习领域。
（第三届学术研究前沿国际会议 ICFAR 2024，2024 年 6 月 15-16 日）ATIF/参考：Karimi, MU、Abubakar, SM、Mustafa, SJ 和 Ahmad, B.（2024 年）。人工智能和机器学习算法简介：综述。国际先进自然科学与工程研究杂志，8(5)，30-34。摘要——本文广泛概述了人工智能 (AI) 和机器学习 (ML) 算法及其跨学科性质以彻底改变任何领域，讨论了它们的发展、基础、应用和挑战。人工智能和机器学习技术已经彻底改变了各个行业，推动了各个领域的创新和效率。本文探讨了人工智能和机器学习的多学科性质，强调了它们在分析大数据集、做出预测和自动化决策过程方面的重要性。它追溯了人工智能的历史里程碑，从艾伦图灵的开创性工作到深度学习和神经网络的兴起。本文介绍了机器学习算法的基础知识，包括监督学习、无监督学习和强化学习，以及它们在医疗保健、金融、工程、交通和电子商务中的实际应用。此外，本文还讨论了人工智能和机器学习技术面临的关键挑战，例如不确定性、算法选择复杂性和过度拟合，强调了持续研究和跨学科合作在应对这些挑战方面的重要性。本文的最终目标是加强人工智能和机器学习技术在塑造智能人工智能和机器学习驱动系统和智能社会的未来方面的范式改变潜力。
（第三届学术研究前沿国际会议 ICFAR 2024，2024 年 6 月 15-16 日）ATIF/参考：Karimi, MU、Abubakar, SM、Mustafa, SJ 和 Ahmad, B.（2024 年）。人工智能和机器学习算法简介：综述。国际先进自然科学与工程研究杂志，8(5)，30-34。摘要——本文广泛概述了人工智能 (AI) 和机器学习 (ML) 算法及其跨学科性质以彻底改变任何领域，讨论了它们的发展、基础、应用和挑战。人工智能和机器学习技术已经彻底改变了各个行业，推动了各个领域的创新和效率。本文探讨了人工智能和机器学习的多学科性质，强调了它们在分析大数据集、做出预测和自动化决策过程方面的重要性。它追溯了人工智能的历史里程碑，从艾伦图灵的开创性工作到深度学习和神经网络的兴起。本文介绍了机器学习算法的基础知识，包括监督学习、无监督学习和强化学习，以及它们在医疗保健、金融、工程、交通和电子商务中的实际应用。此外，本文还讨论了人工智能和机器学习技术面临的关键挑战，例如不确定性、算法选择复杂性和过度拟合，强调了持续研究和跨学科合作在应对这些挑战方面的重要性。本文的最终目标是加强人工智能和机器学习技术在塑造智能人工智能和机器学习驱动系统和智能社会的未来方面的范式改变潜力。
基于 DNA 的神经网络中的分子模式识别和监督学习
自然界的适应始于亚细胞、分子水平，生物分子级联的微妙相互作用协调着细胞的无数功能。这些细胞的混合活动成为多细胞系统复杂行为的表现。大自然提供了一系列令人眼花缭乱的例子，展示了智能功能的变化。然而，在合成构造领域，人类已经成功设计了哪些系统？我们的技术力量的界限是什么？与大自然的库相比，人类的成就显得相当微不足道。在智能生物中观察到的复杂行为源于其组成元素之间的集体相互作用和反馈回路，从而产生了新的特性和现象。为了开发表现出更像大脑的智能行为的大规模工程系统，我们必须首先设计出新的分子结构和算法，用于分子尺度的适应和学习。我在这里介绍的研究是朝着这些目标迈出的一小步。我将展示由 DNA 制成的新型分子系统的设计，这些系统表现出复杂的神经计算和学习行为。
基于无监督学习
在人工智能中了解了机器学习的过程。机器学习过程使工具具有从其经验中学习并改善自己的能力，而无需任何编码。在机器学习中，我们以用户希望通过机器完成的工作方式对计算机或机器进行编程。它可以提供此类工作，在此过程中，计算机根据数据已经与数据进行了工作并提供其性能。撰写论文的目的是基于无监督学习的模型数据集应用k-意味着聚类算法。我们过去在监督学习中将功能数据和标签标签传递给机器学习模型。但是，无监督学习算法的方法是不同的。在此中，我们不将功能数据和目标数据提供给模型。数据集模型仅使用输入数据进行处理，并且输出数据在模型中没有含义。基于数据和模型中的相似性预测所需的输出。k-means基于无监督的学习聚类算法，其中数据和对象分为不同的簇，以使具有相似属性的对象放在一个群集中，并且具有不同属性的对象被放置在单独的群集中。