XiaoMi-AI文件搜索系统
World File Search System神经模型
脑肿瘤MRI医学图像分类模型...
本研究讨论了一种使用卷积神经网络 (BTMIC-CNN) 的全自动脑肿瘤 MRI 医学图像分类模型。所提出的神经模型采用设计科学研究方法 (DSRM) 对来自两个数据集的 MRI 医学图像进行分类。一个用于二元分类任务（包含肿瘤和非肿瘤图像）。第二个用于多类分类任务（包含三种类型的脑肿瘤 MRI 医学图像，即：神经胶质瘤、脑膜瘤和垂体）。该模型的优异性能通过评估指标得到确认，总体准确率为 99%。它在分类准确度方面优于现有方法，有望帮助放射科医生和医生准确对脑肿瘤图像进行分类。这项研究有助于实现可持续发展目标 (SDG) 的第三个目标，即良好的健康和福祉。
对话式人工智能的最新进展
对话式人工智能是一个长期的研究课题。学术界和工业界都对这类系统表现出了浓厚的兴趣。对话式人工智能系统具有很大的商业价值，涉及自然语言处理、语音识别、知识库推理和人机交互设计等许多有趣的问题。目前已经建立了许多大规模的对话式人工智能系统，例如 Siri、Xiaoice、Alexa 和 Google Assistant。近年来，随着基于神经模型在各个领域的涌现[12, 19, 32, 35, 50, 58]，各种基于神经的对话式人工智能系统已经开发出来[2, 5, 11, 24, 60, 68]。研究者采用的主要技术有三类：实体的分布式表示、序列到序列模型和强化学习框架。采用分布式表示来表示内部状态、用户话语和外部知识，以便更方便地检索和处理。采用序列到序列模型来生成高
国家社会经济、投资和创新政策的神经网络建模 Rostyslav Yurynets 1、Zoryna Yurynets 2、Mariola
摘要 本研究旨在建立神经网络模型，以研究乌克兰国家社会经济、投资和创新政策的主要变化，从而改善国家管理，形成以社会和创新为导向的国民经济。使用神经网络模型进行了数值试验。提出的神经网络模型基于乌克兰和世界领先国家的社会经济、投资和创新发展指标。神经模型采用了描述乌克兰 2000-2021 年国家政策结果的指标。开发的模型可以确定有助于乌克兰 GDP 增长的因素并预测该国经济增长。得出以下结果：公共固定投资和国家预算对创新活动的融资对国家经济增长的影响最大，国家预算中研发资金的增加和政府对教育的支出对经济发展同样重要。用于预测和评估国家社会经济、投资和创新政策的神经网络模型可以预测资源分配和预算的主要方向。
深层模型中的神经元与大脑中的神经元如何相关
摘要：在处理智能系统的算法方面时，与生物学大脑的类比一直很有吸引力，并且经常具有双重功能。一方面，它一直是其设计灵感的有效来源，另一方面，它被用作其成功的正当化来源，尤其是在深度学习（DL）模型的情况下。近年来，大脑的灵感失去了对自己的第一个角色的控制，但它继续提出第二个角色，尽管我们认为它也变得越来越容易辩护。在合唱之外，有一些理论上的建议，而是识别DL和人类认知之间的重要分界线，甚至是不可忽视的。在本文中，我们认为，矛盾的是，深神经模型开发人员对生物神经元的功能的部分冷漠是其成功的原因之一，并促进了务实的机会主义态度。我们认为，甚至有可能瞥见另一种类型的生物学类比，因为现代DL开发中的启发式方法本质上是与自然进化的相似之处。
神经符号人工智能：一类新兴的人工智能工作负载及其特征
摘要 — 神经符号人工智能是人工智能研究的一个新领域，旨在将传统的基于规则的人工智能方法与现代深度学习技术相结合。神经符号模型已经证明了在图像和视频推理等领域超越最先进的深度学习模型的能力。它们还被证明能够以比传统模型少得多的训练数据获得高精度。由于该领域出现的时间较晚，且已发表的结果相对稀少，这些模型的性能特征尚不清楚。在本文中，我们描述和分析了三种近期神经符号模型的性能特征。我们发现，由于复杂的控制流和低操作强度运算（例如标量乘法和张量加法），符号模型的潜在并行性低于传统神经模型。然而，在它们明显可分离的情况下，计算的神经方面主导着符号部分。我们还发现数据移动会造成潜在的瓶颈，就像在许多 ML 工作负载中一样。索引术语 — 神经符号、机器学习、性能、推理
有灵：人工智能歌词创作系统
近来，人们提出了多种用于歌词生成的神经模型。然而，之前的大部分工作都是一次性完成生成过程，很少需要人工干预。我们认为，歌词创作是一个以人类智能为中心的创造性过程。人工智能应该在歌词创作过程中扮演助手的角色，而人机交互对于高质量的创作至关重要。本文介绍了一种人工智能辅助歌词创作系统 Youling，旨在与音乐创作者合作。在歌词生成过程中，Youling 支持传统的一次性全文生成模式和交互式生成模式，用户可以根据先前的上下文从生成的候选句子中选择满意的句子。该系统还提供了一个修改模块，使用户可以反复修改歌词中不想要的句子或单词。此外，Youling 还允许用户使用多方面的属性来控制生成的歌词的内容和格式。该系统的演示视频可在 https://youtu.be/DFeNpHk0pm4 上找到。
特邀评论：用于情绪分析的神经符号人工智能
I. 引言基于神经网络的方法，特别是深度学习，是人工智能研究的一个新兴领域，并且在我们进入数字时代时成功处理了不断增长的数据量。如今，基于神经网络的方法不仅用于识别物体和识别关键词等低级认知任务，而且还被部署在各种工业信息系统中，以协助高级决策。在自然语言处理领域，过去十年有两个里程碑：一个是word2vec [1]，这是一组从大型数据集中学习词嵌入（单词的向量表示）的神经模型；一个是基于GPT的最新模型[2]，它将强化学习与生成式转换器相结合，以实现多轮端到端对话。虽然这些基于神经网络的模型可以对数据集进行高度准确的预测并生成类似人类的话语，但它们对数据的内部特征和表示却几乎没有提供任何理解。随后，许多问题和担忧都源于这个黑箱问题。由于其中一些问题和担忧也与情绪分析有关，我们在下面列出了其中五个：
人工智能与医学寄生虫学
计算机科学的人工智能领域自 20 世纪 50 年代以来发展起来，其标志性概念称为机器学习 (ML)。后者可以帮助操作设计好的算法，使用大数据输入来训练人工神经模型以及人工神经网络 (ANN)，以及如何以高吞吐量的方式设置最准确的输出。ANN 的这种 ML 训练最终可以导致各种隐藏输出的自主中间神经元校正，以设计取决于这些神经元已经学习的几个上下文的输出 [1,2] 。ML 中一个特别不可或缺的领域是深度学习 (DL)。这是一个基于神经的计算系统，通过根据输入数据不断调整的预测进行修改和校正。因此，ANN 可以学习如何根据数据输入进行自主校正和预测 [3] 。在此背景下，人工智能代表了医学领域的一次飞跃，包括医学寄生虫学。这适用于多个方面，例如检测不同生物样本中的寄生虫、感染控制、药物靶标检测和新药设计，当然还有寄生虫学教学。
与封闭交叉注意的药物目标相互作用的可解释框架
在药物靶标相互作用的计算机预测中（DTI）对于药物发现显着，因为它可以很大程度上降低药物开发过程中的时间表和成本。特定的，基于深度学习的DTI方法在预测的准确性和低成本方面已显示出令人鼓舞的结果。但是，他们很少关注其预测结果的解释性以及药物与目标之间的特征水平相互作用。在这项研究中，我们提出了一个新颖的可解释框架，可以为交互作用提供合理的线索。为此，我们精心设计了一个封闭式的跨注意机制，该机制通过在这些特征之间构建明确的相互作用来杂交地参加药物和目标特征。该方法中的门控函数使神经模型能够专注于整个药物和蛋白质序列上的显着区域，并且该功能的副产品（即注意图）可以用作可解释的因素。实验结果显示了两个DTI数据集中提出的方法的效率。此外，我们表明，封闭式的交叉注意可以对突变有敏感的反应，并且该结果可以为鉴定靶向突变蛋白的新药物提供见解。
脑监督图像编辑
尽管用于语义图像编辑的深度神经模型最近取得了进展，但目前的方法仍然依赖于明确的人工输入。先前的工作假设有手动整理的数据集可用于监督学习，而对于无监督方法，需要人工检查发现的组件以识别那些修改有价值语义特征的组件。在这里，我们提出了一种新颖的替代方法：利用大脑反应作为学习语义特征表示的监督信号。在一项神经生理学实验中，向参与者 (N=30) 展示人工生成的面孔并指示他们寻找特定的语义特征，例如“老”或“微笑”，同时通过脑电图 (EEG) 记录他们的大脑反应。使用从这些反应推断出的监督信号，学习生成对抗网络 (GAN) 潜在空间内的语义特征，然后将其用于编辑新图像的语义特征。我们表明，隐性大脑监督实现的语义图像编辑性能与显性手动标记相当。这项工作证明了利用通过脑机接口记录的隐性人类反应进行语义图像编辑和解释的可行性。