XiaoMi-AI文件搜索系统
World File Search System经过训练
理解、理想化和可解释的人工智能
摘要 许多做出重要决策的人工智能系统都是黑匣子：它们的运作方式甚至对开发人员来说都是不透明的。这是因为它们非常复杂，而且是经过训练而非编程的。缓解黑匣子系统不透明度的努力通常从透明度、可解释性和可解释性的角度进行讨论。然而，对于这些关键概念的含义几乎没有达成一致，这使得很难判断缓解不透明度方法的成功或前景。我主张对这些关键概念进行统一的解释，将理解的概念视为基础。这使得科学哲学和理解认识论的资源能够帮助指导缓解不透明度的努力。这种理解解释的第一个重要好处是，它化解了对事后可解释人工智能 (XAI) 方法的主要原则性反对意见之一。这种“合理化反对意见”认为 XAI 方法提供的只是合理化，而不是真正的解释。这是因为 XAI 方法涉及使用单独的“解释”系统来近似原始黑箱系统。这些解释系统的功能与原始系统完全不同，但 XAI 方法根据解释系统的行为对原始系统进行推断。我认为，如果我们将 XAI 方法视为理想化的科学模型，这种合理化担忧就会消失。理想化的科学模型歪曲了其目标现象，但能够提供对其目标的重要而真实的理解。
嵌入式系统上心脏病机器学习分类的分析
摘要 — 心脏病已成为全球主要的健康问题，影响着全球数百万人。这种情况在医疗设施有限的发展中国家尤为严重。这种医疗保健障碍导致心脏病死亡率增加。早期诊断心血管疾病可以挽救生命。然而，个人医疗级设备价格昂贵，对于生活在这些地区的人们来说并不容易获得。以可承受的价格向这些社区提供同等水平的医疗服务非常重要。我们的研究旨在调查机器学习模型在低成本嵌入式系统上的性能。本研究将评估该模型在诊断心血管疾病方面的准确性、运行时间和整体性能。结果将帮助我们确定在低成本嵌入式系统中使用机器学习模型对心血管疾病进行分类的可行性。选定的机器学习模型已经过训练、修改并编译到嵌入式系统中。该模型根据预处理的输入数据返回分类结果。收集了多个指标来衡量模型和嵌入式系统的性能。初步结果很有希望，准确度与原始模型相似。如果这些结果在多次试验中得到证实，那么预计嵌入式系统上用于分类心血管疾病的机器学习模型将具有实用性，有助于向发展中国家提供负担得起的医疗服务。索引词——神经网络、机器学习、诊断、心电图
通过机器学习的环境监视 -
摘要：我们介绍了使用相互联系的光网络进行早期地震检测和定位，从而利用了现有的陆地纤维基础架构。采用波板模型，我们整合了从七个地震中的实际地面位移数据，幅度从四到六个地震范围从四到六个地震，以模拟纤维电缆中的应变，并收集大量的光偏光演化数据。这些模拟有助于增强经过训练和验证的机器学习模型，以检测地震破坏性表面波之前的主要波浪到达。验证结果表明该模型的精度超过95％。然后对机器学习模型进行M4.3地震测试，以智能传感网格利用了三个相互连接的网络网络。每个网络都配备了一个感应纤维，可与三个不同的地震站相对应。目的是确认跨互连网络的地震检测，通过三角测量方法定位震中坐标并计算纤维到纤维到调的距离。此设置允许在靠近Epicenter地点的市政当局的市政当局发电的预警，并延伸到较远的地方。模型测试显示检测主要波和一秒钟检测时间的精度为98％，可为附近21 s的区域提供对策，在更遥远的区域中延伸至57 s。
检测航空临时网络中的欺骗攻击...
摘要 — 我们考虑一个依赖于在欺骗者存在的情况下运行的飞机的航空自组织网络。如果合法飞机发送信号并且没有欺骗攻击，则地面基站接收到的聚合信号被视为“干净”或“正常”。相反，面对欺骗信号，接收信号被视为“虚假”或“异常”。自动编码器 (AE) 经过训练以从训练数据集中学习特征/特性，该训练数据集仅包含与没有欺骗攻击相关的正常样本。AE 将原始样本作为其输入样本并在其输出中重建它们。基于训练后的 AE，我们定义了欺骗发现算法的检测阈值。更具体地说，将 AE 的输出与其输入进行对比，将为我们提供曲线峰值方面的几何波形相似性/不相似性的度量。为了量化未知测试样本与给定训练样本（包括正常样本）之间的相似性，我们首先提出一种所谓的基于偏差的算法。此外，我们估计每架合法飞机的到达角（AoA），并提出一种所谓的基于 AoA 的算法。然后，基于这两种算法的复杂融合，我们形成了最终的检测算法，用于在严格的测试条件下区分虚假异常样本和正常样本。总之，我们的数值结果表明，只要仔细选择检测阈值，AE 就可以改善正确的欺骗检测率和误报率之间的权衡。
从... 预测视觉感知和工作记忆负荷
摘要 — 近年来，使用生理传感器预测工作量的方法多种多样。然而，这些方法中的大多数都是在小数据集上训练模型，大脑中的通道位置数量很少，这限制了模型在参与者、任务或实验会话之间迁移的能力。在本文中，我们介绍了一种新方法，该方法使用基于认知负荷理论的方法并采用结合注意力机制和自监督标签增强 (SLA) 的双向门控循环单元 (BiGRU)，对大量跨参与者和跨会话的高密度功能近红外光谱 (fNIRS) 数据集进行建模。我们表明，我们提出的 CNN-BiGRU-SLA 模型可以学习和分类不同级别的工作记忆负荷 (WML) 和视觉处理负荷 (VPL) 在不同参与者之间。重要的是，我们利用多标签分类方案，我们的模型经过训练可以预测同时发生的 WML 和 VPL 水平。我们使用留一法 (LOOCV) 和 10 倍交叉验证来评估我们的模型。使用 LOOCV，对于二元分类（关闭/打开），我们在 22 位参与者（每位参与者参加了 2 次会话）中获得了 WML 的 0.9179 F1 分数和 VPL 的 0.8907 F1 分数。对于多级（关闭、低、高）分类，我们获得了 WML 的 0.7972 F1 分数和 VPL 的 0.7968 F1 分数。使用 10 倍交叉验证，对于多级分类，我们获得了
原创研究论文：使用 CNN 改进分类模型以检测阿尔茨海默病
摘要：阿尔茨海默病 (AD) 通常被称为神经退行性疾病，是一种常见的痴呆症。这种脑部疾病没有永久的治愈方法，因此使用医学成像系统对此类疾病进行早期诊断非常重要。机器学习模型在 AD 的检测中起着至关重要的作用。由于大多数传统的机器学习模型难以检测到对疾病进行分类的基本特征，因此本研究使用了一种称为卷积神经网络 (CNN) 的先进深度学习框架来自动检测基本特征并对疾病进行分类。所提出的基于 CNN 的分类方法的构建组件包括卷积层、批量归一化过程、ReLU 和最大池化操作。这种基于 CNN 的分类方法的主要目的是通过分析脑部 MRI 来预测患者是否患有阿尔茨海默病。所实施的所提出的方法与经过训练、评估和测试过程的基于分类的系统相同。最后采用softmax层进行分类，并采用Adam优化技术降低loss，应用Adam可以实现更快的收敛，提出的改进CNN分类方法准确率达到97.8%。关键词：阿尔茨海默病检测，磁共振成像，卷积神经网络，深度学习
大脑优化的神经网络学习人类视觉皮层中的非层次化表征模型
经过训练以执行视觉任务的深度神经网络 (DNN) 会学习与灵长类动物大脑中视觉区域层次结构相一致的表征。这一发现意味着灵长类动物的视觉系统通过将表征传递给大脑区域的层次序列来形成表征，就像 DNN 通过将表征传递给层的层次序列来形成表征一样。为了检验这一假设的有效性，我们优化了 DNN，使其不执行视觉任务，而是直接预测人类视觉区域 V1–V4 中的大脑活动。通过大量人类大脑活动样本，我们构建了针对大脑优化的网络，它比针对任务优化的网络更准确地预测大脑活动。我们表明，针对大脑优化的网络可以学习与严格层次结构中形成的表征不同的表征。针对大脑优化的网络不需要将 V1–V4 中的表征与层深度对齐；此外，它们能够准确地模拟前脑区域（例如 V4），而无需计算与后脑区域（例如 V1）相关的中间表示。我们的研究结果挑战了人类视觉区域 V1–V4（就像 DNN 的早期层）充当更高级区域的串行预处理序列的观点，并表明它们可能有助于它们自己的独立功能。
测量基于深度学习的压缩感中的鲁棒性
抽象的深神经网络为重建少量和嘈杂测量的图像重建图像提供了最新的准确性，例如在加速磁共振成像（MRI）中引起的问题。然而，最近的作品引起了人们的担忧，即基于学习的图像重建方法对扰动很敏感，并且比传统方法不那么易用：神经网络（i）可能对小而却对对抗性的扰动敏感，（ii）可能会在分配中表现不佳，并且（iii）可能会在覆盖小型的图像中表现出色，但可能会在一个图像中覆盖重要特征。为了理解对此类范围的敏感性，在这项工作中，我们测量了图像重建的不同方法的鲁棒性，包括训练有素和未经训练的神经网络以及传统的基于稀疏的方法。我们发现，与先前的作品相反，训练和未经训练的方法都容易受到副本扰动的影响。此外，针对特定数据集调整的经过训练和未经训练的方法都在分配转移中遭受的损失非常相似。fi-Nelly，我们证明了一种实现更高重建质量的图像重构方法在准确恢复细节方面的性能也更好。我们的结果表明，基于最新的深度学习图像重新构造方法比没有构成鲁棒性的传统方法提供了改进的穿孔方法。
![arXiv:2404.17895v1 [cs.HC] 2024 年 4 月 27 日](/simg/g:\will\search\icon\source\7\71317db7666471198cd2dd51133daac74c160000.png)
arXiv:2404.17895v1 [cs.HC] 2024 年 4 月 27 日
摘要。脑机接口 (BCI) 融入智能轮椅 (SW) 技术领域，标志着在增强残疾人士的行动能力和自主能力方面取得了显著的飞跃。BCI 是一种使大脑和外部设备之间能够直接通信的技术。虽然 BCI 系统为增强人机交互和为残疾人士提供移动解决方案提供了绝佳的机会，但它们也引发了有关安全性、安全性和隐私的重大担忧，而这些问题尚未得到大规模研究人员的彻底解决。我们的研究旨在通过利用 BCI 的脑电图 (EEG) 信号来增强残疾人士对轮椅的控制。我们引入了一种非侵入式 BCI 系统，该系统利用神经信号采集耳机来捕获 EEG 信号。这些信号是从个人经过训练产生的特定大脑活动中获得的，从而可以精确控制轮椅。基于 EEG 的 BCI 有助于捕捉大脑的电活动并将这些信号转化为可操作的命令。我们研究的主要目标是展示该系统解释脑电图信号和解码用户发出的特定思维模式或心理命令的能力。通过这样做，它旨在将这些转换成轮椅的精确控制命令。这一过程包括识别导航意图，例如前进、后退或转弯，这些意图是专门为轮椅操作量身定制的。通过这种创新方法，我们旨在在用户的认知意图和轮椅运动之间创建一个无缝的界面，增强身体残疾人士的自主性和机动性。
人工智能与印度空战的未来
以色列王牌战斗机飞行员吉奥拉·埃文-爱泼斯坦 (Giora Even-Epstein) 在自传《鹰眼》中回忆了驾驶战斗隼 F-16 的经历，并评论说“驾驶 F-16 与我驾驶过的其他飞机都不同。感觉更像是电脑在驾驶飞机，而不是飞行员。”1 继火药和核武器之后，人工智能 (AI) 在战争中的使用可以被视为战争的下一次革命。2 人工智能应用越来越多地被纳入军事系统、自主武器、侦察和监视平台等。作为一种军民两用技术，它对未来军事力量分配的影响正在世界各地广泛讨论。人工智能引领进步的可能性开启了军备竞赛的范围，随着时间的推移，常规军事能力将变得越来越不重要。有报道称人工智能已经在模拟中击败了专业飞行员。 2020 年，美国空军官员与人工智能特工 ALPHA 展开了一场空中缠斗，ALPHA 每次都成功击落了美国官员。3 此外，据称，经过训练后，廉价计算机或智能手机中运行的人工智能系统可能会胜过人类飞行员。4 未来，大量微型隐形无人机将蜂拥进入敌人的空域/AD 系统，并严重破坏许多重要目标。5 无人平台将迅速普及，无论目前争论如何，同时使用有人和无人平台都将成为一种普遍做法