XiaoMi-AI文件搜索系统
World File Search System经过训练
基于心理命令和面部的无人机控制...
摘要 - 当它试图控制无人机时，通过各种设备有许多不同的方式，使用面部运动，带有传感器的特殊手套，笔记本电脑上的红色，绿色，蓝色摄像头，甚至通过执行由运动传感器拾取的手势来使用智能手表。本文提出了一项有关如何使用脑电波控制无人机的工作，而无需任何这些设备。当前研究的无人机控制系统是使用Emotiv Insight耳机拍摄的脑电图信号开发的。脑电图信号是从用户的大脑中收集的。然后通过蓝牙将处理后的信号发送到计算机。耳机采用蓝牙低能来进行无线传输。用户的大脑经过训练，以便使用生成的脑电图数据。最终信号通过MQTT消息传递协议传输到Raspberry Pi零。Raspberry Pi从耳机中控制无人机通过传入信号的运动。几年后，大脑控制可以替代许多普通的输入来源，例如键盘，触摸屏或其他传统方式，因此它可以增强交互式体验，并为残疾人与周围环境互动提供新的方式。
生成式人工智能：ChatGPT 和搜索
OpenAI 成立于 2015 年，最初是一家研究实验室，是三种生成式 AI 模型（ChatGPT、Codex 和 DALL-E）背后的 AI 研究和部署公司。这些模型经过训练，可以理解人类语言的结构，从而创建文本、代码和图像内容，以及来自训练集的新类型的数据/见解。由于计算、数据可用性以及公众测试和进一步完善模型的能力的提高，这些模型的发布已成为生成式 AI 的一个转折点。ChatGPT（生成的预训练 Transformers 或 GPT-3）的第三次迭代于 2022 年 11 月推出，是一个能够解决/回答提示的类人 AI 平台。ChatGPT 在搜索方面的不同之处在于，它以对话式风格响应查询，而不是提供建议网站的链接。自推出以来，它已成为历史上增长最快的消费者应用程序，截至 2023 年 1 月，月平均用户数 (MAU) 已达 1 亿。作为对比，之前增长最快的应用程序的记录保持者是 TikTok（9 个月）和 Instagram（2.5 年）。2
高分辨率图像合成的缩放矫正流量变压器
扩散模型从噪声中创建数据（Song等，2020）。他们经过训练，可以将数据的向前路径逆转到随机噪声，因此，可以使用神经网络的近似和泛化特性，可用于生成训练数据中不存在的新数据点，但遵循训练数据的分布（Sohl-Dickstein等人。，2015年； Song＆Eron，2020）。这种生成建模技术已被证明非常有效地对高维，感知数据（例如图像）进行建模（Ho等人，2020）。近年来，扩散模型已成为产生具有令人印象深刻概括能力的自然语言输入的高分辨率图像和视频的事实方法（Saharia等人，2022b; Ramesh等。，2022; Rombach等。，2022; Podell等。，2023; Dai等。，2023; Esser等。，2023; Blattmann等。，2023b; Betker等。，2023; Blattmann等。，2023a; Singer等。，2022）。由于其迭代性质和相关的计算成本以及推理期间的较长采样时间，对这些模型进行更多有效训练的制剂的研究和/或更快的采样速度有所增加（Karras等人，2023;刘等。，2022）。
基于机器学习的无扫描非相干显微镜可用于微创深部脑成像
摘要：深层脑显微镜受成像探头尺寸的严重限制，无论是在可实现的分辨率方面，还是在手术可能造成的创伤方面。在这里，我们展示了一段超薄多模光纤（套管）可以取代大脑内部笨重的显微镜物镜。通过创建一个自洽的深度神经网络，该神经网络经过训练可以从套管传输的原始信号中重建以人为中心的图像，我们展示了单细胞分辨率（< 10 µ m）、深度切片分辨率 40 µ m 和视野 200 µ m，所有这些都使用绿色荧光蛋白标记的神经元在距离大脑表面 1.4 毫米的深度处进行成像。由于在体内很难获得这些深度的真实图像，我们提出了一种新颖的集成方法，该方法对来自不同深度神经网络架构的重建图像进行平均。最后，我们展示了移动的 GCaMp 标记的 C . elegans 蠕虫的动态成像。我们的方法大大简化了深部脑显微镜检查。
浏览贴片：具有全球和局部特征比较的异常定位
异常定位，目的是将图像中的异常区域分割出来，这是由于种类繁多的异常类型而具有挑战性的。现有方法通常是通过将整个图像作为整体而却很少付出的努力来学习局部分布来训练深层模型，这对于这项Pixel Prescerise任务至关重要。在这项工作中，我们提出了一种基于补丁的方法，可以适当考虑全球和本地信息。更具体地说，我们采用本地网络和全球网络分别从任何单个贴片及其周围来提取特征。全球网络经过训练，其目的是模仿本地功能，以便我们可以从上下文中轻松检测其功能不匹配时。我们进一步引入了不一致的异常检测（IAD）头和一个失真异常检测（DAD）头，以足够的时间发现全球和局部特征之间的差异。源自多头设计的评分函数有助于高精度异常定位。在几个现实世界数据集上进行了广泛的实验表明，我们的方法优于最大的竞争对手，而竞争对手的差距足够大。
通过基于文本的人工智能引擎与计算图形静力学相结合来增强结构形态查找
摘要 本文介绍了基于机器学习的设计框架 Text2Form3D，旨在探索结构形式的嵌入式描述性表示。Text2Form3D 依赖于深度神经网络算法，该算法将词嵌入（一种自然语言处理 (NLP) 技术）与组合平衡模型 (CEM)（一种基于图形静力学的形式查找方法）结合在一起。Text2Form3D 使用包含通过 CEM 生成的结构设计选项的数据集进行训练，并使用从建筑和结构竞赛报告中获得的词汇进行标记。对于标记过程，使用无监督聚类算法自组织映射 (SOM) 根据定量标准对机器生成的设计选项进行聚类。然后，设计师使用描述性文本标记这些聚类。经过训练后，Text2From3D 可以从用户定义的描述性查询中自主生成新的静态平衡结构解决方案。可以通过各种定量和定性标准进一步评估生成的结构解决方案，以将设计空间限制为适合设计师偏好的解决方案。
通过大语言模型指导预测学习
强化学习算法通常在没有密集，形状良好的奖励功能的情况下挣扎。本质上动机的利用方法通过奖励访问新颖状态或过渡的代理来解决这一限制，但是这些方法在大多数发现的新颖性与下游任务无关的大环境中提供了有限的好处。我们描述了一种使用文本语料库中背景知识来塑造探索的方法。此方法称为Ellm（e xploring at llm s）奖励代理，以实现由促使代理当前状态描述的语言模型所建议的目标。通过利用大规模的语言模型进行预处理，Ellm指导代理人朝着人类善意而有用的行为来实现，而无需在循环中进行人类。我们在手工游戏环境和管家机器人模拟器中评估ELLM，表明经过训练期间，经过ELLM训练的代理在训练过程中具有更好的覆盖范围，并且通常在一系列下游任务上匹配或提高性能。
人工智能使用数字听诊器检测儿童病理呼吸音的准确性
背景：通过手动听诊检测异常呼吸音的观察者间可靠性较差。带有人工智能 (AI) 的数字听诊器可以提高对这些声音的可靠检测。我们旨在独立测试为此目的开发的 AI 的能力。方法：儿科呼吸科医生根据音频回放和仔细的频谱图和波形分析，从儿童身上采集了 192 个听诊记录，分别标记为包含哮鸣音、爆裂音或两者都不包含，其中一个子集由第二位盲法临床医生验证。这些记录提交给专门经过训练以检测病理性儿科呼吸音的盲法 AI 算法 (StethoMe AI) 进行分析。结果：在优化的 AI 检测阈值下，Clinicloud 记录的爆裂音检测阳性百分比一致性 (PPA) 为 0.95，阴性百分比一致性 (NPA) 为 0.99；对于 Littman 收集的声音，PPA 为 0.82，NPA 为 0.96。哮鸣音检测 PPA 和 NPA 分别为 0.90 和 0.97（Clinicloud 听诊），对于 Littman 记录，PPA 为 0.80，NPA 为 0.95。
基于频率的深度学习实现多伪影脑电图去噪
摘要 脑电图 (EEG) 信号是神经科学研究和临床应用（如脑机接口和神经系统疾病诊断）的基础。这些信号通常是神经活动和噪声的组合，来自各种来源，包括眼球和肌肉运动等生理伪影。在这种情况下，我们解决了区分神经活动和噪声相关来源的挑战。我们开发了一种在频域中运行的新型 EEG 去噪模型，利用有关噪声频谱特征的先验知识自适应地计算用于噪声分离的最佳卷积滤波器。该模型经过训练可以学习一种经验关系，将噪声和噪声信号的频谱特性与允许信号去噪的非线性变换联系起来。在 EEGdenoiseNet 数据集上的性能评估表明，所提出的模型根据时间和频谱指标都实现了最佳结果。发现该模型可以从输入的 EEG 数据中去除生理伪影，从而实现有效的 EEG 去噪。事实上，该模型的性能与基准模型相当甚至更好，证明可以有效去除肌肉和眼部伪影，而无需对特定类型的伪影进行任何训练。
通过机器学习的基准测试量子断层扫描完整性和保真度
摘要我们训练卷积神经网络，以预测一组测量值是否在信息上完成，以唯一地重建任何给定的量子状态，而没有先前的信息。此外，我们基于此测量集进行了实力基准测试，而无需明确执行州断层扫描。网络经过训练，以认识到内容的实现和可靠的信息完整性措施。通过逐渐积累的测量和数据，这些受过训练的卷积网络可以通过加速运行时计算并大大降低实验中的系统漂移来有效地建立一个压缩量子状态表征方案。我们通过为大小的空间模式和多光子系统提供实验结果来确保这种机器学习方法的潜力。当网络接受来自实际实验数据的其他自举训练集训练时，这些预测将进一步改善。使用Hermite – Gaussian来源的逼真的梁透明位移误差模型，我们进一步证明，通过训练有素的网络，通过训练有素的网络使用培训时间降低了认证时间的降低顺序，从而大大提高了使用这些来源的大规模量子处理器的计算产率，然后才能确定这些来源。