XiaoMi-AI文件搜索系统
World File Search System绝对误差
Nano Medicine的应用和挑战用于COVID ...
应对保险行业股市的非线性，不稳定和复杂性所带来的挑战，我们提出了一种增强的生成性对抗性神经网络的股票预测模型，称为Cal-Wgan-GP。该模型的发电机结合了CNN-BILSTM模型等组件和一种自我发项机制，用于生成股票收盘价的精确预测。包括多层卷积神经网络组成的歧视者的任务是区分发电机产生的股票关闭价格和实际股票收盘价。选择了该模型的概括能力，中国Ping An，中国生活，新华社保险和太平洋保险的库存数据。在数据集构建过程中，相关功能（包括技术指标）都合并为促进该模型，以更好地学习隐藏的数据信息。实验结果表明，Cal-Wgan-GP超过四个评估指标的基线模型：平均平方误差（MSE），均方根平方误差（RMSE），平均绝对误差（MAE）和R-squared（R2），可实现最高的数据拟合程度。
“用于临床上分类的定量MRI生物标志物...
摘要目的：本研究的目的是开发一种校准方法来说明回声时间（TE）的差异，并促进限制频谱成像限制评分（RSIR）作为定量生物标志物，以检测临床上有明显的前列腺癌（CSPCA）。方法：这项研究包括197例接受MRI和活检检查的连续患者； 97例被诊断为CSPCA（级≥2级）。在同一课程中获得了3次RSI数据：在TE = 90 ms时至少两次，TE = 90 ms（分别为Temin 1，Temin 1，Temin 1，Temin 2和Te90）。确定了线性回归模型，将TE90的C映射与Temin 1的参考c映射匹配，范围从前列腺内信号强度的95％到99个百分位。在每个患者的前列腺中，在每个患者的第98个百分位数中进行了比较。我们将校准的TE90（RSIR TE90CORR）和未校正的TE90（RSIRS TE90）与参考Temin 1（RSIRS TEMIN1）和重复的Temin 2（RSIRS TEMIN2（RSIRS TEMIN2）进行了比较。对敏感性，指定城市和区域评估了（crece）（cret）（cret）（cret）（cret）（RSIRB）2（RSIRS TEMIN1）（RSIRS TEMIN1）。结果：C 1，C 2，C 3和C 4的缩放因子分别为1.68、1.33、1.02和1.13。在非CSPCA情况下，RSIRS TEMIN2和RSIRS的第98个百分点temin1差异为0.27±0.86Si（平均值±标准偏差），而RSIRS TE90与RSIRS TE90不同于RSIRS TEMIN1 TEMIN1 temin1 temin1 vemin1差异1.82±1.20si。校准后，该偏置降低至-0.51±1.21SI，代表绝对误差的72％降低。校准后，平均差减少到-1.03SI，绝对误差降低了55％。对于CSPCA患者，RSIRS TEMIN2和RSIRS TEMIN1和RSIRS TE90和RSIRS TEMIN1之间的RSIRS temin2和RSIRS temin1和2.28±2.06Si之间的差异为0.54±1.98SI。在CSPCA（8.94SI）患者级分类的YouDen指数上，RSIRS TEMIN1的灵敏度为66％，特定率为72％。结论：所提出的线性校准方法对具有不同TE的采集产生相似的定量生物标志物值，分别为非CSPCA和CSPCA降低了TE诱导的误差72％和55％。
修订证明 - NIST 的 TSAPPS
摘要 空军研究实验室增材制造建模挑战系列的挑战 4 要求参赛者根据 IN625 试件的实验数据和广泛表征，预测几种特定挑战晶粒在拉伸载荷期间的晶粒平均弹性应变张量。在本文中，我们介绍了解决此问题的策略和计算方法。在比赛阶段，直接使用来自实验的特征化微观结构图像，通过基于遗传算法的材料模型识别方法预测某些挑战晶粒的机械响应。随后，在比赛后阶段，引入了一种基于适当广义分解 (PGD) 的降阶方法来改进材料模型校准。这种数据驱动的降阶方法非常有效，可用于识别力学和材料科学领域中的复杂材料模型参数。已经报告了原始预测和重新校准的材料模型的绝对误差结果。预测表明，整体方法能够处理局部响应识别的大规模计算问题。重新校准的结果和加速表明使用 PGD 进行材料模型校准的前景看好。
微填料预测LSTM和ANN ...
微度是一种无意的，瞬态的意识丧失，与睡眠相关，持续到15秒。脑电图（EEG），记录已广泛用于诊断和研究各种神经系统疾病。这项研究分析了时间序列EEG信号，以使用两个深度学习模型来预测微渗：长期术语记忆（LSTM）和人工神经网络（ANN）。调查结果表明，ANN模型在微填料预测中实现了出色的指标，在关键性能指标中的表现优于LSTM。该模型表现出了出色的性能，如散点图，R2分数，平均绝对误差（MAE），均方误差（MSE）和根平方误差（RMSE）的结果所证明的。与LSTM模型相比，在两个模型之间，ANN模型在两个模型之间达到了最重要的R2，MAE，MSE和RMSE值（0.84、1.10、1.90和1.38）。这项研究的关键贡献在于其开发全面有效的方法，以准确预测来自EEG信号的微度事件。
kid-ppg：知识了解从智能手表提取心率的深度学习
摘要 - 由于运动伪像和信号降解，从光电学（PPG）信号中准确提取心率（PPG）信号仍然具有挑战性。尽管经过数据驱动的推理概率培训的深度学习方法提供了有希望的解决方案，但他们通常不利于医疗和信号处理社区的知识。在本文中，我们解决了深度学习模型的三个缺点：删除运动伪像，降低评估以及对PPG信号的生理上合理的分析。我们提出了一个知识知情的深度学习模型Kid-PPG，通过自适应线性过滤，深层概率推断和数据增强来整合专家知识。我们在PPGDALIA数据集上评估了KID-PPG，达到平均平均绝对误差为每分钟2.85次，超过了现有的可重复方法。我们的结果表明，通过将先验知识纳入深度学习模式中，心率跟踪的表现显着改善。这种方法通过将现有的专家知识纳入深度学习模型中，可以增强各种生物医学应用。
有效的端到端视觉定位，用于脱钩的BEV神经匹配
摘要 - 准确的定位在高级自主驾驶系统中起重要作用。传统地图匹配的本地化方法通过具有传感器观测值的明确匹配的地图元素来解决姿势，通常对感知噪声敏感，因此需要昂贵的超级参数调整。在本文中，我们提出了一个端到端定位神经网络，该神经网络直接估计车辆从周围图像中构成，而没有与HD图明确匹配的感知结果。为确保效率和可预性能力，提出了一个基于BEV神经匹配的姿势求解器，估计在基于可区分的采样匹配模块中估计姿势。此外，通过将每个姿势DOF影响的特征表示形式解耦来大大降低采样空间。实验结果表明，所提出的网络能够执行分解器水平的定位，平均绝对误差为0.19m，0.13m和0.39◦在纵向，横向位置和偏航角度，同时表现出68.8％的推理记忆使用率降低了68.8％。
有效的端到端视觉定位，用于脱钩的BEV神经匹配
摘要 - 准确的定位在高级自主驾驶系统中起重要作用。传统地图匹配的本地化方法通过具有传感器观测值的明确匹配的地图元素来解决姿势，通常对感知噪声敏感，因此需要昂贵的超级参数调整。在本文中，我们提出了一个端到端定位神经网络，该神经网络直接估计车辆从周围图像中构成，而没有与HD图明确匹配的感知结果。为确保效率和可预性能力，提出了一个基于BEV神经匹配的姿势求解器，估计在基于可区分的采样匹配模块中估计姿势。此外，通过将每个姿势DOF影响的特征表示形式解耦来大大降低采样空间。实验结果表明，所提出的网络能够执行分解器水平的定位，平均绝对误差为0.19m，0.13m和0.39◦在纵向，横向位置和偏航角度，同时表现出68.8％的推理记忆使用率降低了68.8％。
利用人工智能更接近实验级材料性能预测
虽然实验和 DFT 计算一直是了解晶体材料化学和物理特性的主要手段，但实验成本高昂，DFT 计算耗时长，且与实验结果存在很大差异。目前，基于 DFT 计算的预测模型为进一步进行 DFT 计算和实验的材料候选物提供了一种快速筛选方法；然而，此类模型继承了基于 DFT 的训练数据的巨大差异。在这里，我们展示了如何将 Al 与 DFT 结合使用，通过专注于预测“给定材料结构和成分的材料形成能”这一关键材料科学任务，比 DFT 本身更准确地计算材料特性。在包含 137 个条目的实验保留测试集上，Al 可以根据材料结构和成分预测形成能，平均绝对误差 (MAE) 为 0.064 eV/atom；将其与 DFT 计算进行比较，我们首次发现 Al 在同一任务上的表现显著优于 DFT 计算（差异 > 0.076 eV/atom）。
绿色能源机器学习和人工智能服务回顾
摘要：随着绿色人工智能 (AI) 技术成为一种有前途的技术，市场和社会对绿色人工智能 (AI) 技术的需求日益增长。绿色人工智能技术用于创造可持续的解决方案并减少人工智能对环境的影响。本文重点介绍绿色人工智能的服务及其在社区层面面临的挑战。本文还重点介绍了不同时间段的机器学习算法的准确度水平。本文概述了选择适合天气、位置和复杂性的输入参数的过程，以检查 ML 算法。为了校正算法性能参数，考虑了 RMSE（均方根误差）、MSE（均方误差）、MAE（平均绝对误差）和 MPE（平均百分比误差）等指标。考虑到本篇评论的性能和结果，LSTM（长短期记忆）在大多数情况下表现良好。本文得出结论，高度先进的技术大大提高了预测准确性。最后，为进一步的研究、需求和挑战添加了一些指导方针。然而，仍然需要更多的解决方案来应对挑战，主要是在电力存储领域。
OrbNet-Spin：基于量子力学的开壳系统几何深度学习
现代量子化学方法涉及准确性和计算成本/复杂性之间的权衡。作为替代方案，深度学习方法被用作捷径，以较小的计算复杂性创建准确的预测。事实证明，此类模型在预测闭壳系统（其中所有电子都是成对的）方面非常有效。然而，尽管开壳系统（其中存在未配对电子）在描述自由基和反应中间体等物种方面非常重要，但很少有人关注它们。我们介绍了基于 OrbNet-Equi 的 OrbNet-Spin，这是一种几何和量子感知的深度学习模型，用于在电子结构级别表示化学系统。OrbNet-Spin 将自旋极化处理融入底层半经验量子力学轨道特征化中，并在保持几何约束的同时相应地调整模型架构。OrbNet-Spin 可以准确描述闭壳和开壳电子结构。我们使用开壳层卡宾的 QMSpin 数据集验证了 OrbNet-Spin 的性能，实现了单线态和三线态卡宾均低于化学精度的平均绝对误差。