XiaoMi-AI文件搜索系统
World File Search System规范化
大数据时代的皮层中间神经元的规范化和多样化
皮质中间神经元亚型：有多少种？多年来，皮质中间神经元的分类依赖于其分子、形态和电生理特征 [1 e 3]。中间神经元群是根据神经化学标志物的表达（例如小清蛋白 (PV) 和生长抑素 (SST)）、轴突形态和生理特征来定义的 [4]。这些标准以及皮质中间神经元在回路功能过程中的发放时间使我们在海马 CA1 区中发现了 21 种中间神经元亚型 [1]。一段时间以来，这为人们提供了对中间神经元多样性和功能的广泛了解，随后在包括小鼠和人类在内的多个物种中开展了大量研究，旨在识别常见和不同的中间神经元亚型。
全球治理和人工智能作为“有益于”人类健康的规范化
摘要“人工智能”一词在政治话语中的作用可以说已经达到了拉克劳所说的“空洞的符号”的程度。本文追溯了全球治理的三个关键机构——人权高专办、世卫组织和联合国教科文组织——关于人工智能的政治话语的转变，并在此过程中强调了“危机”时刻在证明一系列关键重新表述合理性方面的作用。最重要的是将人工智能与人类医疗保健数字自动化的叙述联系起来。得益于疫情的社会背景，这三个机构已经从批评人工智能经济中不平等的权力关系转变为如今将自己重新定位为主要负责帮助确保人工智能技术应用的推动者。分析确定了一种转变，即人类健康和医疗保健被框定为一场“危机”，而人工智能技术被视为解决危机的良方。本文认为有必要追踪这些话语变化，以此作为理解、监控并在必要时追究社会对人工智能治理变化的责任的一种手段。
将数据规范化策略扩展至 MACONT 方法，用于多准则决策
综合规范化混合聚合技术 (MACONT) 是一种著名的多准则决策 (MCDM) 方法，与传统方法相比具有显著优势。该方法与大多数其他方法的主要区别在于使用数据规范化技术和聚合方法。MACONT 在整个评估过程中同时使用三种不同的数据规范化技术以及两种聚合方法。这减少了评估值的推导，提高了最终决策结果的可靠性，使流程更加精确和收敛。然而，原始 MACONT 强调整合同一类型准则的多种规范化技术，这些技术在某些情况下可能会表现不佳。本文提出了六种规范化技术的组合策略，与 MACONT 结合使用，以帮助规范化数据综合反映原始信息并解决不同类型的数据、准则和替代方案。所提出的方法应用于四个案例研究。在所有研究中，排名结果与其他 MCDM 方法进行了比较，产生了相同的最佳替代方案，并克服了原始 MACONT 无法正常工作的情况。
使用规范化互信息特征选择和并行量子遗传算法进行入侵检测
针对入侵检测系统（IDS）检测速度慢、自适应性差、检测准确率不高等问题，提出一种基于自适应并行量子遗传算法的正则化互信息特征选择与多算子协同进化的检测算法（NMIFS MOP-AQGA）。为了对高维特征数据进行有效约简，采用NMIFS方法选择最佳特征组合，将最佳特征送入MOP-AQGA分类器进行学习训练，得到入侵检测器，将数据输入检测算法，最终产生准确的检测结果。在真实异常数据上的实验结果表明，NMIFS MOP-AQGA方法比现有检测方法具有更高的检测准确率、更低的误报率和更强的自适应性能，尤其对于小样本集更为有效。
用于采样对数凹分布和估计规范化常数的量子算法
R de − f ( x ) dx。首先，我们使用欠阻尼朗之万扩散来开发量子算法，该算法的查询复杂度（就条件数 κ 和维度 d 而言）与使用梯度（一阶）查询的类似经典算法相匹配，即使量子算法仅使用评估（零阶）查询。对于估计规范化常数，这些算法还实现了乘法误差 ϵ 的二次加速。其次，我们开发了量子 Metropolis 调整的朗之万算法，查询复杂度分别为 e O ( κ 1 / 2 d ) 和 e O ( κ 1 / 2 d 3 / 2 / ϵ )，分别用于对数凹采样和规范化常数估计，通过利用蒙特卡洛方法和量子行走的量子类似物，与最著名的经典算法相比，在 κ、d、ϵ 方面实现了多项式加速。我们还证明了估计标准常数的 1 /ϵ 1 − o (1) 量子下限，这意味着我们的量子算法在 ϵ 方面接近最优。
通过风格增强和双重规范化实现通用的跨模态医学图像分割
对于医学图像分割，想象一下如果一个模型仅使用源域中的 MRI 图像进行训练，那么它在目标域中直接分割 CT 图像的性能如何？这种设置，即具有临床潜力的通用跨模态分割，比其他相关设置（例如域自适应）更具挑战性。为了实现这一目标，我们在本文中提出了一种新颖的双重规范化模型，该模型在通用分割过程中利用增强的源相似和源不相似图像。具体而言，给定一个源域，旨在模拟看不见的目标域中可能的外观变化，我们首先利用非线性变换来增强源相似和源不相似图像。然后，为了充分利用这两种类型的增强，我们提出的基于双重规范化的模型采用共享主干但独立的批量规范化层进行单独规范化。随后，我们提出了一种基于风格的选择方案，在测试阶段自动选择合适的路径。在三个公开数据集（即 BraTS、跨模态心脏和腹部多器官数据集）上进行的大量实验表明，我们的方法优于其他最先进的领域泛化方法。代码可在 https://github.com/zzzqzhou/Dual-Normalization 获得。
大数据预处理、技术、集成、转换、规范化、清理、离散化和分箱 | IGI Global
“释放大数据的力量：用于增强分析的创新预处理方法”是一章开创性的章节，探讨了预处理在大数据分析中的关键作用。它介绍了将原始的非结构化数据转换为干净的可分析格式的各种技术，解决了数据量、速度和多样性带来的挑战。本章强调了预处理对于准确结果的重要性，介绍了高级数据清理、集成和转换技术，并讨论了实时数据预处理、新兴技术和未来方向。本章是研究人员和从业人员的综合资源，使他们能够增强数据分析并从大数据中获得有价值的见解。
使用深度学习进行肿瘤大小估计和 3D 模型查看
在花费大量时间尝试所有可能的格式后，作者选择了 TIFF（标签图像文件格式）格式。在 TIFF 格式中，图像和与图像相关的数据信息都存储在文件中。将 DICOM 扫描转换为 TIFF 格式后，进行了规范化，将像素阵列规范化为 256 个交叉 256 个图像，因为每个受试者的每幅图像在受试者和位置之间各不相同。对图像进行规范化后，将彩色图像从 RGB 格式转换为灰度格式，因为这可以减少计算要求。处理 RGB 格式的图像比处理灰度需要更多的 GPU 计算能力和资源。除了规范化和灰度转换之外，作者还尝试
确定最适合基于机器学习的多光谱脑 MRI 数据分割的直方图归一化技术
摘要 — 磁共振成像 (MRI) 的主要缺点是缺乏标准强度尺度。所有观察到的数值都是相对的，只能结合其上下文进行解释。在将 MRI 数据体输入监督学习分割程序之前，需要将它们的直方图相互配准，换句话说，它们需要所谓的规范化。用于辅助脑 MRI 分割的最流行的直方图规范化技术是 Ny'ul 等人在 2000 年提出的算法，该算法对齐一批 MRI 体积的直方图，而不注意可能扭曲直方图的局部病变。另外，一些最近的研究应用了基于简单线性变换的直方图规范化，并报告了使用它们实现的略高的准确性。本文提出研究在脑 MRI 图像分割之前分别在没有和存在局部病变的情况下执行直方图规范化的最合适的方法和参数设置。
![arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日](/simg/9\96062bd58a616626c5330b31a0f56969e5dc0842.webp)
arXiv:2210.01081v3 [cs.LG] 2023 年 7 月 10 日
摘要。在机器学习 (ML) 文献中，一个众所周知的问题是数据集转移问题，与 ML 标准假设不同，训练和测试集中的数据可以遵循不同的概率分布，导致 ML 系统的泛化性能较差。这个问题在脑机接口 (BCI) 环境中尤为明显，其中经常使用脑电图 (EEG) 等生物信号。事实上，EEG 信号随时间和不同受试者之间的变化都非常不稳定。为了解决这个问题，提出了几种基于最新迁移学习方法（如域自适应 (DA)）的解决方案。然而，在一些情况下，改进的实际原因仍然不明确。本文重点关注数据规范化或与 DA 方法一起应用的标准化策略的影响。具体来说，使用 SEED、DEAP 和 BCI Competition IV 2a EEG 数据集，我们通过实验评估了使用和不使用几种知名 DA 方法时不同规范化策略的影响，并比较了获得的性能。结果表明，规范化策略的选择对 DA 场景中的分类器性能起着关键作用，有趣的是，在一些情况下，仅使用适当的规范化方案就能胜过 DA 技术。