XiaoMi-AI文件搜索系统
World File Search System规范化
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。
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。
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。
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。
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。
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。
![b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'](/simg/4/4e9553780581bbfda8e4d6bb48115782efffb2a7.webp)
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
b'我们提出了一系列量子算法，用于计算各种量子熵和距离，包括冯·诺依曼熵、量子 R\xc2\xb4enyi 熵、迹距离和 \xef\xac\x81delity。所提出的算法在低秩情况下的表现明显优于最知名的（甚至是量子的）算法，其中一些算法实现了指数级加速。特别是，对于秩为 r 的 N 维量子态，我们提出的用于计算冯·诺依曼熵、迹距离和 \xef\xac\x81delity（加性误差 \xce\xb5 内）的量子算法的时间复杂度为 \xcb\x9c O r 2 /\xce\xb5 2 、 \xcb\x9c O r 5 /\xce\xb5 6 和 \xcb\x9c O r 6 。 5 /\xce\xb5 7 . 5 1 。相比之下，已知的冯·诺依曼熵和迹距离算法需要量子时间复杂度为 \xe2\x84\xa6( N ) [AISW19,GL20,GHS21]，而最著名的 \xef\xac\x81delity 算法需要 \xcb\x9c O r 21 . 5 /\xce\xb5 23 . 5 [WZC + 21]。我们的量子算法的关键思想是将块编码从先前工作中的幺正算子扩展到量子态（即密度算子）。它是通过开发几种方便的技术来操纵量子态并从中提取信息来实现的。特别是，我们基于强大的量子奇异值变换（QSVT）[GSLW19]，引入了一种用于密度算子及其（非整数）正幂的特征值变换的新技术。我们的技术相对于现有方法的优势在于，不需要对密度算子进行任何限制；与之形成鲜明对比的是，以前的方法通常需要密度算子的最小非零特征值的下限。此外，我们还提供了一些独立感兴趣的技术，用于（次规范化）密度算子的迹估计、线性组合和特征值阈值投影仪，我们相信这些技术在其他量子算法中会很有用。'
如何引用本文/规范化参考 Gómez-Diago, G. (2022)。新闻教学中人工智能的视角。研究和教学经验的回顾。拉丁社会传播杂志，80，29-46。https://www.doi.org/10.4185/RLCS-2022-1542
摘要简介：在媒体越来越多地使用人工智能（Neuman，2021 年）的背景下，而西班牙的传播学位和硕士课程中却没有这项技术（Sanchez García；Calvo Barbero；Diez Gracia，2021 年；Ufarte；Calvo；Murcia，2020 年；Ufarte；Fieiras；Túñez，2020 年）。方法论：已经找到了国际研究项目和教学经验，以解决人工智能问题并将其引入新闻学教学。此外，2021年，我们参加了六次国内和国际学术活动，从中我们获得了如何在通信领域的三个方面处理人工智能的想法：研究领域、专业背景和大学教学。结果：收集到的想法、研究和教学举措从两个基本角度解决了人工智能问题：一个批判性角度，它解决了使用这项技术的社会后果；一个应用性角度，主要寻求培养学生三项技能：获取和处理数据、创建自动化内容和验证内容。结论：尽管可用的研究和教学举措很少，但它们提供了将人工智能引入新闻和传播学本科和硕士学位课程的方法，从批判的角度考虑媒体的作用，承担因使用和扩展这项技术而产生的培训挑战。