XiaoMi-AI文件搜索系统
World File Search System规范化
一种新的逻辑、一种新的信息度量和一种基于信息的新方法来解释量子力学
摘要：新的分区逻辑与通常的布尔子集逻辑（通常仅在命题逻辑的特殊情况下出现）是双重的，因为分区和子集是范畴论的对偶。逻辑熵的新信息度量是分区的规范化定量版本。解释量子力学 (QM) 的新方法表明 QM 的数学（而不是物理）是分区数学的线性化希尔伯特空间版本。或者，反过来说，分区数学是 QM 数学的骨架版本。从逻辑到逻辑信息再到量子理论的整个过程中，关键概念是区别与无区别、确定性与不确定性或可区分性与不可区分性。分区的区别是来自底层集合的有序元素对，它们位于分区的不同块中，逻辑熵最初定义为区别的规范化数量。确定性和可区分性的同源概念贯穿于整个量子力学的数学，例如，在关键的非经典叠加概念（=本体不确定性）中，以及在费曼规则中，用于添加振幅（不可区分的选择）与添加概率（可区分的选择）。
SemEval-2015 任务 14：临床文本分析
我们描述了两个针对临床文本的任务：命名实体识别（任务 1）和模板槽填充（任务 2）。这两个任务利用 ShARe 语料库中的注释，该语料库包含带有注释的临床记录，提及的疾病以及它们对医学术语和八个附加属性的规范化。这两个任务的目的是确定临床命名实体识别方面的进展，并确定疾病模板槽填充的最新技术。任务 2 包含两个子任务：根据黄金标准疾病跨度进行模板槽填充（任务 2a）以及端到端疾病跨度识别和模板槽填充（任务 2b）。对于任务 1（疾病跨度检测和规范化），有 16 支队伍参加。最佳系统的严格 F1 得分为 75.7，准确率为 78.3，召回率为 73.2。对于任务 2a（给定黄金标准无序跨度的模板槽填充），有六支队伍参与。最佳系统的槽填充综合总体加权准确率为 88.6。对于任务 2b（无序识别和模板槽填充），有九支队伍参与。最佳系统的综合宽松 F（跨度检测）和总体加权准确率为 80.8。
学习典型形状空间以进行类别级 6D 物体姿势和尺寸估计
我们提出了一种类别级 6D 物体姿势和大小估计的新方法。为了解决类内形状变化，我们学习了规范形状空间 (CASS)，它是特定物体类别的大量实例的统一表示。具体而言，CASS 被建模为具有规范化姿势的规范 3D 形状的深度生成模型的潜在空间。我们训练变分自动编码器 (VAE) 以从 RGBD 图像在规范空间中生成 3D 点云。VAE 以跨类别的方式进行训练，利用公开可用的大型 3D 形状存储库。由于 3D 点云是以规范化姿势（具有实际大小）生成的，因此 VAE 的编码器学习视图分解的 RGBD 嵌入。它将任意视图中的 RGBD 图像映射到与姿势无关的 3D 形状表示。然后，通过将物体姿势与使用单独的深度神经网络提取的输入 RGBD 的姿势相关特征进行对比来估计物体姿势。我们将 CASS 的学习和姿势和尺寸估计集成到端到端可训练网络中，实现了最先进的性能。
TDP 数据系统 (TDP) 简介
• 定义解决手头查询所需的数据类型 • 在粒度、实体级别而不是聚合级别识别数据类型的来源 • 根据与查询相关的关键字提取、清理、规范化、连接和重组各种数据类型 • 使用人工智能和机器学习对各种数据类型进行算法评估、评分、排名并生成记分卡和其他可视化效果——以便进行有针对性的人工跟进 • 使用人类智能进一步评估排名最高的记分卡，并以新颖的方式在粒度级别组合各种数据类型
基于人工智能的移动健康应用系统动态预测模型
摘要 — 近几十年来，移动医疗 (m-health) 应用在心脏病、脊髓问题和脑损伤等危重病例中得到了越来越多的支持，因此在医疗保健领域引起了广泛关注。此外，移动医疗服务被认为更有价值，主要是在设施不足的地方。此外，它支持有线和先进的无线技术进行数据传输和通信。在这项工作中，实施了一种基于人工智能 (AI) 的深度学习模型来预测医疗保健数据，其中执行数据处理以提高动态预测性能。它包括数据收集、规范化、基于人工智能的分类和决策的工作模块。在这里，移动医疗数据是通过服务提供商从智能设备获得的，其中包括与血压、心率、血糖水平等相关的健康信息。本文的主要贡献是使用基于人工智能的移动医疗系统从存储在云中的患者数据集中准确预测心血管疾病 (CVD)。获取数据后，可以进行预处理以降低噪声和规范化，因为预测性能高度依赖于数据质量。因此，我们使用 Gorilla Troop 优化算法 (GTOA) 来选择最相关的函数进行分类器训练和测试。使用双向长期记忆 (Bi-LSTM) 根据选定的一组特征对他的 CVD 类型进行分类。此外，使用不同的方法验证和比较了所提出的基于 AI 的预测模型的性能。
可持续的金融欺诈检测包括在金融领域欺诈行为识别中使用可行且得体的方法。
可持续的金融欺诈检测包括在金融领域欺诈行为识别中使用可行且得体的表现。信用卡容易受到网络威胁，从而导致信用卡欺诈。欺诈者通过非法获取信用卡信息进行不诚实的行为，这种行为会给用户和公司带来经济损失。目前，深度学习 (DL) 和机器学习 (ML) 系统被部署在金融欺诈检测中，因为它们具有制造出发现欺诈交易的强大设备的功能。本文提出了一种基于云计算的财务管理财务数据分析，使用深度强化学习模型 (FDAFM-CCDRLM)。FDAFM-CCDRLM 模型的主要目的是改进经济管理中财务数据的分析。首先，在数据规范化阶段采用最小-最大规范化将输入数据转换为合适的格式。此外，提出的 FDAFM-CCDRLM 模型为特征选择过程的子集设计了一种黑翅风筝算法 (BKA)。对于分类过程，我们执行了双深度 Q 网络 (DDQN) 算法。最后，我们采用基于人工蜂群 (ABC) 算法的超参数范围方法来改进 DDQN 模型的分类结果。FDAFM-CCDRLM 系统的实验评估可以在基准数据库上进行测试。广泛的成果凸显了 FDAFM-CCDRLM 方法对金融数据分析分类过程的重要解决方案
Microsoft PowerPoint - 美国健康术语标准.pptx
• 由美国国家医学图书馆开发，作为在 EHR 中表示药物信息的标准 • 提供临床药物的规范化名称，并将其名称链接到药房管理和药物相互作用软件中常用的许多药物词汇，包括 First Databank、Micromedex、MediSpan、Gold Standard 和 Multum 的词汇。 • 在使用不同软件和词汇的系统之间传递消息。 • 包括退伍军人健康管理局的国家药物文件 - 参考术语 (NDF-RT)。 • 用于编码临床药物属性，包括作用机制、生理效应和治疗类别。
