XiaoMi-AI文件搜索系统
World File Search System视觉模型
软件工程网络安全教育中的量子人工智能
摘要 网络安全的影响是全球性的，需要立即关注以保护、保存和维护任何数据的完整性。无论是在工业界还是学术界，网络安全都是至关重要的。为了解决这个问题，所有利益相关者都应该对网络安全及其实施方法有充分的了解。已发布的通用标准和指南的使用并未描述可以使用的技术或解决方案。目前，基于机器学习的应用程序、严肃游戏或远程培训可用于弥补这一差距。本文提出了一种基于量子人工智能 (QAI) 的视觉模型，该模型可生成安全软件开发 (SSD) 规则，以在软件开发生命周期 (SDLC) 的不同阶段教育和培训开发人员和测试人员。所提出的模型根据来自行业标准、漏洞信息以及专有和历史数据的数据训练 QAI 算法，以创建开发人员和测试人员可以快速适应的安全规则。因此，关于汽车行业 SSD 的案例研究讨论了视觉模型的应用。
医疗保健和公共卫生中的量子准备就绪
1。J. Vangeest：jvangees@kent.edu2。K. Fogarty：kieran.fogarty@wmich.edu3。W. Hervey：bill.hervey@mga.edu4。R. Hanson：Hansonr44@gmail.com5。 S. Nair：suresh.nair@ina-solutions.com6。 T. Akers：timothy.akers@morgan.edu或takers@quantumliteracy.org贡献者所有作者都为制定概念并进行了实质性编辑做出了同样的贡献。 摘要量子技术，包括量子计算，加密和传感等，将彻底改变从材料科学到药物发现的部门。 尽管具有很大的潜力，但对公共卫生的影响很大程度上被忽略了，这突出了人们在认可和准备方面的关键差距。 这种监督需要立即采取行动，因为公共卫生在很大程度上不知道量子技术作为发展工具。 量子原理在流行病学和健康信息学上的应用（称为量子健康流行病学和量子健康信息学）具有从根本上改变疾病监测，预测，建模和健康数据分析的潜力。 但是，在公共卫生劳动力和教育方案中，显然缺乏量子专业知识。 此差距强调了公共卫生从业人员，领导者和学生之间量子素养的迫切需求，以利用新兴的机会，同时解决风险和道德考虑。 创新的教学方法，例如交互式仿真，游戏，视觉模型和其他量身定制的平台，提供可行的R. Hanson：Hansonr44@gmail.com5。S. Nair：suresh.nair@ina-solutions.com6。 T. Akers：timothy.akers@morgan.edu或takers@quantumliteracy.org贡献者所有作者都为制定概念并进行了实质性编辑做出了同样的贡献。 摘要量子技术，包括量子计算，加密和传感等，将彻底改变从材料科学到药物发现的部门。 尽管具有很大的潜力，但对公共卫生的影响很大程度上被忽略了，这突出了人们在认可和准备方面的关键差距。 这种监督需要立即采取行动，因为公共卫生在很大程度上不知道量子技术作为发展工具。 量子原理在流行病学和健康信息学上的应用（称为量子健康流行病学和量子健康信息学）具有从根本上改变疾病监测，预测，建模和健康数据分析的潜力。 但是，在公共卫生劳动力和教育方案中，显然缺乏量子专业知识。 此差距强调了公共卫生从业人员，领导者和学生之间量子素养的迫切需求，以利用新兴的机会，同时解决风险和道德考虑。 创新的教学方法，例如交互式仿真，游戏，视觉模型和其他量身定制的平台，提供可行的S. Nair：suresh.nair@ina-solutions.com6。T. Akers：timothy.akers@morgan.edu或takers@quantumliteracy.org贡献者所有作者都为制定概念并进行了实质性编辑做出了同样的贡献。摘要量子技术，包括量子计算，加密和传感等，将彻底改变从材料科学到药物发现的部门。尽管具有很大的潜力，但对公共卫生的影响很大程度上被忽略了，这突出了人们在认可和准备方面的关键差距。这种监督需要立即采取行动，因为公共卫生在很大程度上不知道量子技术作为发展工具。量子原理在流行病学和健康信息学上的应用（称为量子健康流行病学和量子健康信息学）具有从根本上改变疾病监测，预测，建模和健康数据分析的潜力。但是，在公共卫生劳动力和教育方案中，显然缺乏量子专业知识。此差距强调了公共卫生从业人员，领导者和学生之间量子素养的迫切需求，以利用新兴的机会，同时解决风险和道德考虑。创新的教学方法，例如交互式仿真，游戏，视觉模型和其他量身定制的平台，提供可行的
BSA 提交关于 OSTP 人工智能权利法案倡议的意见书
本报告中的“人工智能”一词是指使用机器学习算法的系统，这些算法可以分析大量训练数据，以识别相关性、模式和其他元数据，这些元数据可用于开发模型，该模型可以根据未来的数据输入做出预测或建议。例如，开发人员使用机器学习创建了“Seeing AI”，这是一款应用程序，通过提供照片中物体的听觉描述，帮助盲人或视障人士探索世界。3 该应用程序的用户可以使用智能手机拍照，Seeing AI 描述照片中出现的内容。为了开发能够识别图片中物体的计算机视觉模型，该系统使用数百万张公开图像的数据进行训练，这些图像描绘了树木、路牌、风景和动物等常见物体。当用户输入新图像时，Seeing AI 实际上会通过将其与从训练数据中得出的模式和相关性进行比较来预测照片中的物体。
mammo-clip：一种视觉语言基础模型，以提高乳房X线摄影的数据效率和鲁棒性
摘要。缺乏有关乳腺癌检测的计算机辅助诊断（CAD）的大量培训数据一直是阻碍系统采用的问题之一。最近，通过视觉模型（VLM）（例如，剪辑）对大规模图像文本数据集进行预训练，部分解决了计算机视觉（CV）中鲁棒性和数据效率的问题。本文提出了Mammo-CLIP，这是第一个通过大量筛选乳房X线图 - 报告对的VLM，以解决数据集多样性和大小的挑战。我们在两个公共数据集上进行的实验表明，在对乳腺癌检测至关重要的各种乳腺X线学属性时表现出强烈的表现，表明数据效率和鲁棒性与CV中的剪辑相似。我们还提出了一种新型特征归因方法Mammo-Factor，以在乳房X线摄影报告中使用句子级粒度来提供表示表示的空间解释。代码可公开使用：https：//github.com/batmanlab/mammo-clip。
体现了对驾驶场景的理解
摘要。体现的场景理解是自主代理人感知，解释和应对开放驾驶场景的基石。这种理解通常建立在视觉模型（VLM）上。尽管如此，现有的VLM仅限于2D领域，没有空间意识和长匹马外推过程。我们重新审视了自主驾驶和适当的专栏的关键方面。特此，我们介绍了体现语言模型（ELM），这是一个针对代理商量身定制的综合框架，该框架对具有较大空间和暂时的跨度的驾驶场景的理解。ELM结合了空间感知的预训练，以赋予代理具有强大的空间定位功能。此外，该模型还采用时间感知的令牌选择来准确询问时间提示。我们可以在重新重新的多面基准上实现Elm，并且在各个方面都超过了先前的最新方法。所有代码，数据和模型均可在https://github.com/opendrivelab/elm上访问。
通过教学对比解码
大型视觉模型（LVLM）越来越擅长从视觉输入中产生上下文详细且相干的响应。然而，它们在多模态决策和开放式的一代中的应用受到了明显的Hal-Lucinations的限制，因为生成的文本不准确地代表了视觉内容。为了解决这个问题，本文介绍了指令解码（ICD）方法，这是一种旨在减少LVLM推论的幻觉的新颖性。我们的方法的灵感来自我们的观察，即我们所说的干扰指令在多模层融合模块中显着加剧了幻觉。ICD会从标准和指导扰动中进行分布，从而增加对齐不确定性，并有效地从原始分布中减去幻觉的概念。通过对犯罪基准（POPE和MME）和生成基准（Llava-Bench）的全面实验，我们证明ICD显着减轻了对象级别和属性级别的幻觉。此外，我们的方法不仅解决了幻觉，而且还显着增强了LVLMS的一般感知和识别。
研究文章 /AraştırmaMakalesi在算法社会中与人工智能的虚假信息：政治领导人的分析< / div>
摘要这项研究分析了政府和极端主义团体在算法社会的宣传活动中具有人工智能，大数据和算法所产生的宣传视觉效果，尤其是在社交动荡时期的选举期间。该研究的重点是这些视觉模型对虚假信息过程的贡献。在这种情况下，有两个研究的样本：第一个是：使用人工智能图像模型唐纳德·特朗普（Donald Trump）制作的虚假信息图像和视频，唐纳德·特朗普（Donald Trump）是美国前总统。第二个是：为共和党人民党（CHP）的前领导人KEMALKılıçdaroğlu制作的虚假图像和视频，土耳其的左心中心政党，并在社交媒体上流传。通过描述性分析方法的研究人员分析了所产生的视觉内容，这些人工智能支持的视觉效果是通过确定这些视觉效果的“准确性”来评估的。该研究旨在了解人工智能产生的视觉效果如何影响选择过程并揭示这些技术的益处和损害。
现实世界中的人工智能伦理问题
人工智能（AI）的强大性能也带来了普遍的伦理问题。尽管政府和企业已经制定了多项AI伦理准则来遏制AI的不道德行为，但效果有限，可能是因为准则的模糊性。在本文中，我们仔细研究了AI伦理问题在现实世界中是如何发生的，以便对不同的伦理问题及其社会影响有更深入和细致的理解。通过对AI事件数据库进行内容分析，该数据库旨在通过对事件进行分类来防止现实世界中AI重复失败，我们确定了13个经常出现不道德使用AI的应用领域，其中智能服务机器人，语言/视觉模型和自动驾驶处于领先地位。道德问题以8种不同的形式出现，从不当使用和种族歧视，到人身安全和不公平算法。通过对人工智能伦理问题进行分类，我们旨在为人工智能从业者在尝试以合乎道德的方式部署人工智能应用时提供实用指南。
用于医学影像分析的通用人工智能
摘要 — 大规模通用人工智能 (AGI) 模型，包括 ChatGPT/GPT-4 等大型语言模型 (LLM)，在各种通用领域任务中取得了前所未有的成功。然而，当直接应用于需要深入专业知识的医学成像等专业领域时，这些模型面临着来自医学领域固有复杂性和独特特征的显著挑战。在这篇综述中，我们深入探讨了 AGI 模型在医学成像和医疗保健领域的潜在应用，主要关注 LLM、大型视觉模型和大型多模态模型。我们全面概述了 LLM 和 AGI 的主要特性和支持技术，并进一步研究了指导 AGI 模型在医疗领域发展和实施的路线图，总结了它们目前的应用、潜力和相关挑战。此外，我们重点介绍了未来的潜在研究方向，为即将到来的项目提供了整体视角。这篇全面的综述旨在深入了解 AGI 在医学成像、医疗保健等领域的未来影响。
提取：通过提取可转移机器人技能的有效政策学习
增强学习（RL）代理，配备有使用的时间扩展的技能可以更轻松地学习新任务。基于技能的RL的事先工作要么需要进行外部监督来定义有用的技能，要么通过启示录从离线数据中创建非语义上的技能，这对于下游RL代理来说很难用于学习新任务。取而代之的是，我们的方法，提取，介绍了验证的视觉模型，从离线数据中提取一套离散有意义的技能，每个技能都通过连续参数进行参数，而无需人为监督。此技能参数化使机器人只需要学习何时选择特定技能以及如何为特定任务修改其参数，从而更快地学习新任务。我们通过在模拟和现实世界中进行的稀疏奖励，基于图像的机器人操纵环境进行的实验来证明，这些措施比以前的基于技能的RL更快地学习了新任务，其样品效率最高为10倍。