XiaoMi-AI文件搜索系统
World File Search System训练周期
采用旅行模型范式进行帕金森病分类的多中心分布式学习方法
分布式学习是机器学习 (ML) 模型训练中中心学习的一种有前途的替代方案，它解决了医疗保健中的数据共享问题。先前研究探索了用于基于医学图像的疾病分类的联邦学习 (FL) 或旅行模型 (TM) 设置，这些研究通常依赖于具有有限数量中心或模拟人工中心的大型数据库，这使人们对其在现实世界的适用性产生了怀疑。这项研究使用从世界各地 83 个不同的真实中心获取的数据（主要贡献小型训练样本）开发并评估了一种用于帕金森病分类的卷积神经网络 (CNN)。我们的方法特别利用了 TM 设置，该设置已被证明在数据可用性有限的场景中是有效的，但从未用于基于图像的疾病分类。我们的研究结果表明，即使在具有可变数据分布的复杂现实场景中，TM 也可有效训练 CNN 模型。经过足够的训练周期后，TM 训练的 CNN 的性能与集中训练的 CNN 相当或略胜一筹（AUROC 分别为 83% 和 80%）。我们的研究首次强调了 TM 在 3D 医学图像分类中的有效性，尤其是在训练样本有限和异构分布式数据的情况下。这些见解适用于使用来自小型或远程医疗中心的数据训练 ML 模型的情况，以及病例稀少的罕见疾病。这种方法简单易用，可广泛应用于许多深度学习任务，增强其在各种环境和医疗机构中的临床实用性。
验证斯巴达特遣队师总部
免责声明：陆军经验教训中心 (CALL) 提供专业信息，但本文表达的观点为作者观点，而非国防部或其下属机构的观点。内容不一定反映美国陆军的官方立场，也不会更改或取代其他美国陆军官方出版物中的任何信息。作者对其所提供材料的准确性和来源文件负责。简介陆军中央司令部的斯巴达特遣部队在西南亚保持着美国军事态势，足以加强国防关系并建立合作伙伴能力。0F i 斯巴达特遣部队是一个独特的多组分师级单位，由来自现役陆军和国民警卫队部队的约 500 名人员组成，并由美国陆军预备役支援部队补充。1F ii 2016 年 12 月，第一军开始验证国民警卫队师，以接管斯巴达特遣部队的中级师总部。2F iii 第一军通过在训练周期结束时评估他们的最终演习来确保斯巴达特遣部队的部队训练有素并准备好承担任务。此外，这些最终演习使师级参谋人员在承担斯巴达特遣队任务之前熟悉了他们的规划流程。为了成功地进行演习评估，规划人员必须了解角色和职责、作战规划团队、指挥官的训练目标和作战变量。最终训练演习流程最终演习的设计和评估需要一个广泛的规划过程。在承担斯巴达特遣队任务前大约十二个月确定预备役部队的服役时间。一旦确定要执行斯巴达特遣队任务，该部队便会在多部队联合评估 (MCJA) 中制定并简要介绍他们的训练计划。第一军和部队指挥官在最终演习的初步规划会议 (IPC) 期间批准训练目标，该会议大约在执行前八个月举行。演习规划人员将在最终训练演习之前再重新评估这些训练目标两次。
具有类脑神经适应能力的稳健且可扩展的超维计算
一、问题和动机物联网 (IoT) 促进了许多利用基于边缘的机器学习 (ML) 方法来分析本地收集的数据的应用。不幸的是，流行的 ML 算法通常需要超出当今物联网设备能力的密集计算。受大脑启发的超维计算 (HDC) 已被引入以解决这个问题。然而，现有的 HDC 使用静态编码器，需要极高的维数和数百次训练迭代才能达到合理的准确度。这导致了巨大的效率损失，严重阻碍了 HDC 在物联网系统中的应用。我们观察到一个主要原因是现有 HDC 的编码模块缺乏利用和适应训练期间学习到的信息的能力。相比之下，如图 1(a) 所示，人类大脑中的神经元一直在动态再生，并在学习新信息时提供更有用的功能 [1]。虽然 HDC 的目标是利用随机生成的基础超向量的高维性来将信息表示为神经活动的模式，但现有的 HDC 仍然很难支持与大脑神经再生类似的行为。在这项工作中，我们提出了动态 HDC 学习框架，可以识别和再生不需要的维度，以在显著降低维数的情况下提供足够的准确性，从而加速训练和推理。 II. 背景和相关工作 A. 物联网和基于边缘的学习 许多新颖的框架和库已经开发出来，以在资源受限的计算平台上定制流行的 ML 算法，包括 TinyML [2]、TensorFlow Lite [3]、edge-ml [4]、X-Cube-AI [5] 等。然而，这些学习方法通常需要大量的训练样本和多个训练周期，超出了当今物联网设备的能力。同时，利用目标平台的学习结构和特性，研究人员提出了许多提高基于边缘的学习效率的技术，例如分割计算 [6]、联邦学习 [7]、[8]、知识蒸馏 [9]。这些技术与我们的方法正交，可以与我们的方法集成，以进一步提高学习性能。