XiaoMi-AI文件搜索系统
World File Search System训练样本
研究数据增强技术对脑肿瘤的影响
脑肿瘤检测是医学图像分析中的一项重要任务。卷积神经网络 (CNN) 在各种计算机视觉任务中表现出色，包括脑肿瘤检测。然而，CNN 的性能在很大程度上取决于大量多样化训练数据的可用性。在医学成像中，由于道德和实际问题，获取大量数据集通常具有挑战性。数据增强是一种广泛使用的技术，它通过从现有数据集生成额外的训练样本来克服这一限制。在本研究论文中，我们使用深度学习方法研究了数据增强对脑肿瘤检测的影响。我们使用 BraTS 2019 数据集比较了基于 CNN 的模型在增强和非增强数据上训练的性能。实验结果表明，数据增强显著提高了模型的性能，在肿瘤检测中实现了更高的准确度、灵敏度、特异性和骰子系数。我们的研究结果表明，数据增强是一种有效的技术，可以提高基于 CNN 的模型在医学图像分析任务中的性能，特别是在没有大量多样化数据集的情况下。
与KNN的性能有关的调查...
摘要。这项研究使用三种不同的机器学习算法来构建用于糖尿病预测的模型，并比较每个模型的准确性，这些算法是K最近的邻居（KNN），逻辑回归和特质梯度提升（XGBoost）。这项研究的目标是找到一种用于糖尿病预测的精确算法，这确实是为医生诊断糖尿病的导电性。以这种方式，患者可以按时获得适当的治疗。在构建模型之前，数据集是通过标准缩放和综合少数族裔过度采样（SMOTE）来进行处理的，以平衡类。然后，使用网格搜索简历来找到模型的最佳参数。最后，结果表明，KNN的精度为82％，其次是XGBoost的精度，为79.87％，而Lo-Cistic回归为75.5％。KNN算法的优点是，它仅考虑训练样本与新样本之间的距离，这些距离将在没有任何其他计算的情况下预测。结果，KNN在这三种算法中表现出了最佳性能。将来，本研究可以扩大数据集的大小并尝试更多参数，以便在糖尿病预测模型上获得更高的准确性。
通过多任务元学习实现数据高效的脑连接组分析
脑网络将脑区之间的复杂连接表征为图结构，为研究脑连接组提供了有力的手段。近年来，图神经网络已成为一种流行的结构化数据学习范式。然而，由于数据获取成本相对较高，大多数脑网络数据集的样本量有限，这阻碍了深度学习模型的充分训练。受元学习的启发，元学习可以在有限的训练样本下快速学习新概念，本文研究了在跨数据集环境中分析脑连接组的数据高效训练策略。具体来说，我们建议在大样本量的数据集上对模型进行元训练，并将知识迁移到小数据集。此外，我们还探索了两种面向脑网络的设计，包括图谱变换和自适应任务重新加权。与其他预训练策略相比，我们基于元学习的方法实现了更高、更稳定的性能，这证明了我们提出的解决方案的有效性。该框架还能够以数据驱动的方式获得有关数据集和疾病之间相似性的新见解。
研究文章转移具有输出权重对准的极限学习机
极限学习机（ELM）是模式识别和机器学习中的快速且有效的神经网络模型，当标记的训练样本不足以使其下降。转移学习通过使用不同但相关域中的大量标记样本来帮助目标任务学习可靠的模型。在本文中，我们提出了一台具有知识传递性的监督极限学习机器，称为“转移极限学习机器”，具有输出权重对齐（telm-Owa）。首先，它通过对齐由来自源和目标域标记的样品训练的ELM的输出权重矩阵来减少域之间的分布差异。其次，将域间ELM输出权重矩阵之间的近似值添加到目标函数中，以进一步实现知识的跨域转移。tirdly，我们将目标函数视为最小平方问题，并将其转换为标准的ELM模型，以便有效地解决。最后，通过对16组图像数据集和6组文本数据集进行了分类实验对所提出算法的效果进行了验证，结果证明了我们方法相对于其他ELM模型和转移学习方法的竞争性能。
![arXiv:2111.08154v1 [cs.HC] 2021 年 11 月 16 日](/simg/g:\will\search\icon\source\a\a3db6c388ab3c9660f6d87ba0a937b1ee45cbc6c.webp)
arXiv:2111.08154v1 [cs.HC] 2021 年 11 月 16 日
本文研究了心理任务分类——基于脑机接口 (BCI)，因为这是 BCI 的主要研究领域，而且这些系统可以改善严重残疾的人的生活，因此备受关注。BCI 模型的性能主要取决于特征向量的大小，该向量通过多个通道获得。在心理任务分类的情况下，特征的训练样本可用性极低。通常，特征选择用于通过去除不相关和多余的特征来提高心理任务分类的比率。本文提出了一种选择相关和非冗余光谱特征进行心理任务分类的方法。这可以通过使用四种非常知名的多变量特征选择方法来实现，即 Bhattacharya 距离、散点矩阵比、线性回归和最小冗余与最大相关性。这项工作还涉及心理任务分类的多变量和单变量特征选择的比较分析。应用上述方法后，研究结果表明，学习模型在心理任务分类方面的性能得到了显著改善。此外，通过执行稳健的排序算法和弗里德曼统计测试来找到最佳组合并比较功率谱密度和特征选择方法的不同组合，证明了所提出方法的有效性。
MindGomoku：基于贝叶斯深度学习的在线 P300 BCI 游戏
摘要：脑机接口（BCI）技术除了有助于开发残疾人辅助产品外，还可以成为全民娱乐的一种方式。然而，大多数BCI游戏由于控制性能差或容易引起疲劳而无法广泛推广。本文提出了一款P300脑机接口游戏（MindGomoku），探索一种在实际环境中利用脑电图（EEG）信号进行游戏的可行且自然的方式。这项研究的新颖之处在于在设计BCI游戏和范例时融合了游戏规则和BCI系统的特点。此外，引入了一种简化的贝叶斯卷积神经网络（SBCNN）算法，以在有限的训练样本上实现高精度。为了证明所提算法和系统控制的可靠性，选择了10名受试者参加两次在线控制实验。实验结果表明，所有受试者均成功完成游戏控制，平均准确率为90.7%，并且平均玩MindGomoku超过11分钟。这些发现充分证明了所提系统的稳定性和有效性。该BCI系统不仅为用户（特别是残疾人）提供了一种娱乐形式，还为游戏提供了更多可能性。
Arista AVA：人工智能驱动网络的力量
人工智能 (AI) 一直占据着新闻头条，尤其是像 GPT-4 这样的大型语言模型甚至吸引了普通互联网用户的想象力，更不用说技术爱好者了。这些解决方案有可能改变企业的定义、工作的意义，并降低经营成本。与此同时，世界正在以惊人的速度产生数据。世界经济论坛 1 的一项研究估计，到 2025 年，我们每天将产生 463 EB 的数据。作为背景，那是 463 后面跟着 18 个零！或者正如作者所说，“字节数是可观测宇宙中恒星数量的 40 倍”。当然，在同一时间段内不太可能发生的是，人类会突然进化到考虑所有可用数据、计算概率并做出最佳操作选择。这并不是说人类变得可以牺牲。远非如此，我们具有高度调整的能力来识别模式 2 、理解抽象关系和概括。例如，我们不需要数百或数千个训练样本就能知道被网络钓鱼攻击的用户是组织的首席财务官。我们马上就能认出这个名字，我们的直觉会主导下一步补救措施。那么，对于人工智能工具来说，当前的任务就是提供正确的信息，使运营商能够做出最终带来最有利业务结果的决策。
数据驱动的飞机轨迹预测的新可靠性研究
摘要：本文利用美国联邦航空管理局提供的交通流量管理系统 (TFMS) 特定航线固定翼飞机轨迹公共数据集，测量了六种轨迹预测模型的两个主要因素，包括回归准确性和对抗攻击鲁棒性。从基本的常规到高级的深度学习，六种数据驱动的回归器及其所需的架构，从其预测轨迹的准确性和可靠性方面进行了探索。本文的主要贡献是针对飞机轨迹问题描述了对抗样本的存在，本文将其重铸为回归任务。换句话说，虽然数据驱动算法是目前最好的回归器，但它们可能会受到对抗样本的攻击。对抗样本类似于训练样本；然而，它们会导致经过精细训练的回归器做出错误的预测，这对基于学习的轨迹预测算法构成了安全隐患。结果表明，尽管基于深度学习的算法（例如长短期记忆 (LSTM)）相对于传统分类器（例如支持向量回归 (SVR)）具有更高的回归准确度，但它们对精心设计的状态更敏感，这些状态可以被精心操纵，甚至可以将其预测状态重定向到不正确的状态。这一事实对飞机构成了真正的安全问题，因为对抗性攻击可以重新
基于跨受试者脑电图的情绪识别多分支网络
近年来基于心电图（EEG）的情绪识别在情感计算中受到越来越多的关注。由于脑电信号的个体差异性较大，大多数模型都是针对特定受试者训练的，应用于新受试者时泛化性较差。针对这一问题，本文提出了一种多分支网络（MBN）模型。根据跨受试者数据的特点，设计不同的分支网络将脑电信号的背景特征和任务特征分离进行分类，以获得更好的模型性能。此外，模型训练时无需新受试者数据。为了避免差异较大的样本给模型训练带来的负面改善，我们使用极少量的新受试者数据来过滤训练样本，进一步提升模型性能。在训练模型之前，通过比对受试者之间的背景特征，删除与新受试者有显著差异的样本。实验结果表明，与单分支网络（SBN）模型相比，MBN 模型在 SEED 数据集上的准确率提高了 20.89%，且与其他常用方法相比，所提方法占用的新受试者数据更少，提高了其在实际应用中的实用性。关键词：多分支网络，脑电图（EEG），情绪识别，跨受试者
基于双向RNN的3D医疗图像分割的少数射击学习
在3D医学图像中对感兴趣的器官进行分割是准确诊断和纵向研究的必要条件。尽管使用深度学习的最新进展已显示出许多细分任务的成功，但是高性能需要大的数据集，而注释过程既耗时又耗时。在本文中，我们提出了一个3D少数射击分割框架，以使用目标器官注释的有限训练样本进行准确的器官序列。为了实现这一目标，像U-NET一样的网络旨在通过了解支持数据的2D片与查询图像之间的关系，包括辅助门控复发单元（GRU），该单元（GRU）了解相邻切片之间编码特征的一致性。此外，我们会介绍一种传输学习方法，以通过在支持数据中采样的任意支持和查询数据进行测试之前对模型进行更新，以适应目标图像和器官的特征。我们使用带有不同器官注释的三个3D CT数据集评估了我们提出的模型。我们的模型比最先进的射击分段模型产生了显着提高的性能，并且与经过更多目标培训数据训练的完全监督模型相当。