XiaoMi-AI文件搜索系统
World File Search System训练集
原创研究预后不良患者的脑转移瘤立体定向放射外科治疗：有效还是过度治疗？
目的：对于预后不良的患者，立体定向放射外科 (SRS) 治疗脑转移瘤仍存在争议。在本文中，我们比较了预后不良患者单独 SRS 与全脑放射治疗 (WBRT) 的结果，并确定了与单独 SRS 后早期死亡相关的最重要的不利预后因素。患者和方法：在这项前瞻性 SRS 数据的回顾性分析中，分析了 180 名之前未接受过 WBRT 治疗的脑转移瘤患者。在预后不良（定义为分级预后评估 (GPA) <2）的患者中，通过倾向评分匹配将 SRS 的结果与 WBRT 进行比较。此外，将 SRS 患者分为训练组（n=82）和验证组（n=48）。通过单变量和多变量分析定义总生存期 (OS) 和早期死亡风险。结果：WBRT 和 SRS 组的中位生存期分别为 86 天（IQR：38-172 天）和 201 天（IQR：86-未达到）（p <0.0001）。对于 GPA<2 的患者，SRS 组与 WBRT 组的 OS 明显更长（123 天 vs 58 天；p =0.008）。倾向评分匹配分析显示，SRS 组的生存期更长。多变量分析显示，GPA（OR：0.44，95%CI：0.21–0.95；p =0.001）、广泛性颅外疾病（OR：0.13，95%CI：0.02–0.66；p =0.013）和严重的神经功能缺损（OR：0.13，95%CI：0.04–0.45；p =0.001）与早期死亡相关。如果有一个因素有利，那么73%（训练集）和 92%（验证集）的患者存活三个月。GPA <2 且出现严重神经功能缺损和广泛性颅外疾病的患者预期获益较低，因为三个月内死亡风险最高（AUC：0.822 训练集；0.932 验证集）。结论：对于预后不良（定义为 GPA <2）的患者，SRS 是一种可行的治疗选择。脑转移患者应具有良好的神经系统状态、颅外寡转移性疾病或 GPA ≥2，以证明接受 SRS 治疗是合理的。关键词：脑、肿瘤、转移、放射外科、放射治疗、风险因素
人工智能课程 - XII MLP 主题：顶点项目 I ...
主题：顶点项目 I. 客观问题： 1. 研究人员想要研究性别与使用手机之间的关联。本研究收集的数据将是 ____________。 a. 定性数据 b. 定量数据 c. 连续数据 d. 分类数据 2. 收集数据的主要方式（数据收集过程）？ a. 实验 b. 调查 c. 访谈 d. 观察 3. 数据科学家将使用 ___________ 进行预测建模？ a. 人工智能 b. 机器学习 c. 训练集 d. 深度学习 4. 哪一个不属于分类损失？ a. 对数损失 b. 平均绝对误差 c. 指数损失 d. 铰链损失 5. 哪一个过程不属于顶点项目？ a. AI 模型 b. AI 项目周期 c. 部署 d. 数据收集 6. 哪一个不属于回归损失？ a. 对数损失 b. 平均绝对误差 c. 对数 cosh 损失 d分位数损失
基于混合模型的锂离子电池剩余使用寿命预测
摘要：准确预测剩余使用寿命（RUL）是保证锂离子电池安全稳定性的关键功能。为解决不同工况下的容量再生和模型适应性，提出了一种基于带自适应噪声的完全集合经验模态分解（CEEMDAN）和双向门控循环单元（BiGRU）的混合RUL预测模型。利用CEEMDAN将容量划分为固有模态函数（IMF）以降低容量再生的影响。此外，提出一种改进的灰狼优化器（IGOW）来保持BiGRU网络的可靠性。利用混沌帐篷映射提高GWO算法中初始种群的多样性，采用改进的控制因子和动态种群权重来加速算法的收敛速度。最后，进行容量和RUL预测实验，验证不同训练数据和工况下的电池预测性能。结果表明，所提出的方法仅使用 30% 的训练集即可实现小于 4% 的 MAE，并使用 CALCE 和 NASA 电池数据进行了验证。
统计自适应傅里叶分解 (SAFD)
摘要：本文提出了一种新型的监督学习方法——统计自适应傅里叶分解（SAFD）。SAFD 使用正交有理系统或 Takenaka-Malmquist（TM）系统为训练集建立学习模型，在此基础上可以对未知数据进行预测。该方法侧重于信号或时间序列的分类。AFD 是一种新开发的信号分析方法，它可以自适应地将不同的信号分解为不同的 TM 系统，引入了傅里叶类型但非线性和非负的时频表示。SAFD 将学习过程与 AFD 的适应性特征充分结合起来，其中少量的学习原子足以捕获信号的结构和特征以进行分类。SAFD 有三个优点。首先，在学习过程中会自动检测和提取特征。其次，所有参数都由算法自动选择。最后，将学习到的特征以数学形式表示出来，并可以根据感应瞬时频率进一步研究特征。通过心电图 (ECG) 信号分类验证了所提方法的有效性。实验表明，该方法比其他基于特征的学习方法效果更好。
使用基于案例的心脏病预测...
本研究概述了使用智能系统进行心脏病预测。准确预测疾病在医学领域至关重要，但传统方法仅依靠医生的经验，往往缺乏准确性。为了解决这一限制，智能系统被用作传统方法的替代方案。虽然存在各种智能系统方法，但本研究重点关注三种：模糊逻辑、神经网络和基于案例的推理 (CBR)。对这些技术的准确性进行了比较，最终选择了基于案例的推理 (CBR) 进行心脏病预测。在预测阶段，心脏病数据集经过数据预处理以清理数据和数据分割以将其分为训练集和测试集。然后使用所选的智能系统根据处理后的数据预测心脏病结果。实验结果表明，基于案例的推理 (CBR) 在预测心脏病方面实现了 97.95% 的显着准确率。研究结果还显示，男性患心脏病的概率为 57.76%，女性为 42.24%。相关研究的进一步分析表明，吸烟、饮酒等因素是导致心脏病的重要因素，尤其是在男性中。
从聚类效应角度解释神经网络的对抗鲁棒性
对抗训练（AT）是提高深度神经网络鲁棒性的最常用机制。最近，一种针对中间层的新型对抗攻击利用了对抗训练网络的额外脆弱性，输出错误的预测。这一结果说明对抗训练中对抗扰动的搜索空间不足。为了阐明中间层攻击有效的原因，我们将前向传播解释为聚类效应，表征神经网络对于与训练集具有相同标签的样本的中间层表示相似，并通过相应的信息瓶颈理论从理论上证明了聚类效应的存在。随后我们观察到中间层攻击违反了 AT 训练模型的聚类效应。受这些重要观察的启发，我们提出了一种正则化方法来扩展训练过程中的扰动搜索空间，称为充分对抗训练（SAT）。我们通过严格的数学证明给出了经过验证的神经网络鲁棒性界限。实验评估表明，SAT 在防御针对输出层和中间层的对抗性攻击方面优于其他最先进的 AT 机制。我们的代码和附录可以在 https://github.com/clustering-effect/SAT 找到。
生成数据集增强的域间隙嵌入
本文通过利用大型预训练模型来探讨合成数据的潜力，尤其是在面对分布变化时。al-尽管生成模型的最新进展已经阐明了跨分布数据发生的几项先前的作品，但它们需要模型调整和复杂的设置。为了绕过这些缺点，我们介绍了主要的g a a a a a a a a embeddings（doge），这是一个跨分布的插件语义数据augpection框架，几乎没有射击设置。我们的方法以潜在形式提取源和所需数据分布之间的差异，然后引导生成过程，以补充无数多种合成样本的训练集。我们的评估是在几个射击范式下进行亚种群偏移和三个领域适应方案进行的，表明我们的多功能方法改善了各个任务的性能，需要进行动手干预或复杂的调整。Doge铺平了毫不费力地生成遵循测试分布的现实，可转让的合成数据集的道路，从而加强了下游任务模型的现实世界效率。
![arXiv:2410.01044v1 [cs.AI] 2024 年 10 月 1 日](/simg/d\d341e50772fb4978a760f816a937ef4cd89c186a.png)
arXiv:2410.01044v1 [cs.AI] 2024 年 10 月 1 日
LLM 生成的推理步骤可能不完整，因为它们模仿了预训练数据中日常交流中常见的逻辑跳跃：底层原理经常是隐含的（未说明的）。为了应对这一挑战，我们引入了 R ATIONALYST，这是一个基于对从未标记数据中提取的大量原理注释进行预训练的推理过程监督模型。我们从网络规模的未标记数据集（Pile）和推理数据集组合中提取了 79k 个原理，几乎无需人工干预。这种网络规模的推理预训练使 R ATIONALYST 能够在各种推理任务中一致地概括，包括数学、常识、科学和逻辑推理。经过 LLaMa-3-8B 微调后，R ATIONALYST 在 7 个代表性推理基准上将推理准确率平均提高了 3.9%。与 GPT-4 等明显更大的验证器以及在匹配训练集上进行微调的类似大小的模型相比，它还表现出了卓越的性能。1
生成式人工智能：ChatGPT 和搜索
OpenAI 成立于 2015 年，最初是一家研究实验室，是三种生成式 AI 模型（ChatGPT、Codex 和 DALL-E）背后的 AI 研究和部署公司。这些模型经过训练，可以理解人类语言的结构，从而创建文本、代码和图像内容，以及来自训练集的新类型的数据/见解。由于计算、数据可用性以及公众测试和进一步完善模型的能力的提高，这些模型的发布已成为生成式 AI 的一个转折点。ChatGPT（生成的预训练 Transformers 或 GPT-3）的第三次迭代于 2022 年 11 月推出，是一个能够解决/回答提示的类人 AI 平台。ChatGPT 在搜索方面的不同之处在于，它以对话式风格响应查询，而不是提供建议网站的链接。自推出以来，它已成为历史上增长最快的消费者应用程序，截至 2023 年 1 月，月平均用户数 (MAU) 已达 1 亿。作为对比，之前增长最快的应用程序的记录保持者是 TikTok（9 个月）和 Instagram（2.5 年）。2
人工智能的临床和研究医学应用...
摘要：人工智能 (AI)，包括机器学习 (ML)，通过新发现的效率和支持性决策，已经改变了众多行业。随着计算能力和大数据集的迅猛增长，人工智能已经从理论转变为现实，教导机器在无需人工监督的情况下自动执行任务。基于人工智能的计算算法使用模式识别和从输入数据中学习来分析“训练集”，以对输出进行分类和预测，否则无法通过人工处理或标准统计方法进行有效分析。虽然尚未广泛理解基本原理和采用应用，但最近实施人工智能的应用和研究工作已显示出在预测未来受伤风险、解释高级成像、评估患者报告结果、报告基于价值的指标和增强远程医疗方面的巨大前景。通过欣赏、谨慎和应用人工智能的经验，可以实现任务自动化和改进数据驱动洞察力的潜力，从而从根本上改善患者护理。本评论旨在讨论与人工智能相关的亮点、陷阱和应用。