XiaoMi-AI文件搜索系统
World File Search System距离指标
针对幽门螺杆菌的基本转录因子HP1043：药物重新定位研究用量子地球移动的距离学习量子数据
抽象量化学习算法的输出与目标的目标是机器学习的重要任务。然而，在量子设置中，常用距离指标的损失景观通常会产生不良结果，例如局部最小值差和指数衰减的梯度。为了克服这些障碍，我们在这里考虑最近提出的量子地球移动器（EM）或Wasserstein-1距离是经典EM距离的量子类似物。我们表明，量子EM距离具有独特的特性，在其他常用的量子距离指标中未发现，这使量子学习更加稳定和有效。我们提出了一个量子剂量生成对抗网络（QWGAN），该网络利用量子EM距离，并提供了对量子数据进行学习的有效手段。我们提供了Qwgan能够学习一组量子数据的示例，仅资源在量子数中多项式。
高风险AI系统的技术评估
误报。在垃圾邮件过滤器的情况下，高精度可确保合法电子邮件不会被错误地标记为垃圾邮件。量化AI系统的鲁棒性时，可以计算其对抗性鲁棒性，分布稳健性，稳健性，抗噪声或对输入变化的鲁棒性。对抗性鲁棒性衡量系统对距离指标限制的故意输入操作的弹性，该距离指标捕获了原始输入和对抗性示例之间的差异。分布（OOD）鲁棒性评估系统在训练分布之外的真实数据点上的性能。对噪声的鲁棒性评估（特定于域的）噪声被添加到输入数据时，可以评估性能稳定性。最后，针对输入变化的鲁棒性评估系统可以如何应对输入的系统变化，例如在图像数据的情况下旋转或亮度变化。这些指标与用例相关，从自动驾驶（系统必须在不利天气条件下可靠的自动驾驶）到语音识别，鲁棒性确保了准确的结果，例如在有重音或背景噪声的情况下。最后，可以使用类似于用于测量准确性的指标来检测AI系统中偏差的存在，但重要的是在不同的情况下应用。准确性测试的关键区别在于选择数据实例或方案，这应该代表我们期望相等的性能水平的测试用例。实践测试：技术挑战尤其是在作为访问社会或经济福利的工具的应用中（例如招聘系统），专门的指标，例如人口统计学，机会平等和预测平等可以用来评估不同群体是否从模型中获得相似的预测（或收益）。
ASD儿童脑电图信号的复发量化分析
本研究的目的是通过脑电图（EEG）确定典型发育中的听觉/视觉刺激的大脑反应和自闭症儿童的大脑反应。早期诊断确实有助于定制培训，并在常规流中进步。揭示了潜在的大脑动力学，采用了非线性分析。在当前的研究中，分析了具有不同参数的复发定量分析（RQA）。为了获得更好的信息检索，还考虑了余弦距离度量，并与RQA中的其他距离指标进行了比较。测量RQA的每个计算组合，并分析和讨论响应通道。据观察，具有余弦距离参数的风扇邻域能够显着区分ASD和TD。
气候变化对孕产妇，胎儿和新生儿健康的影响：面部识别管道的基准和...
摘要 - 近年来，来自领先技术公司，全球著名大学和开源社区的研究人员在面部识别研究领域取得了长足的进步。实验表明，面部识别方法不仅实现了，而且超过了人类水平的准确性。当代面部识别过程包括四个关键阶段：检测，对齐，表示和验证。目前，面部识别研究的重点主要集中在管道内的表示阶段。这项研究进行了实验，探讨了九种最先进的面部识别模型，六个尖端的面部探测器，三个距离指标和两种比对模式的替代组合。评估了实施和调整这些模块的可协调性能，以精确衡量每个模块对管道的影响。研究的理论和实际发现旨在为面部识别管道提供最佳的配置集。
迈向图像编辑方法的定量评估指标
在生成AI的快速发展的领域中，这项工作采取了初步步骤，以建立用于比较图像编辑方法的系统范围。当前，缺乏用于评估IMED编辑任务的定量指标，而新方法主要是定性评估的。我们的方法涉及三个关键组成部分：1）使用gan-Control创建大型合成数据集，该数据集可以生成地面图像，以跨不同面部身份进行一致的编辑； 2）匹配过程，将编辑的图像与相应的地面真相配对； 3）将感知距离指标应用于匹配对。我们通过用户研究和一组仿真实验评估了我们提出的框架的有效性。我们的结果表明，我们的方法可以以与人类判断相符的方式对图像编辑方法进行排名。这项研究旨在为随后的研究中的图像编辑技术建立全面的评估框架奠定基础，并就此主题进行对话。
医疗保健中概括机器学习模型的挑战
摘要：概括问题在机器学习模型中很常见，尤其是在医疗保健应用中。本研究通过分析特定用例来解决现实世界中的概括及其挑战的问题：使用复发性神经网络（RNN）预测患者的再入院。尽管先前开发的RNN模型在重症监护室（MIMIC-III）数据集上获得了强大的结果，但是当应用于当地医院的数据时，它显示出近乎随机的预测精度（Moazemi等，2022）。我们假设这种差异是由于患者人口统计学，临床实践，数据收集方法和基础设施的医疗保健差异所致。通过使用时间序列的统计方法和距离指标，我们确定了模拟物和医院数据之间人口统计学和重要数据中的关键差异。这些发现突出了在医疗保健环境中开发可推广的机器学习模型的可能挑战，不仅需要改善算法解决方案，而且需要改善算法和收集医疗数据的过程。
一种用于检测倍数和有问题特征的计算方法
摘要在金属添加剂制造中，具有高纵横比（AR）特征的几何形状通常与由热应力和其他相关构建故障引起的缺陷有关。理想情况下，将在设计阶段检测和删除过高的AR功能，以避免制造过程中不必要的故障。但是，AR是规模和方向独立的，并且在所有尺度和方向上识别特征非常具有挑战性。此外，并非所有高AR特征都像薄壁和细小的针头一样容易识别。因此，在添加剂制造过程的有问题特征检测领域的进一步发展需要进一步发展。在这项工作中，提出了基于从三角形的网格几何形状提取的两个距离指标的无量纲比率（d 1/ d 2）。基于此方法，具有不同特征的几何形状（例如薄壁，螺旋和多面体），以产生与AR相似的指标。将预测结果与典型几何的已知理论AR值进行了比较。通过将此度量与网格分割结合在一起，进一步扩展了该方法以分析具有复杂特征的几何形状。所提出的方法提供了一种强大，一般且有前途的方法，可以自动检测高AR功能并在制造前解决相关的缺陷问题。
用于生物网络的Riemannian混合
生物网络通常用于生物医学和健康保健领域，以有效地模拟复杂的生物系统与与生物实体联系的相互作用的结构。但是，由于它们具有高维度和低样本量的特征，直接在生物网络上应用深度学习模型通常会面临严重的过度拟合。在这项工作中，我们提出了R-Mixup，这是一种基于混合的数据增强技术，该技术适合具有优化训练效率的生物网络的邻接矩阵的符号正定（SPD）属性。R-Mixup中的相互关系过程利用了Riemannian歧管的对数 - 欧几里得距离指标，从而有效地解决了香草混合物的肿胀效果和任意错误的标签问题。我们通过五个现实世界的生物网络数据集在回归和分类任务上演示了R-Mixup的有效性。此外，我们得出了一个普遍忽略的必要条件，用于识别生物网络的SPD矩阵，并密切研究其对模型性能的影响。代码实现可以在附录E中找到。
McCormick：通过人工智能增强研发创造力
解决方案：图形表示和降低维数 开发了一种名为 SAGE TM 的新型深度学习系统来生成新的风味特征。它接受两个主要的用户定义输入：（1）种子配方（例如，韩式烤肉的风味特征），以及（2）输出配方中所需的任何特定约束（例如，“必须有芒果”）。然后，系统生成与种子有不同程度偏差的配方；4 个配方仅需进行微调即可优化预期性能，4 个配方具有更大的自由度但仍受约束，4 个配方差别很大。这为调味师提供了一系列可从中进行迭代的选项，具体取决于所需的新颖性水平。为了实现这一目标，团队需要一些技巧。首先，他们通过将 40,000 种不同的原材料汇总成 3000 个组来降低数据的维数。其次，他们从 35 万个语料库中抽取了 3000 个配方进行训练，每个配方都标有“成功”评级。最后，他们将模型制定为图问题，定义材料之间的距离指标，其中每个配方都表示为一个向量。
![arxiv：2311.13273v2 [CS.CL] 2024年1月8日](/simg/g:\will\search\icon\source\3\3ed294e0c1d7cb5f0e98140d864d69d06c84a4cf.webp)
arxiv：2311.13273v2 [CS.CL] 2024年1月8日
摘要：生成人工智能（AI）可用于基于医疗咨询的文字自动生成医疗报告。目的是减轻医疗保健专业人员面临的行政负担。需要建立生成报告的准确性，以确保其正确性和实用性。有几个指标来衡量AI生成的报告的准确性，但是在医疗报告中应用这些指标的工作几乎没有完成。对AI生成的医疗报告已经针对其相应的全科医生（GP）医学报告进行了10个准确度指标的比较实验。生成报告的丢失，错误和其他状态的数量与度量分数相关。此外，我们介绍并定义了一个复合精度得分，该得分可产生单个分数，以比较自动化医疗报告领域内的指标。的发现表明，基于相关研究和综合准确评分，Rouge-L和Word Mover的距离指标是首选的指标，这与以前的工作不符。这些发现有助于确定AI生成的医疗报告的准确性，这有助于开发为GPS生成医疗报告以减轻行政负担的系统。