XiaoMi-AI文件搜索系统
World File Search System输出层
具有最佳贝叶斯学习的神经自联想
神经联想记忆是具有快速突触学习的单层感知器，通常存储神经活动模式对之间的离散关联。先前的研究分析了在独立模式成分和异质关联的朴素贝叶斯假设下的最佳网络，其任务是从输入到输出模式学习关联。在这里，我研究了用于自动关联的最优贝叶斯联想网络，其中输入层和输出层相同。特别是，我将性能与近似贝叶斯学习规则的不同变体（如 BCPNN（贝叶斯置信传播神经网络））进行比较，并尝试解释为什么有时次优学习规则比（理论上）最优模型实现更高的存储容量。事实证明，性能可能取决于违反“朴素贝叶斯”假设的输入成分的微妙依赖关系。这包括具有恒定数量的活动单元的模式、通过循环网络重复传播模式的迭代检索以及最可能单元的赢家通吃激活。如果所有学习规则都包含一种新的自适应机制来估计迭代检索步骤 (ANE) 中的噪声，则其性能可以显著提高。具有 ANE 的贝叶斯学习规则再次实现了整体最大存储容量。
利用肌电图和脉搏血氧饱和度信号传感器融合的肌电假肢
厄瓜多尔约有 215,156 人患有肢体残疾，其中近一半的残疾率在 30% 至 49% 之间，相当一部分人没有肢体。此外，截肢病例激增，这一趋势与糖尿病患病率上升有关，根据国际糖尿病联合会 (IDF) 的数据，到 2021 年，糖尿病患病率预计将达到 5.37 亿。虽然存在假肢解决方案，但它们可能会产生高昂的成本或限制运动，即使价格更实惠。因此，提出了一种替代方案：肌电上肢假肢。这种假肢将通过肌电图和脉搏血氧饱和度信号进行操控，利用人工智能方法。采用多层神经网络模型，该模型由一个输入层、四个隐藏层和一个输出层组成，对用户运动意图的预测准确率高达 93%。对于 AI 模型训练，记录并仔细检查了来自 EMG 和 PPG 传感器的数据，从而将类别从四个压缩为三个。该模型嵌入在 ESP32 C3 DevKit-M1 开发板中，开源蓝图促进了假肢的创建，并辅以用于电子集成的补充组件。该模型在预测类别方面达到了 93% 的准确率，而假肢的续航时间约为三个小时，售价 295 美元，可处理各种轻量级物体。
实践储层计算：实际实施教程
摘要本文的特定目的在于：为材料科学、化学或电子学等领域的读者提供利用其材料系统实施储层计算 (RC) 实验的概述。关于该主题的介绍性文献很少，绝大多数评论都提出了 RC 的基本概念，这些概念对于不熟悉机器学习领域的人来说可能并不简单（例如，参见参考文献 Lukoˇseviˇcius (2012 Neural Networks: Tricks of the Trade (Berlin: Springer) pp 659–686)。考虑到大量表现出非线性行为和短期记忆的材料系统可用于设计新颖的计算范式，这是令人遗憾的。RC 提供了一个使用材料系统进行计算的框架，该框架可以避免在硬件上实现传统的、功能齐全的前馈神经网络时出现的典型问题，例如最小的设备间变异性以及对每个单元/神经元和连接的控制。相反，可以使用随机的、未经训练的储存器，其中仅优化输出层，例如使用线性回归。在下文中，我们将重点介绍 RC 在基于硬件的神经网络中的潜力，以及相对于更传统的方法，以及在实施过程中需要克服的障碍。准备一个高维非线性系统作为特定任务的高性能储存器并不像乍看起来那么容易。我们希望本教程能够降低科学家试图利用他们的非线性系统进行通常在机器学习和人工智能领域执行的计算任务的障碍。与本文配套的模拟工具可在线获取 7 。
使用自我注意力增强心脏病预测...
心血管疾病（CVD）仍然是全球超过1700万枚死亡的主要原因。以高精度对心力衰竭的早期检测对于临床试验和治疗至关重要。患者将根据血压，胆固醇水平，心率和其他特征等特征将患者分为各种类型的心脏病。使用自动系统，我们可以通过分析其特征来为那些容易发生心力衰竭的人提供早期诊断。在这项工作中，我们部署了一种新型的基于自我发挥的变压器模型，该模型结合了自我发项机制和变压器网络以预测CVD风险。自我发项层捕获上下文信息并生成有效建模数据中复杂模式的表示。自我注意力的机制通过给输入序列的每个组成部分来提供一定程度的注意力重量来提供可解释性。这包括调整输入和输出层，结合更多层，并修改注意力过程以收集相关信息。这也使医生可以理解数据的哪些功能有助于该模型的预测。提出的模型在Cleveland数据集上进行了测试，克利夫兰数据集是加利福尼亚大学尔湾分校（UCI）机器学习（ML）存储库的基准数据集。将提出的模型与几种基线方法进行比较，我们达到了96.51％的最高准确性。此外，我们的实验结果表明，我们的模型的预测率高于其他用于心脏病预测的尖端方法的预测率。
通过神经元对阿尔茨海默氏病的因果遗传生物标志物揭示神经结构中的基因回溯：一种突破性的反向 - 片上尖峰分类，有效的中位数... 基于闩锁的快速下垂响应的设计 llmcarbon
摘要阿尔茨海默氏病（AD）影响了全球超过5500万人，但关键的遗传贡献者仍然没有尚未确定。利用基因组元素模型的最新进展，我们提出了创新的反向基因发现技术，这是一种神经网络结构中一种突破性的神经元到基因的回溯方法，以阐明新型的因果关系遗传生物标志物推动了AD套装。逆向基因 - 包括三个关键创新。首先，我们利用这样的观察结果，即引起AD的概率最高的基因（定义为最有因果基因（MCG））必须具有激活那些引起AD的最高可能性的神经元的最高可能性，该神经元被引起AD的可能性最高，被罚款为最大的神经元（MCNS）。其次，我们在输入层处取代基因令牌表示，以允许每个基因（已知或新颖的AD）表示为输入空间中的疾病和独特的实体。最后，与现有的神经网络体系结构相反，该架构以馈送方式跟踪从输入层到输出层的神经激活，我们开发了一种创新的回溯方法，可以跟踪从MCNS到输入层的向后进行识别，从而识别最引起的代币（MCTS）和Corre-McGs。逆向基因 - 高度解释性，可推广和适应性，为在其他疾病情景中应用提供了有希望的方法。
人工智能与心脏病专家：2020 年你需要了解的内容
我们生活在一个临床和生物数据空前丰富的时代，这些数据包括电子健康记录、可穿戴传感器、生物医学成像和多组学。收集这些数据的规模、复杂性和速度要求统计学和计算机科学采用创新方法，利用人工智能 (AI) 的快速发展，有效地识别疾病过程的可行见解。现在，研究人员和临床心脏病专家必须对人工智能的优势、应用和局限性有基本的了解。在这种情况下，人工智能是指一组计算概念，可以概括为机器概括学习的能力，以便有效地自主完成复杂任务。机器学习 (ML) 通过使用算法来提高任务性能，而无需明确编程来实现这一点，并且可以大致分为监督方法和无监督方法。在监督学习中，成对的输入和输出变量之间的映射经过迭代优化，以用于回归和分类任务。在无监督学习中，只有输入数据可用，并且使用算法来查找固有的聚类或关联。近年来，机器学习已由深度学习 (DL) 主导，这是一种使用多层神经网络逐步获得复杂数据更抽象表示的方法。图 1 提供了 AI 领域的高级示意图。DL 算法由三种类型的层组成：输入层、隐藏层和输出层。网络架构和初始训练变量（超参数）是预先确定的。每个神经元都有一个激活函数，它定义给定集合的输出
大语言模型提取药物建议模型
摘要 - 药物的建议是智能医疗保健系统的重要方面，因为它涉及根据患者的特定健康需求规定最合适的药物。不幸的是，当前正在使用的许多复杂模型倾向于忽略医疗数据的细微差别语义，同时仅依靠身份。此外，这些模型在处理涉及第一次访问医院的患者的病例中面临重大挑战，因为他们缺乏以前的处方历史。为了解决这些问题，我们利用大语模型（LLM）的强大语义理解和投入性特征。我们的研究旨在使用LLMS转变现有的药物建议方法。在本文中，我们介绍了一种名为“大语言模型”提炼药物建议（领导者）的新方法。我们首先创建适当的提示模板，使LLM能够有效建议药物。然而，LLM直接整合到推荐系统中会导致特定于药物的孔外问题。我们通过使用新颖的输出层和精制的调谐损耗函数来调整LLM来处理它。尽管基于LLM的模型表现出显着的功能，但它们在推理过程中受到高度计算成本的困扰，这对医疗保健行业来说是不切实际的。为了减轻这种情况，我们开发了一种功能级知识蒸馏技术，该技术将LLM的熟练程度转移到了更紧凑的模型中。为了简化实验的可重复性，我们在线发布实施代码1。在两个现实世界数据集（MIMIC-III和MIMIC-IV）上进行的广泛实验表明，我们提出的模型不仅可以提供有效的结果，而且还具有有效的效率。
使用神经网络预测心脏病
摘要：包括心脏病在内的心血管疾病构成了重大的全球健康挑战，这给医疗保健系统和个人带来了重大负担。早期检测和对心脏病的准确预测对于及时干预和改善患者预后至关重要。本研究使用从Kaggle收集的数据集探索了神经网络在预测心脏病方面的潜力，该数据集由1025个样本组成，具有14个不同特征。该研究的主要目标是开发有效的神经网络模型，以确定心脏病的存在或不存在。神经网络体系结构包括一个输入层，隐藏层和一个输出层，旨在捕获数据集中的复杂关系。严格的培训和验证过程，伴随数据预处理步骤，确保模型的稳健性和泛化功能。结果表明表现出色，精度为92％，平均误差为0.062。此外，对特征重要性的分析突出了关键预测因子，包括“ Oldpeak”，“ Thalach”，“ Trestbps”，“ CA”，“ Thal”，“ Thal”，“ CP”，“ Chol”，“ Chol”，“性别”，“性别”，“ Restecg”，“ Restecg”，“ restecg”，“年龄”，“ slope”，“ slope”，“ slope”，“ fbs”和“ exang”和“ exang”。这项研究通过利用神经网络来增强心脏病预测来为预测保健领域。开发的模型提供了可能尽早确定处于危险中的个人，促进及时的医疗干预措施并最终改善公共卫生的潜力。进一步探索医疗保健中的机器学习技术有望重塑疾病预测和预防策略。
ODL-BCI：通过超参数调整对学生注意力进行分类的脑机接口最佳深度学习模型
摘要 — 脑机接口 (BCI) 研究在教育领域引起了关注，它为监测和提高学生的认知状态提供了潜力，本研究的重点是开发一种最佳深度学习模型 ODL-BCI，用于实时分类学生的注意力水平。该模型结合了超参数调整技术，并利用了公开的“困惑的学生 EEG 脑波数据”数据集。我们提出了一种通过贝叶斯优化优化超参数的深度学习模型。该模型的架构由一个输入层、几个隐藏层和一个输出层构成。隐藏层中的节点数和激活函数是使用贝叶斯优化确定的。每一层的学习率也进行了优化。在 EEG 混淆数据集上，对所提出的模型进行了评估，并与几种标准机器学习分类器进行了比较，包括决策树、AdaBoost、Bagging、MLP、朴素贝叶斯、随机森林、SVM 和 XG Boost。实验结果表明，优化后的深度学习模型优于所有其他分类器，准确率达到 74%。该模型在准确分类学生注意力水平方面的有效性凸显了其作为教育环境中宝贵工具的潜力。这项研究促进了 BCI 技术的进步，为基于 EEG 的认知评估的深度学习模型的优化提供了见解。未来的工作包括探索该模型在更大数据集上的通用性，并将其适用性扩展到其他 BCI 应用程序。
能源意识和弹性标准化服务...
A.1.1 系统概述 EARSS（能源保障和弹性标准化服务）系统由橡树岭国家实验室（ORNL）开发，用于传播极端天气、技术和人为事件（如飓风、野火和冰暴）对能源枢纽和能源输送基础设施的影响的分析。数据和分析既可以在名为 EARSS CONNECTOR 的可视化平台中获得，也可以作为其他模型的输入或叠加层供用户社区通过名为 EARSS GeoServer 的地理服务器平台进行其他分析。实时可视化描述了多个地区电网等能源资源的动态行为，大大降低了大面积停电的风险并加快了大面积停电后的恢复。过去十年，美国发生的大规模停电事件因缺乏对原因和影响的广域态势了解而加剧。缺乏对大范围情况的了解导致了停电，也增加了准备和应对破坏性事件的困难。EARSS 解决了这个问题。可视化平台 (EARSS CONNECTOR) 利用商用 Google Earth® 浏览器显示空间和时间标记的电力系统数据，为传统电力公司提供了一个查看系统状态的新视角。这些功能包括线路描述和停电状态；分析结果和状态预测；地理时空信息 - 对人口、交通和基础设施的影响；以及天气影响和叠加。后端分析和建模组件的输出层提供了更具信息量的系统视图；所有这些输出都可供其他模型中的各个用户社区通过 EARSS GeoServer 进行额外的分析或叠加。本文档介绍了 EARSS CONNECTOR 和 EARSS GeoServer 中的可用功能、如何访问和使用每个系统，以及驱动模型和分析的计算方法。