XiaoMi-AI文件搜索系统
World File Search System逆向工程
利用功能基因组学和人工智能对人类癌细胞进行逆向工程
我写这本书的首要动机是一句您将在接下来的内容中多次看到的短语。这句话是：“转移性疾病无法治愈”。这句话之所以如此重要，是因为尽管我们在癌症研究方面取得了数十年的巨大进步，但一旦疾病扩散到远处器官，患者的治疗进展就非常有限。正因为如此，我们作为一个社区显然是时候尝试一些新方法了，因为标准化疗虽然在疾病的其他阶段有用，但无法让我们到达最后的顶峰，即转移性癌症的治愈。在我看来，其中一种这样的策略涉及将现代人工智能 (AI) 和机器学习 (ML) 方法应用于从癌症患者和癌症衍生细胞系中积累的大量基因组数据，以制定真正个性化的策略，以对个体患者进行癌症逆向工程。因此，本书的目标是让读者相信这是可能的，至少是一条值得追求的途径。首先我要说的是，我将在本书中强调人工智能对基因组数据的分析如何帮助我们更好地利用癌症靶向疗法。与此同时，其他人也在努力开发类似的方法，利用计算和人工智能方法来改善癌症免疫疗法的使用，因为免疫疗法提供了另一套可用于转移性癌症患者的工具。由于我不是免疫学家，我不会在这里讨论这些方法，因为它们可以在其他出版物中找到。
对整个神经系统进行逆向工程
摘要：神经科学的主要目标是了解神经系统或神经回路组合如何产生和控制行为。如果我们能够可靠地模拟整个神经系统，从而复制大脑对任何刺激和不同环境的反应动态，那么测试和改进我们的神经控制理论将变得非常容易。更根本的是，重建或建模一个系统是理解它的一个重要里程碑，因此，模拟整个神经系统本身就是系统神经科学的目标之一，实际上是梦想。要做到这一点，我们需要确定每个神经元的输出如何依赖于某个神经系统中的输入。这种解构——从输入输出对理解功能——属于逆向工程的范畴。目前对大脑进行逆向工程的努力主要集中在哺乳动物的神经系统上，但这些大脑极其复杂，只能记录微小的子系统。我们在此认为，现在是系统神经科学开始齐心协力对较小系统进行逆向工程的时候了，而秀丽隐杆线虫是理想的候选系统。特别是，已建立并不断发展的光生理学技术工具包可以非侵入性地捕获和控制每个神经元的活动，并扩展到大量动物群体的数十万次实验。由于个体神经元的身份在形式和功能上基本保持不变，因此可以合并不同群体和行为的数据。然后，基于现代机器学习的模型训练应该能够模拟秀丽隐杆线虫令人印象深刻的大脑状态和行为范围。对整个神经系统进行逆向工程的能力将有利于系统神经科学以及人工智能系统的设计，从而为研究越来越大的神经系统提供根本性的见解和新方法。
研究AI系统：通过诠释学逆向工程检查数据和算法偏见
将人工智能系统视为边界对象，它们是跨学科的对象，在不同领域的跨学科对象中，在提供共同的话语的同时，本文总结了检查AI系统中偏见的方法。认为，检查与AI系统的建设和工作有关的每个部分对于打开政治游戏和潜在插入偏见点至关重要。通过操作诠释学的逆向工程，将数据和算法的关键分析作为AI系统的两个核心部分。诠释学逆向工程是一个框架，可以解开和了解有助于其含义和环境的技术文化对象和/或系统的不同元素。它对可以设计其他现实的投机性想象力，并包括文化分析，以确定技术文化对象背后的现有含义和假设，确定含义的关键要素，并推测重新组装对象的不同含义的可能性。该方法在AI系统上获得的主要结果是使用文化考虑和技术想象力来解开AI和设计创新方法为AI发挥替代/包容含义的现有含义。本文中提出的研究观点包括对AI系统不同要素内的偏见和政治的批判性检查，以及这些偏见对不同社会群体的影响。本文提出了使用诠释学逆向工程的方法来研究AI系统，并推测AI系统可能的替代和更负责任的期货。
综合的、具身化的代理来逆向工程自然智能
为什么要研究这个问题？从线虫到鱼类、啮齿动物和灵长类动物，进化一直都在实现我们尚未实现的目标，即能够灵活而稳健地与物理世界互动以确保其生存的具身代理。这种感觉运动回路是跨物种共享的智能的基础，我们更抽象的推理能力（包括语言）也依赖于此。然而，设计这种能力一直是人工智能（AI）面临的一项重大计算挑战，尤其是考虑到制造通用机器人一直是一个长期目标（但尚未实现）。尽管算法和数据集规模的进步使有效的表征学习成为可能[18]，但当前的人工智能仍难以理解
MME4480A — 高级 CAE：逆向工程课程...
• 了解在物理对象逆向工程背景下数据采集的基本原理。（KB3、ET2、ET3） • 比较和利用不同数据采集技术的功能来生成物理对象的数字模型。（D3、D4、LL2） • 了解不同类型的 CAD 数据格式之间的结构差异。（KB4、ET1、ET2） • 选择并使用适当的格式进行 CAD 数据交换操作。（ET1、ET2、LL2） • 了解内部 CAD 表示的理论基础。（KB1、KB4） • 开发对自由曲面/复杂曲面/雕塑曲面进行操作和建模的策略和技能。（ET1、ET2） • 选择并实施 3D 扫描模型的增材制造工艺。（ET2、D3、D4） 授课时间 每周 3 个讲座小时、2 个实验室/辅导小时，半个课程
视觉科学数字孪生研究年度回顾，用于逆向工程视觉智能的起源
大脑中的核心学习算法是什么？本土主义者认为，智力源自先天的领域特定知识系统，而经验主义者认为，智力源自从经验中学习领域特定知识的领域通用系统。我们通过回顾旨在逆向工程新生儿大脑学习算法的数字孪生研究来解决这一争论。在数字孪生研究中，新生动物和人工智能体在相同的环境中长大，并用相同的任务进行测试，从而可以直接比较它们的学习能力。支持经验主义的数字孪生研究表明，领域通用算法在以新生动物的第一人称视觉体验进行训练时，会学习类似动物的物体感知。支持本土主义的数字孪生研究表明，领域通用算法在以产前经验（视网膜波）进行训练时会产生先天的领域特定知识。我们认为，人类、动物和机器之间的学习可以用一个普遍的原则来解释，我们称之为时空拟合。时空拟合解释了经验主义和本土主义现象，为理解智力的起源提供了一个统一的框架。
机器上欺骗的逆向工程
这项工作对对抗机器学习领域中欺骗的反向工程（红色）进行了全面探索。它深入研究了机器和以人为中心的攻击的复杂性，从而使人们对如何对对抗性策略进行了整体理解，以保护AI系统。对于以机器为中心的攻击，我们涵盖了用于像素级扰动，对抗显着性图和受害者模型信息的反向工程方法。在以人为中心的域名的领域中，重点转移到生成的图像中的生成模型信息和操纵定位。通过这项工作，我们就与红色相关的挑战和机遇提供了前瞻性的看法。此外，我们在AI安全和值得信赖的计算机愿景领域提供了基础和实用的见解。
用于逆向工程神经元群体放电模式以识别其突触输入的超级计算机框架
m-chardon@northwestern.edu 1 美国伊利诺伊州芝加哥西北大学神经科学系；2 美国加利福尼亚州洛杉矶加州州立大学电气与计算机工程系；3 美国伊利诺伊州莱蒙特阿贡国家实验室阿贡领导力计算设施；4 美国伊利诺伊州埃文斯顿西北大学电气工程系；5 美国伊利诺伊州芝加哥西北大学生物医学工程系；6 英特尔公司，美国加利福尼亚州圣克拉拉；7 美国华盛顿大学生理学和生物物理学系；8 美国伊利诺伊州芝加哥 Shirley Ryan 能力实验室物理医学与康复系；9 美国伊利诺伊州芝加哥西北大学物理治疗与人体运动科学系； 15 10 美国伊利诺伊州埃文斯顿西北大学-阿贡科学与工程研究所 (NAISE) 16