XiaoMi-AI文件搜索系统
World File Search System问题定义
分解方法的稀疏时空脑 -
摘要 - 准确的技术在解决大量数据的各种问题方面具有无限的作用。但是，这些技术尚未显示出处理脑信号的脑部计算机界面（BCIS）的竞争性能。基本上，脑信号很难大量收集，特别是在自发的BCI中，信息量将很少。此外，我们猜想任务之间的高空间和时间相似性增加了预测的困难。我们将这个问题定义为稀疏条件。为解决此问题，引入了分解方法，以允许该模型从潜在空间中获得不同的表示。为此，我们提出了两个特征提取器：通过对抗性学习作为发电机的对抗性学习进行训练；特定于类的模块利用分类产生的损失函数，以便使用传统方法提取功能。为了最大程度地减少班级和类别特征共享的潜在空间，该模型是在正交约束下训练的。因此，将脑电图分解为两个独立的潜在空间。评估是在单臂运动图像数据集上进行的。从结果中，我们证明了分解脑电图信号允许模型在稀疏条件下提取富裕和决定性的特征。
同时使用动态热额定值和储能系统技术，实现可再生能源的最佳整合和利用
如今，可再生能源 (RES) 的最佳整合和利用是电力系统中最具挑战性的问题之一。风能和太阳能发电机组的最大产量可能在高峰消费时间发生，也可能不会发生，从而导致这些资源的利用不理想。为了解决这个问题，能源存储系统 (ESS) 被嵌入到网络中。然而，从 RES 到 ESS 的电力传输可能会导致网络拥塞。本文提出了同时应用动态热额定值 (DTR) 技术和 ESS 设备。DTR 用于克服输电线路容量有限的问题，ESS 负责通过在非高峰时段节省其发电量来减轻 RES 能源生产的削减。RES 发电和线路的额定值是根据每小时实际天气因素计算的。为了评估所提出的方法，在问题定义中使用了 DC-OPF 的线性化公式，并使用 MATLAB 软件在包括风电场、太阳能园区和 ESS 设备的改进的 IEEE 30 总线测试系统上进行了模拟。此外，还进行了不同的比较，证明与以前介绍的方法相比，所提出的方法具有显著且更好的性能。
CCSCA11 核心课程 XIII - 人工智能
科目代码：CCSCA11 核心课程 XIII - 人工智能 第一单元 人工智能定义 – 人工智能技术 – 人工智能应用 – 问题 – 问题空间和搜索 – 将问题定义为状态空间搜索 – 生产系统 – 问题特征。 第二单元 启发式搜索 – 生成和测试 – 爬山法 – 广度优先搜索 – 最佳优先搜索 – 问题简化 – 约束满足 – 手段目的分析。 第三单元 游戏 – 极小最大搜索 – 添加 alpha – beta 截止值 – 谓词逻辑 – 表示简单事实和逻辑可计算函数和谓词 – 解析 – 自然演绎。 第四单元 使用规则表示知识 – 程序性与陈述性知识 – 前向推理与后向推理 – 非单调推理。 第五单元 专家系统 – 结构 – 组件 – 专家系统开发过程 – 专家系统开发工具。 教科书：1. Elaine Rich 和 Kevin Knight 著《人工智能》，Tata McGraw Hill，第二版。 2. David Rolston 著《人工智能与专家系统开发原理》，McGraw Hill。 3.《人工智能与专家系统》，K.Meena 和 R.Dhanapal 著，国际图书，2000 年。
欧盟人工智能监管和治理改革的政治
摘要 本文探讨了欧盟人工智能监管和治理框架改革的政治驱动因素和政策进程。自 2017 年以来，欧盟一直在制定一项综合政策，以加强控制并确保消费者保护和基本权利。这项政策改革在理论上很有趣，提出了哪些概念方法可以更好地解释它的问题，并且在经验上也具有相关性，解决了风险监管与欧洲数字市场一体化之间的联系。本文主要通过使用两种案例研究方法（过程追踪和一致性程序）来探讨政策改革，使用各种主要和次要来源。它评估了三个理论框架和一组派生的可测试假设的分析杠杆作用，这些假设涉及全球经济竞争、制度结构和国内行为者的政策偏好在塑造欧盟人工智能监管渐进式方法方面的共同演变。有人认为，这三个因素都是推动改革的关键因素，并解释了政策制定过程的各个阶段，即问题定义、议程设置和决策，以及结果的主要特征。
科学出版的压力
科学家越来越不知所措，被发表的文章数量所淹没。近年来，Scopus和Web Science索引的文章总数已成倍增长。在2022年，该文章的总数比2016年高约47％，在执业科学家的数量上，增长率有限（如果有的话）。因此，每个科学家的出版工作量已经大大增加。我们将这个问题定义为“科学出版的压力。”为了分析这种菌株，我们提出了五个数据驱动的指标，显示了发布者的增长，处理时间和引文行为。我们从Web刮擦中绘制这些数据，并通过其网站或根据要求从发布者那里绘制这些数据。特定的群体在每年发表的文章中成长不成比例，这导致了这种菌株。一些出版商通过托管“特殊问题”的周转时间来启用了这一增长。鉴于研究人员要“出版或灭亡”以争夺资金的压力，因此这些报价可能会放大这种压力，以发表更多文章。我们还观察到期刊影响因素与这种菌株一致，这可能会使质量信号混淆。这种指数增长无法维持。我们在这里定义的指标应该使这种不断发展的对话能够达到可行的解决方案，以解决科学出版的压力。
生成术语映射
内容表2介绍：Atropos健康3问题定义4研究问题5方法6准备药物来源术语6方法1：通过医疗保健特定的NLP模型7命名实体识别命名的实体识别7方法2：通过UMLS API通过UMLS API 7方法7方法7方法7方法3：umls api plus for gpti plus gpt-4人类访问量11的方法， Mapping Outcomes 11 Other Mapping Outcomes 11 Approach 1: Janus-Derived Maps 13 Janus AUROC Curves for Different Mapping Outcomes 14 Approach 2: UMLS API Alone 15 UMLS API Alone Correctness Metrics 15 Approach 3: Generative Terminology Mapping 17 Generative Terminology Mapping Results: 90% Reduction in Errors, 91% Coverage, 98% Reduced Cost 18 Generative Terminology Mapping (UMLS API Plus GPT-4）正确性指标18生成术语映射与地面真相结果和混乱矩阵18数据工程挑战19估计成本和比较20结论21生成术语映射生成研究级RXNorm映射药物数据，在21个警告和未来方向23附录23附录24
选修课-I：人工智能与机器人技术
第一单元：人工智能问题：人工智能技术 – 成功标准 – 将问题定义为状态空间搜索 – 生产系统 – 特征 – 问题特征。第二单元：启发式搜索技术：生成和测试 – 爬山法 – 最佳优先搜索 – 问题简化 – 约束满足 – 手段最终分析。第三单元：知识表示问题：知识表示方法 – 框架问题 – 可计算函数和谓词 – 解析 – 程序性知识与陈述性知识。第四单元：机器人基础：机器人简介、分类、机器人历史、机器人的优缺点、机器人组件、机器人自由度、机器人关节和坐标、机器人工作空间、机器人范围、机器人语言。UNIT-V -：传感器：介绍机器人的内部和外部传感器、位置传感器、速度传感器、加速度传感器、声纳和红外传感器、触摸和触觉传感器。机器人的应用：机器人的应用、机器人的选择、机器人应用的经济因素和理由；安全要求。教科书 1.Elaine Rich 和 Kevin Knight，《人工智能》，Tata McGraw Hill，第二版。2.Craig J J，“机器人学、力学和控制导论”，Pearson Education，新德里，2004 年。参考书 1.Saeed B Niku，“机器人学导论”，Pearson Education，新德里，2003 年。2.George F Luger，“人工智能”，Pearson Edition 出版物，第 4 版
基于变压器的视觉分割：调查
摘要 - 视觉细分试图将图像，视频帧或点云分段分为多个段或组。该技术具有许多现实世界的应用，例如自动驾驶，图像编辑，机器人传感和医学分析。在过去的十年中，基于深度学习的方法在这一领域取得了显着的进步。最近，Transformers是一种基于最初为自然语言处理的自我注意力的一种神经网络，在各种视觉处理任务中已经超过了以前的卷积或经常性方法。具体来说，视觉变压器为各种细分任务提供了强大，统一甚至更简单的解决方案。本调查提供了基于变压器的视觉细分的详细概述，总结了最近的进步。我们首先审查背景，包括问题定义，数据集和先前的卷积方法。接下来，我们总结了一个统一所有基于变压器的方法的元结构结构。基于此元结构结构，我们检查了各种方法设计，包括对元结构和相关应用程序的修改。我们还提供了几个特定的子字段，包括3D点云进行分割，基础模型调整，域感知分割，有效的分割和医疗分割。此外，我们在几个公认的数据集上编译并重新评估了所审核的方法。最后，我们确定了这一领域的公开挑战，并提出了未来研究的方向。项目页面可以在https://github.com/lxtgh/aweshy-sementation-with-transformer上找到。
根据计算机视觉系统的表现预测儿童的词汇学习能力
人类和机器都面临着建立视觉和语言信息之间关系的问题。在人类中，这个过程被称为单词学习，发展科学家对此进行了广泛的研究。在机器中，将视觉特征与单词联系起来是计算机视觉研究人员研究的几项任务的关键部分，包括对象分类和图像字幕。在本文中，我们通过从计算机视觉系统的性能预测人类儿童单词学习的时间过程，探索人类和机器发现的这些问题的解决方案之间的关联程度。发展科学家长期以来一直对了解婴幼儿如何学习新单词感兴趣（Bloom，2002；Brown，1973；Golinkoff 等，2000；Quine，1960；Wojcik 等，2022），通常将问题定义为在单词与其对应的对象、事件或属性之间建立指称（Markman，1990；Schwab & Lew-Williams，2016）。虽然不同儿童的单词学习轨迹各不相同，但学习不同类型单词的速度至少存在一定的一致性（Frank 等，2021）。例如，学习英语（以及许多其他语言）的儿童往往比学习连接词（例如“和”或“因为”）更早学习描述身体部位的单词（例如“眼睛”或“鼻子”）。发展科学家一直在寻找这种模式的预测因素。例如，儿童导向言语中更常见的单词往往更早被学习（Swingley & Humphrey，2018）。然而，对这些预测因素的研究仅限于可以测量的数量
llm-aix：基于保留大型语言模型的隐私从非结构化医学文本中提取信息的开源管道
在临床科学和实践中，文本数据（例如临床信件或程序报告）以非结构化的方式存储。这种类型的数据不是任何定量研究的可量化资源，任何手动审查或结构化信息检索都是耗时且昂贵的。大语言模型（LLMS）的功能标志着自然语言处理的范式转移，并为结构化信息提取（IE）提供了新的可能性。本协议描述了基于LLM的信息提取（LLM-AIX）的工作流程，从而可以使用隐私保留LLMS从非结构化文本中提取预定义的实体。通过将非结构化的临床文本转换为结构化数据，LLM-AIX解决了临床研究和实践中的关键障碍，在这种临床研究和实践中，有效提取信息对于证明临床决策，增强患者结果并促进大规模数据分析至关重要。该协议由四个主要处理步骤组成：1）问题定义和数据准备，2）数据预处理，3）基于LLM的IE和4）输出评估。LLM-AIX允许在本地医院硬件上集成，而无需将任何患者数据传输到外部服务器。作为示例任务，我们将LLM-AIX应用于肺栓塞患者的虚拟临床信件的匿名化。此外，我们提取了这些虚拟字母的肺栓塞的症状和横向性。我们通过在现实世界数据集上使用IE，癌症基因组图集计划（TCGA）（TCGA）的100个病理报道来证明管道中潜在问题的故障排除，以进行TNM阶段提取。LLM-AIX可以通过易于使用的界面执行任何程序知识，并且在不超过几分钟或几个小时的时间内执行，从而在所选的LLM模型上删除。