XiaoMi-AI文件搜索系统
World File Search System预告片
标签代码
24174 ADAPT 100346 冒险音乐 77782 ANNIHILATION 48979 音频智能 22926 大屏幕 22925 BOOSTTV 49108 CLUBBINGZONE 33693 COUNTER 音乐 49109 DOCUZONE 27902 DRAMAZONE 13890 DRONEZONE 51442 EAR PARADE 音乐 92162 END OF SILENCE 52471 FLOAT 音乐库 22930 FUNZONE 97462 GEARBOX 50790 重旋律预告片 27924 重宣传片 50388 HISTORY ZONE 15691 灵感制作音乐 15742 LIFTMUSIC 27903 LIFTMUSIC WILDCARDS 29066 LIFTMUSIC FLAVA 29246 LIFTMUSIC FACTUAL 27101 MINDS AND MUSIC 101917 N-TRAX 25396 ONETRACKADAY 102129 OUTBREAK 18481 PENNYBANK TUNES 48979 PITCH HAMMER 57553 PLANET SYNC 22929 PLAYGROUND HOLLYWOOD 49110 PLEASUREZONE 14582 POINT CLASSICS 24348 POKE MUSIC 22927 PP MUSIC 49116 PROFILES 99204 RECORD COLLECTOR 84851 ROGUE SOULS 50792 SILVER SCREEN 89167 故事记录 28965 超市 50791 第三轨 49107 电视区 48979 UPPER CUT 48979 VANGUARD 95560 世界区 48979 YOUR SILENT FACADE 22928 ZONE PLUS 51541 区域拖车
反事实解释的扩散模型
卷积神经网络（CNN）在几十年前就无法想象的表演，这要归功于采用了数百层和近数十亿个可训练的参数的非常大的模型。然而，解释他们的决策是很不困难的，因为它们是高度非线性的，并且过度参数化。此外，对于现实生活中的应用，如果模型利用数据的伪造相关性来预测预测，则最终用户将怀疑该决定的有效性。尤其是，在医学或关键系统等高风险场景中，ML必须保证使用正确的功能来计算预测并防止伪造的关联。因此，近年来，可解释的人工智能（XAI）研究领域一直在不断发展，以了解黑盒模型中的决策机制。在本文中，我们关注事后解释方法。值得注意的是，我们对反事实解释的不断增长分支（CE）[63]。ce旨在创建输入样本的最小但有意义的扰动，以更改固定预告片模型给出的原始决定。尽管CE和对抗性示例之间的观点具有一些相似之处[44]，但CE的扰动必须是可以理解和合理的。相比之下，对抗性示例[37]包含与人眼无法区分的高频噪声。总体而言，CE目标四个目标：（i）解释必须使用（ii）稀疏修改，即具有最小扰动的实例。此外，（iii）解释必须是现实的，并且可以通过
数字广告活动中的生成AI
收到：2024年3月3日修订：2024年4月7日接受：2024年4月23日发布：2024年5月11日摘要 - 在数字广告，生成人工智能（GAI）的动态领域中，作为一种变革性的力量，重新定义内容创建，定制，定制和交付。通过使品牌能够为受众的复杂偏好量身定制各种内容形式，Gai标志着品牌消费者互动的显着发展。这项技术能够消化广泛的数据集以获取洞察力并产生共鸣内容，这有望转向更有效，个性化的广告策略。Gai彻底改变数字广告实践的潜力是巨大的，为参与和品牌发展提供了无与伦比的机会。但是，这一旅程充满了挑战，包括保持品牌身份以及浏览隐私和安全问题。案例研究，例如Netflix的个性化预告片和时尚零售商的GAI运动，进一步说明了GAI的复杂应用，展示了成功并突出了创新与真实性之间的重要平衡。随着数字广告的发展，GAI的作用将增长，强调了对道德考虑的需求，并将人类创造力与AI融合在一起，以充分利用Gai的创新潜力。本研究论文全面研究了GAI在数字广告领域的影响和挑战，并为该时代提供了进一步研究的领域。
source-free-domain-adaptive-fundus-image-segmentation- ...
摘要。本文研究了无源域的自适应基础分段，旨在使用未标记的图像将经过预告片的眼底分割模型调整为目标域。这是一项具有挑战性的任务，因为仅使用未标记数据调整模型是高度风险的。大多数现有方法主要是通过设计技术来仔细生成模型预测的伪标签并使用伪标签来训练模型来解决此任务。在经常获得正适应作用的同时，这些方法与两个主要问题有关。首先，它们往往相当不稳定 - 不正确的伪标签突然出现可能会对模型产生灾难性影响。第二，他们无法考虑前景（例如，杯子）区域通常很小的眼底图像的严重阶级失衡。本文旨在通过提出级别平衡的平均教师（CBMT）模型来解决这两个问题。CBMT通过提出一个弱小的卑鄙的教师学习计划来解决不稳定的问题，在该计划中，只有教师模型才能从弱增强的图像中生成伪标签，以训练学生模型以强烈的增强图像作为输入。教师被更新为训练有素的学生的平均值，这可能很吵。这阻止了教师模型突然受到伪标签的突然影响。对于类不平衡问题，CBMT提出了一种新型的损失校准方法，以根据全球统计数据突出前景类别。实验表明，CBMT很好地解决了这两个问题，并且在多个基准测试中的现有方法优于现有方法。
通用的神经解码器，用于跨参与者进行转移学习和记录方式
摘要。目的：神经解码的进步使脑部计算机界面能够执行越来越复杂且与临床相关的任务。但是，这些解码器通常是针对特定参与者，天数和记录网站量身定制的，从而限制了其实际的长期使用。因此，一个基本的挑战是开发可以对汇总，多参与者数据进行稳固训练并推广到新参与者的神经解码器。方法：我们介绍了一个新的解码器HTNET，该解码器使用具有两个创新的卷积神经网络：（1）Hilbert Transform在数据驱动的频率下计算光谱功率，以及（2）将电极水平数据投射到预先确定的脑区域上的层。投影层与颅内皮质摄影（ECOG）进行了严格的应用，其中电极位置未标准化，并且在参与者之间差异很大。我们培训了HTNET，使用来自12名参与者中的11名的合并ECOG数据来解码ARM运动，并在看不见的ECOG或脑电图（EEG）参与者上测试了性能；随后对每个测试参与者进行了这些预告片的模型。主要结果：在对看不见的参与者进行测试时，HTNET的表现优于最先进的解码器，即使使用了不同的记录方式。通过对这些广泛的HTNET解码器进行研究，我们实现了最佳量身定制的解码器的性能，其中只有50个ECOG或20个EEG事件。我们还能够解释HTNET训练有素的重量，并证明其提取与生理相关的特征的能力。引人注目：通过将新参与者概括和记录方式，鲁棒处理电极放置的变化以及允许参与者使用最小数据的参与者进行调整，HTNET适用于与当前的现有状态解码的更广泛的新型新型解码应用程序相比。
评估Chatgpt3.5人工智能系统在执行AHA 2020年ACLS协议中的能力
简介：人工智能（AI）已成为最近研究的重点，尤其是由于它有可能减少人工劳动和时间损失的潜力。AI在医学领域的最重要贡献预计将提高临床医生的效率，降低成本并改善公共卫生。本研究旨在评估ChatGpt 3.5的熟练程度，Chatgpt-3.5是当今可用的最先进的AI应用程序之一，它根据2020年的美国心脏协会（AHA）指南的当前信息了解。方法：涵盖当前AHA 2020申请步骤的80个问题测验，以英语（Chatgpt-3.5英语）和土耳其语（Chatgpt-3.5 Turkish）为CHATGPT-3.5进行了准备和管理。这些问题最初是在土耳其为急诊医学专家准备的。结果：在所有问题上，我们发现了与Chatgpt-3.5提出的所有问题相似的超过80％的成功率，以及至少有五年经验的两位独立的急诊医学专家，他们彼此不认识。chatgpt-3.5在与当前AHA指南，气道管理和通风章节的一般概述有关的所有问题中取得了100％的成功率。讨论和结论：我们的研究表明，Chatgpt-3.5提供的答复与经验丰富的紧急专家有关AHA 2020 ADADACT ADVANDACT心脏寿命支持指南的答复与经验丰富的紧急专家一样准确和最新。随着未来更新的chatgpt版本，基于教科书和指南的准确和当前信息即时访问将变得越来越可行。关键字：人工智能； AI聊天机器人；临床决策支持；生成预告片的变压器；指南。开发技术和计算机系统的主要目标是减少对人工劳动的依赖并创建自主系统。而不是仅执行预定命令的系统，而是重点是开发能够自主响应不断变化条件的人工智能（AI）系统。
2022 投资者日 - 摩根大通
大家早上好。我很高兴我们来到这里。我觉得我们竟然没有参加，真是难以置信。我们应该早点这样做。我知道你们中有几个人提到过，回顾一下已经发生了很多事情。已经两年了。我们的失业率为 15%。我们有 CECL。我们进行了许多收购。我们从未向你们描述过，你们会在这里无限地了解它。所以你可以清楚地看到我们在做什么以及为什么要这样做。对我们来说，为股东这样做非常重要，我认为这样做是尊重的。我们总是学到很多东西，我们一直为完全透明而自豪。另外，我们从自己做这件事中受益匪浅。这是一项很好的内部纪律，它让我们始终像股东一样思考，而不仅仅是我们如何做预算等等。我们有一个非常引人入胜的故事。你看过那个预告片了，我的意思是，我会买那只股票。这家公司在 COVID 中马不停蹄地前进，经历了起起落落，坚持不懈地投资。我们一直在成长。我们几乎每年都在大多数业务中获得份额。虽然存在一些风险，但也存在绝对巨大的机遇。首先，我只想介绍一些原则。我们经营公司是为了服务客户，包括所有这一切，资产负债表，我们每天的运营方式，无论是消费者业务还是批发业务。我们有 – 但我们必须满足所有要求，并在顺境和逆境中保护我们的客户及其数据。我们从事反恐工作、逃税工作和网络工作。我们处理俄罗斯问题，我们正试图以一种方式处理和结束俄罗斯问题，我们完全按照政府、西方政府希望我们做的事情去做，并正确地去做，并努力满足 CRA 要求、社会要求，你在这里看到了一大堆东西。杰里米只会给你一点细节，但我们对自己在多元化、公平、可持续金融等方面所做的合理且相当负责任的事情感到非常自豪。我们一直对我们的结果很诚实。这只是我们——我们如何经营这个地方，我们给你好的、坏的、丑陋的。我们承认我们错过了什么。我们知道我们并不完美。我们永远不会把所有事情都做好。没关系，因为我们做了很多其他事情。我之前指出过其他公司（一些金融科技公司）做过的某些事情，他们做了我们本可以做的事情，而我们没有。因此，运营纪律是必不可少的。当您看到这里做演示的人时，我希望您能看到这一点贯穿了运营纪律。
3DITSCENE：通过语言引导的Disentangled Gaussian Splatting
编辑场景图像在各个领域都非常重要，从娱乐，专业摄影和广告设计开始。内容编辑可以为观众创造沉浸式和迷人的体验，有效地传达艺术愿景并实现所需的美学结果。随着深层生成建模的快速发展，已经进行了许多尝试有效地编辑图像的尝试。但是，他们遇到了阻碍潜力的局限性。以前的方法主要集中在2D图像空间中的场景编辑上。他们通常依靠生成先验，例如gan和扩散模型（DM），并采用了诸如修改跨注意机制的技术[Hertz等。2022，2023]，以及网络参数的优化[Chen等。2023a; Gal等。2022; Kawar等。2023; Kim等。2022; Ruiz等。2023]在场景图像中编辑外观和对象身份。尽管已做出一些努力将这些方法扩展到3D编辑，但它们忽略了3D提示，并在保持3D一致性方面构成了挑战，尤其是在更改摄像头姿势时。此外，这些方法通常集中在全球场景上，并且缺乏准确地解开对象的能力，从而导致对3D级别对单个对象的控制有限。为了编辑任何场景图像并启用对场景及其单个对象的3D控制，我们提出了3DITSCENE，这是一个新颖的场景编辑框架，该框架利用了新的场景表示形式，语言指导的散布高斯散布。2022; Rombach等。具体而言，给定的图像首先投影到3D高斯人中，这些高斯人通过2D生成的先验进一步完善并富集[Poole等。2022]。因此，我们获得了一个综合的3D场景表示，该表示自然可以为给定图像提供新的视图综合。此外，剪辑中的语言特征被蒸馏到相应的3D高斯人中，将语义引入3D几何形状。这些语义3D高斯人有助于将单个对象从整个场景表示中删除，从而导致语言引导的散布的高斯人进行场景分解。他们还允许更具用户友好的交互作用，即用户可以通过文本查询特定的对象或兴趣。为此，我们的3DITSCENE可实现从2D到3D的无缝编辑，并允许在全球和个人层面上进行修改，使创建者能够精确控制场景组合和对象级的编辑。我们将管道称为3DITSCENE。与以前的工作不同，该作品着重于解决单一类型的编辑，3DITSCENE INTETE-GRETS编辑要求在统一框架内。我们的预告片数字通过展示其在不同场景图像中的应用来演示3DITSCENE的多功能性。我们在各种环境下对3DITSCENE进行了评估，结果证明了基线方法的显着改善。
使用纵向医疗记录利用预处理的大语言模型用于2型糖尿病的预后
1计算健康中心，计算生物学研究所，德国慕尼黑，慕尼黑2 Bio21药理学分子科学与生物技术研究所，墨尔本大学，澳大利亚墨尔本大学 +相应的作者：Reinhard.holl@uni-ulm.de＆Michael.menden@unimelb.edu.au摘要摘要2型糖尿病（T2D）的及时预后（T2D）是至关重要的。AI驱动的大语言模型（LLMS）提供了提取临床见解的潜力，但由于纵向医疗记录的稀疏，高维的性质，面临挑战。这项研究表明，通过使用掩模缺失的数据预处理数据，在预审预告片的LLM中添加嵌入层，并对两个组件进行微调。使用DPV注册表数据集（449,185 T2D患者）在预测HBA1C和LDL水平方面的表现优于基本基线，分别提高了0.749和0.754的Pearson相关性，分别提高了0.253和0.259和0.259。该模型还证明了HBA1C在554.3天内的长期预测（95％CI：[547.0，561.5]），MSE比基于近距离观察的方法提高了9％。综合梯度分析确定了重要的临床特征和访问，揭示了潜在的生物标志物进行早期干预。各种深度学习体系结构，包括前馈神经网络，总体而言，结果表明，使用稀疏的医疗时间序列利用LLM在T2D预后的预测能力的可能性，有助于临床预后和生物标志物发现，最终提高精密医学。引言2型糖尿病（T2D）是一种慢性代谢性疾病，可导致血糖升高1升高，与微血管疾病，包括心血管疾病，神经性病，肾病和视网膜病有关，与微血管疾病，包括心血管疾病和大血管并发症有关，导致了显着的疾病疾病和死亡率和死亡率2。T2D的全球流行率上升强调了对有效管理策略的迫切需求。T2D并发症的早期预后对于及时干预，改善患者预后和降低医疗保健费用至关重要。纵向医疗记录是在T2D中推进精密医学的重要资源。这些记录在时间3期间提供了全面的患者数据，包括人口统计学，病史，测试结果，药物和生活方式因素，使其对早期预后非常宝贵。诸如Framingham心脏研究和DCCT之类的研究表明，此类数据在预测心血管风险4和糖尿病并发症5。这些数据集可以识别模式，以实现更准确和个性化的预后评估，但它们的大量和复杂性构成了重大的分析挑战。机器和深度学习通过对复杂的纵向医学数据的分析来彻底改变了医学预后。
``这就像橡皮鸭会说话''：通过参与式促使研究理解生成的AI辅助数据分析工作流程
基于生成深度学习的最终用户工具，即“生成AI”（在第2.2节中定义）可以大大提高用户分析和了解数据的能力，尤其是那些没有正式专业知识或数据分析中的培训的数据。数据分析工作 - 众所周知，乏味，具有挑战性，容易出错，并且具有很高的专业知识要求。生成的AI在促进数据分析脚本的创作和调试，重新使用分析工作流程，分析脚本的理解，学习和探索方面显着提高了最新技术的状态[58]。用户行为的潜在变化已被描述为生成偏移[58]。生成转移提出了三个变化轴：强化（将应用于现有的工作流程更复杂的自动化），扩展（将自动化更多的工作流程）和加速度（以前成本高昂的工作流程将在其自身自动化时变得更加便宜）。在最终用户数据驱动的感官中，即生成转移的一个重要用户方案，即在某些数据的上下文中进行分析（通常是开放的，定义不明和探索性的）（第2.1节中详细介绍）。最终用户数据驱动的感觉的经典示例包括个人和公司预算，电子表格中的财务建模以及量化的自我[39]活动。不太明显的例子包括旅行计划，或选择访问或电影观看的餐厅。如前所述，生成的AI在数据驱动的感觉中有许多应用。这些涉及定性和定量信息的混合物，以及主观和“客观”迹象；要选择一部电影，人们可能会考虑一个人的偏好和心情，任何同伴的喜好，对预告片的反应，批判性评论和评分，电影持续时间，流派，导演，演员等。它可以建议相关数据集或分析程序，编写数据转换和分析脚本或电子表格公式，帮助调试或重新使用现有脚本，提出主观标准以评估不同的选项，教用户如何应用不熟悉的统计程序或工具，甚至可以帮助用户脱颖而出，以使用户脱颖而出，以帮助用户不适当地造成问题。面对如此广度的应用程序，系统设计师面临的关键问题是范围之一：在何处，通过生成AI来改善数据驱动的感觉的最终用户体验的最大机会和挑战？我们的研究是Sarkar等人首次应用参与式促使Proto-Col的研究。[63]探索生成AI的机会和挑战。参与性促进是研究人员介导的参与介导的参与式的相互作用与广泛的开放式AI系统，例如OpenAI Chatgpt或Microsoft Bing Chat。后者是“广泛”的，因为它们旨在在广泛的工作流程中为援助提供支持。通过研究人员介导的研究，参与者的经验可以基于实际的AI功能，而研究人员将其范围为特定领域（在我们的情况下，是数据驱动的感官）。我们在我们的方法的描述中讨论参与提示的价值（第3节）。我们的研究发现，生成的AI支持数据分析工作 - 通过简化信息来觅食循环中的数据流