XiaoMi-AI文件搜索系统
World File Search System预测器
基于PMU测量和多任务学习
相量测量单元和机器学习算法的总用法为开发基于响应的宽区域系统完整性保护方案提供了针对电源系统中短暂不稳定性的机会。但是，文献中通常只预测瞬态稳定性状态，这不足以实时决策以基于响应的紧急控制。在本文中，提出了一种综合方法。首先提出了基于GRU的预测指标，以用于扰动后触及瞬态稳定性预测。在此基础上，提出了一个多任务学习框架，以识别不稳定的机器以及对生成脱落的估计。对IEEE 39总线系统的案例研究表明，除了瞬态稳定性预测的基本任务外，提出的基于GRU的多任务预测器可以正确预测不稳定机器的分组。此外，根据估计的发电量，生成的补救控制动作可以保留电力系统的同步。
ADMET-AI：用于评估大规模化学库的机器学习 ADMET 平台
摘要：大型化学存储库和组合化学空间的出现，加上高通量对接和生成式 AI，极大地扩展了用于药物发现的小分子化学多样性。选择用于实验验证的化合物需要根据有利的药物特性（例如吸收、分布、代谢、排泄和毒性 (ADMET)）对这些分子进行筛选。我们开发了 ADMET-AI，这是一个机器学习平台，可作为网站和 Python 包提供快速准确的 ADMET 预测。ADMET-AI 在 TDC ADMET 基准组排行榜上的平均排名最高，它目前是速度最快的基于 Web 的 ADMET 预测器，与第二快的 ADMET Web 服务器相比，时间缩短了 45%。ADMET-AI 也可以在本地运行，预测一百万个分子仅需 3.1 小时。
亮度传感范围延迟预测变量
摘要 - 本文的特征是针对检测前亮度的负组延迟（NGD）预测指标的原始应用。低通（LP）型NGD预测理论是基于时间预期考虑建立的。制定了预期预测性能功能的分析设计条件。通过使用坡道信号输入来研究和研究LP-NGD预测变量。通过具有不同的上升/下降时间和任意波形信号的梯形测试信号来验证LP-NGD数字预测器具有STM32®微控制器实现的有效性。此外，通过使用NLS-4942亮度光电师提供了实际应用的出色测试结果。LP-NGD预测演示器的设计和实现了不同的时间累积（-30 ms，-50 ms和-70 ms）。计算出的和实验的结果良好一致性显示出负偏斜的瞬态响应。NGD预测变量对于物体检测，汽车安全性和智能建筑舒适性控制系统，对工业应用可能有用。
有效的蛋白质结构生成稀疏的脱氧模型
生成可设计的蛋白质骨架已成为机器学习辅助方法的组成部分。与序列设计和结构预测器的过滤一起，它形成了计算蛋白设计管道的骨干。然而，当前的蛋白质结构发生器面临着大蛋白的重要局限性，需要在模型训练期间看不见的蛋白质设计任务进行再培训。为了解决第一个问题，我们介绍了Salad，这是一个蛋白质骨架产生的S-Al l- A tom a tom denoising模型。我们的模型在匹配或提高可设计性和多样性的同时，我们的模型要比最先进的速度要快，并为高达1,000个氨基酸的蛋白质长度生成可设计的结构。为了解决第二个问题，我们将沙拉与结构编辑相结合，这是扩展蛋白质denoising模型无法看见任务的能力的策略。我们将方法应用于各种蛋白质设计任务，从基序旧到多态蛋白质设计，证明了沙拉和结构编辑的功能。
L-CoDe：使用颜色对象解耦条件的基于语言的着色
对灰度图像进行着色本质上是一个具有多模态不确定性的病态问题。基于语言的着色提供了一种自然的交互方式，即通过用户提供的标题来减少这种不确定性。然而，颜色-物体耦合和不匹配问题使得从单词到颜色的映射变得困难。在本文中，我们提出了一种使用颜色-物体解耦条件的基于语言的着色网络 L-CoDe。引入了物体-颜色对应矩阵预测器 (OCCM) 和新颖的注意力转移模块 (ATM) 来解决颜色-物体耦合问题。为了处理导致颜色-物体对应不正确的颜色-物体不匹配问题，我们采用了软门控注入模块 (SIM)。我们进一步提出了一个包含带注释的颜色-物体对的新数据集，以提供用于解决耦合问题的监督信号。实验结果表明，我们的方法优于基于标题的最先进的方法。
Robot Trajectron：基于轨迹预测的机器人操作共享控制
摘要 — 我们解决了以下问题：(a) 根据动作开始的几秒钟预测手臂伸展运动的轨迹；(b) 利用该预测器帮助操作员预测运动方向，从而减少操作员的认知负荷，从而促进共享控制操作任务。我们新颖的意图估计器称为 Robot Trajectron (RT)，它根据机器人的近期位置、速度和加速度历史，生成机器人预期轨迹的概率表示。通过考虑手臂动力学，RT 可以比其他仅使用手臂位置的 SOTA 模型更好地捕捉操作员的意图，使其特别适合协助操作员意图易受变化的任务。我们推导出一种新颖的共享控制解决方案，将 RT 的预测能力与潜在到达目标位置的表示相结合。我们的实验证明了 RT 在意图估计和共享控制任务中的有效性。我们将在 https://gitlab.kuleuven.be/detry-lab/public/robot-trajectron 上公开提供支持我们实验的代码和数据
基于时间序列预测范式的低延迟自定步调 BCI 系统，用于运动想象发作检测
摘要 — 在自定步调的运动想象脑机接口 (MI-BCI) 中，连续脑电图 (EEG) 信号中呈现的 MI 命令的开始是未知的。为了检测这些开始，大多数自定步调的方法对连续 EEG 信号应用窗口函数并将其分成长段以进行进一步分析。因此，系统具有较高的延迟。为了减少系统延迟，我们提出了一种基于时间序列预测概念的算法，并使用先前收到的时间样本的数据来预测即将到来的时间样本。我们的预测器是一个由长短期记忆 (LSTM) 单元构建的编码器-解码器 (ED) 网络。通过将输入信号与预测信号进行比较，可以快速检测到 MI 命令的开始。所提出的方法在 BCI 竞赛 III 的数据集 IVc 上得到了验证。模拟结果表明，对于短于一秒的延迟，所提出的算法将竞赛获胜者获得的平均 F1 分数提高了 26.7%。
CueBot：用于辅助交互用途的提示控制响应生成
对话助手在普通人群中无处不在，然而这些系统对残疾人或言语和语言障碍人士却没有产生影响，对于他们来说，基本的日常交流和社交互动都是一项艰巨的任务。语言模型技术可以在赋予这些用户权力方面发挥巨大作用，并通过交互支持帮助他们以更少的努力与他人互动。为了使这一群体能够发挥作用，我们构建了一个系统，它可以在社交对话中代表他们，并生成可由用户使用提示 / 关键词控制的响应。对于正在进行的对话，该系统可以建议用户可以选择的响应。我们还构建了可以通过在对话响应上下文中建议相关提示来加速这种通信的模型。我们引入了关键词丢失来在词汇上限制模型响应输出。我们展示了对提示/关键词预测器和可控对话系统的自动和人工评估，以表明我们的模型比没有控制的模型表现更好。我们的评估和用户研究表明，端到端响应生成模型上的关键词控制功能非常强大，可以帮助患有退行性疾病的用户进行日常交流。
HDFC Life 的 AI Day 揭秘保险业的未来
个性化：提供定制的产品推荐，满足个人客户需求 高效服务：通过人工智能驱动的自动化，更快地解决查询和处理索赔 风险管理：人工智能模型可进行准确的风险评估，使客户能够做出明智的决策 预先批准的保额 (PASA) 计划、合作伙伴站点的分析模型和 SalesTap-Nudge Engine 等销售分析能够提供更快、更定制的体验，为客户提供长期价值。 赋能员工创新 HDFC Life 正在探索人工智能工具，以通过服务分析（例如早期索赔预测、错误销售预测器、第 13 个月持续性、自动承保引擎、健康风险计算器、早期提醒电话、索赔和投诉仪表板以及一线销售招聘模型）来提高服务质量并促进数据驱动的决策。 创新伙伴关系 包括 Microsoft、Greylabs.ai、salesassist.ai 和 Trupeer.ai 在内的技术合作伙伴展示了可增强客户服务和提高业务敏捷性的人工智能解决方案。 主要活动亮点：
卷积神经网络的集成学习
我们在 2019 年预测分析大赛 (PAC) 中名列第三，通过 T1 加权 MRI 脑部图像预测年龄，平均绝对误差 (MAE) 达到 3.33 岁。我们的方法结合了七种算法，当特征数量超过观测值数量时，这些算法可以生成预测，特别是两个版本的最佳线性无偏预测器 (BLUP)、支持向量机 (SVM)、两个浅层卷积神经网络 (CNN) 以及著名的 ResNet 和 Inception V1。集成学习是通过在训练样本的保留子集中的线性回归估计权重而得出的。我们进一步评估并确定了可能影响预测准确性的因素：算法的选择、集成学习以及用作输入/MRI 图像处理的特征。我们的预测误差与年龄相关，年龄较大的参与者的绝对误差更大，这表明需要增加该子群的训练样本。我们的研究结果可用于指导研究人员建立健康个体的年龄预测指标，可用于研究和临床，作为疾病状况的非特异性预测指标。