XiaoMi-AI文件搜索系统
World File Search System领域知识
人工智能和机器学习助力先进生物医学材料设计实现毒性预测
先进材料和纳米材料领域知识的快速发展引发了人们对如何安全、可持续地开发这项新兴技术的最佳方法的讨论，同时又不限制这些进步在材料设计和配方方面带来的巨大潜在益处。[1] 这一领域遇到的首要困难之一是如何组织和利用产生的大量信息，这些信息与这些纳米级材料的性能以及环境和健康与安全 (EHS) 影响有关。纳米技术、机器学习 (ML) 和人工智能 (AI) 是这一领域的一些领先技术；尽管 ML 和 AI 最近在受欢迎程度上超过了纳米技术，但它们在很大程度上是相辅相成的。[2] 我们已经习惯于期待人工智能在广泛应用领域的发展，例如用于送货上门的飞行无人机、交通路线规划和小型机器人协助执行日常家务。我们可能
![ARXIV：2006.03407V2 [QUANT-PH] 2020年9月22日](/simg/b\b3cb998fdbce89ed9ee799c237ec458de7f385ee.webp)
ARXIV：2006.03407V2 [QUANT-PH] 2020年9月22日
时间序列数据在各种各样的现实应用中都普遍存在，它呼吁Peo-Ple的可信赖和可解释的模型，以理解和完全信任AI Solutions的决定。我们考虑从多变量时间序列数据中构建可解释的分类器的问题。理解此类预测模型的关键标准涉及阐明和量化与分类的输入变量变化的时间的争议。因此，我们引入了一种新颖的，模块化的基于卷积的特征外推和注意机制，同时识别变量以及确定分类输出的时间间隔。我们通过几个基准数据集提出了广泛的实验结果，这些数据集表明所提出的方法超过了多变化时间序列分类任务的最新基线方法。我们的案例研究结果表明，通过采用方法识别的变量和时间间隔相对于可用领域知识是有意义的。
STEM 奖学金 UCalgary 研究实习计划 ...
基于我们在数据分析和协作方面的经验，我们开发了生物信息学和生物统计学工具来处理研究人员遇到的最新问题。到目前为止，我们已经开发了几个工具包，重点关注（1）从汇集测序中推断单倍型，（2）用于统计遗传学的核外工具（将数据存储在磁盘中，但访问它们就像它们驻留在内存中一样），以及（3）用于群体遗传学和进化分析的快速而强大的工具。研究主题 3：我们对机器学习中的理论问题感兴趣，灵感来自我们在实际数据分析中的观察和机器学习领域的最新出版物。特别是，我们关注在集成领域知识和/或应用迁移学习时机器学习模型的行为。我们还试图描述何时以及如何用线性模型来近似非线性生物系统。
基于GIS的武器装备辅助维护平台
摘要：随着科技的发展和社会的进步，许多结构极其复杂、技术密度极高的大型装备逐渐装备我军，此类装备在维修过程中对人员的技术水平要求极高。目前，传统维修技术存在安全性差、效率低等问题，增强现实技术结合计算机视觉、机器学习等领域知识，成为辅助维修中的主流方法，对提高维修准确率发挥着重要作用。本文建立了增强现实系统辅助维修平台（ARSAMP）。首先分析了增强现实技术的优势和功能；其次给出了国外的发展情况；然后对比了传统维修和ARSAMP的优缺点，指出了当前维修平台的优缺点；最后提出了提高维修效果的有效解决方案，并展望了平台未来的发展方向。
使用内部灰度方差和数字表面模型从卫星图像中自动检测建筑物
摘要 自动建筑物提取最近被认为是遥感操作中的一项活跃研究。它已经进行了 20 多年，但由于图像分辨率、变化和细节级别，自动提取仍然遇到问题。由于物体密度高和场景复杂，这将是一个更大的挑战，尤其是在城市地区。本文将介绍一个高分辨率全色图像的理想框架，有助于可靠和准确的建筑物提取操作。提出的框架以及对领域知识（空间和光谱特性）的考虑提供了诸如场景中物体的性质、它们的光学相互作用及其对结果图像的影响等特征。为了更好地分析场景的几何性质，我们使用数字表面模型 (DSM)。已使用来自 IKONOS 和 QuickBird 卫星的各种图像对提出的算法进行了评估。结果表明，与最先进的方法相比，所提出的算法准确且有效。
MediaEval 2021 的 EEG 试点子任务概述
MediaEval'2021 的记忆性-EEG 试点子任务旨在通过强调 EEG 数据的效用，促进人们对在预测视频记忆性的背景下使用神经信号（单独使用或与其他数据源结合使用）的兴趣。创建的数据集包括受试者在观看来自预测媒体记忆性子任务 1 的一组视频时从 EEG 记录中预先提取的特征。这个演示试点让感兴趣的研究人员了解如何在没有任何领域知识的情况下使用神经信号，并使他们能够在未来的记忆性任务中这样做。该数据集可用于支持探索预测视频记忆性的新型机器学习和处理策略，同时可能增加人们对记忆性主题的跨学科兴趣，并为新的 EEG-计算机视觉组合方法打开大门。
![arXiv:2010.02088v1 [quant-ph] 2020 年 10 月 5 日](/simg/4\405dff516f2532a2f0d69423120646f8c310e6c8.webp)
arXiv:2010.02088v1 [quant-ph] 2020 年 10 月 5 日
摘要。贝叶斯网络是随机变量依赖图上联合概率分布的紧凑表示，也是在存在不确定性的情况下进行建模和推理的工具，对于人工智能结合领域知识、捕捉因果关系或从不完整数据集中学习具有重要意义。贝叶斯推理在经典环境中被称为 NP 难问题，但它是一类值得在量子框架中探索的算法。本文探讨了这样的研究方向，并通过在纠缠配置中合理使用效用函数改进了以前的提议。它提出了一种具有经过验证的计算优势的完全量子力学决策过程。作为概念验证，讨论了 Qiskit（IBM Q 机器的基于 Python 的程序开发工具包）中的原型实现。
在网络攻击检测和化学过程的弹性控制中，物理信息的机器学习
随着物联网（IoT）设备，云计算和其他数字技术的整合到化学过程中，网络攻击的复杂性和隐身性已增加。为了减轻传感器网络攻击在化学过程中的影响，这项工作提出了一个框架，该框架开发了基于物理学的机器学习（PIML）基于基于物理的检测器和弹性控制器，以改善网络攻击下非线性系统的闭环性能。PIML检测器是通过定制的损失函数构建的，该损失函数将网络攻击的领域知识集成到训练过程中。此外，在检测攻击后，开发了知识引导的扩展卡尔曼滤波器，以提供估计的弹性控制状态，以便在用冗余传感器替换之前。一个化学过程示例用于说明提出的基于PIML的检测和弹性控制方法处理网络攻击的应用。