- 非小细胞肺癌分割:引入 DRU-Net 和多镜头变形
我们提出了一个分割模型 (DRU-Net),可以提供人类非小细胞肺癌的分割,以及可以改善分类结果的增强方法。该模型是截断预训练 DenseNet201 和 ResNet101V2 的融合组合,作为基于补丁的分类器,随后使用轻量级 U-Net - 支架切分高估虚拟筛选表现
通过使用人工智能模型指导广泛化合物库的虚拟筛选是一种高效的早期药物发现方法。然而,传统的随机数据拆分不符合虚拟筛选库的真实情况,我们的研究发现更真实的基于 UMAP 的聚类数据拆分可以更准确地评估虚拟筛选模型的性能。
- 神经网络中后门的交互式模拟
在这篇论文中,研究了在人工智能模型中植入和防御基于密码学的后门的问题,并通过设计了一个基于网络的模拟平台,模拟了在神经网络中植入、激活和防御密码学后门的场景,以及通过接近度分析提供了一种植入和防御后门的游戏模拟。
- 基于病理医师的肾癌数字病理学图像标注数据集 RCdpia
数字病理学中的肾细胞癌的数字化切片数据的注释对于正确诊断人工智能模型至关重要,通过增强数据适用性和提高预测精度,这些进展突显了数字病理学领域中更精细和准确的人工智能应用的潜力。
- 人类注意力建模的趋势、应用与挑战
人类注意力建模在近年来已被证明特别有用,不仅用于理解视觉探索的认知过程,还可以为旨在解决各个领域问题的人工智能模型提供支持。本综述对近期将人类注意机制整合到当代深度学习模型中的努力进行了理性概述,并讨论了未来的研究方向和挑战。
- 我的数据是否包含在您的 AI 模型中?用于人脸图像的成员推理测试
本文介绍了一种新的会员推理测试 (MINT) 方法,旨在通过实证评估人工智能模型的训练过程中是否使用了特定数据。通过两种新的 MINT 架构,包括基于多层感知器 (Multilayer Perceptron) 网络和基于卷积神经网络 (Co - 在未来的工厂平台上获得的模拟和多模态制造数据集
本文介绍了两个工业级数据集,这些数据集是在 2023 年 12 月 11 日和 12 日由南卡罗来纳大学的未来工厂实验室收集的。这些数据集是通过使用工业标准的制造装配线生成的,目的是提供工具以进一步研究制造业的智能增强。这些数据集希望填补现 - 语义绘图工程用于文本到图像的生成
通过生成对抗网络(GAN)或变压器模型进行文本到图像生成。提出了一种方法,利用人工智能模型进行主题创造,并对实际绘画过程进行分类建模。通过将所有视觉元素转化为可量化的数据结构来创建图像,并与现有的图像生成算法进行语义准确性、图像可复现性和计 - 属性规范化软直觉变分自编码器用于可解释的心脏疾病分类
通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化,本文提出一种新的可解释性方法,对医学成像中的人工智能模型进行了改进。在心脏 MRI 数据集上的比较实验证明了该方法在解决变分自编码器方法中模糊重建问题和提高潜空间可解释性方面的能力。 - 迈向一种心理学通用人工智能:大型语言模型的现有应用和未来前景综述
心理学中的复杂原理与广泛社会影响形成了一个重要的社会挑战。近年来,高度适应和可复用的人工智能模型在心理学领域崛起,强调了对这些大规模人工智能模型的性能验证的重要性,同时突出了这些模型在社交媒体分析、临床护理洞察、社区监测和心理学理论的细致探 - 部署一个可靠且可解释的死亡预测模型:COVID-19 疫情与未来
本研究探讨了在 COVID-19 疫情期间以及疫情过去后,使用人工智能模型预测死亡率的性能、可解释性和鲁棒性。作为首个这样的研究,我们发现贝叶斯神经网络(BNNs)和智能训练技术使我们的模型能够在数据变动明显的情况下保持性能。我们的结果强调 - FairSeg:針對公平性學習的大規模醫學圖像分割數據集,使用公平的錯誤邊界縮放
本研究提出了第一个用于医学分割的公平数据集 FairSeg,并提出公平误差界限缩放方法,通过显式处理每个身份群体中训练错误较高的难题,来改善分割性能公平性。通过全面的实验证明,该方法在公平性表现上优于或与现有的公平学习模型具有可比性。
- 把握差距:联邦学习拓宽诊断 AI 模型的领域泛化
通过评估训练策略、网络架构、泛化性能、图像发现、数据集大小和数据集多样性对 610,000 例胸部 X 光片的诊断表现进行了评估,并发现在培训数据量方面,本地训练具有更高的域内性能,而合作培训在域外任务方面更具优势。因此,联邦学习可以增强人 - 基于不同检索和问答模型的印度法律问题回答的人工智能比较分析
使用 OpenAI GPT 模型作为基准,结合查询提示,本研究比较分析了现有的人工智能模型在印度法律问答系统中回答法律问题方面的实用性,调查了不同的检索和问答算法的效果。该研究重点关注印度刑事司法领域的应用,该领域面临复杂性和资源限制的挑战 - MoMA: 动量对比学习与基于多头注意力的知识蒸馏在组织病理学图像分析中的应用
利用已有的模型通过知识蒸馏来解决计算病理学中与隐私和伦理问题相关的数据质量不足的问题,从而提高目标模型的准确性和鲁棒性。
- CheXmask:一个多中心胸部 X 射线图像的解剖分割掩膜的大规模数据集
通过六个公开数据库的统一和精细的解剖学标注,提出了一个广泛的胸部 X 射线多中心分割数据集。在这个数据集中,使用 HybridGNet 模型进行严格的验证和高质量的分割,提供了每个掩膜的个性化质量指数和数据集的整体质量评估。该数据集对于胸部 - 缩放定律无法按比例缩放
随着数据集规模的增大,对大型人工智能模型进行训练的数据中包含的不同社群数量可能增加,而每个社群可能持有不同的价值观,这对于刻度律模型的性能评估可能存在风险。
- 模仿与创新:儿童能做到的,大型语言模型和语音 - 视觉模型(目前)无法做到的
本文论述大型语言模型和语言 - 视觉模型是一种人工智能文化技术,它们通过增强文化传播和成为高效的模仿引擎来展现出其重要性。文章探讨了这些模型在 “模仿” 和 “创新” 方面的作用,以及它们的表现与人类儿童相比的异同,旨在深入研究从特定学习技 - 评估文档图像分类的对抗鲁棒性
本文探讨了针对文档和自然数据的对抗攻击方法,并通过对 ResNet50 和 EfficientNetB0 模型架构的对抗训练、JPEG input 压缩和灰度输入变换等方法的研究, 对文件图像分类任务中这些攻击的影响进行了评估。
- 使用 GAN 进行合成数据增强,以提高自动化视觉检查的效果
本研究使用人工智能模型进行视觉质量检测,探讨了监督学习和非监督学习的缺陷检测技术以及数据增强技术,结果表明采用生成对抗网络进行数据增广可以获得最佳分类性能