Remote patient monitoring using artificial intelligence: Current state, applications, and challenges
University of Southern Queensland（南昆士兰大学）；Wuhan University of Technology（武汉理工大学）；Singapore University of Social Sciences（新加坡新跃社科大学）
人工智能（AI）在医疗保健领域的应用正在迅速增长。远程病人监护（RPM）是一种常见的医疗保健应用程序，可帮助医生监测远程位置的慢性或急性疾病患者，家庭护理中的老年人，甚至住院患者。手动患者监护系统的可靠性取决于工作人员的时间管理，而时间管理又取决于工作量。常规的患者监测涉及需要皮肤接触以监测健康状态的侵入性方法。本研究旨在对RPM系统进行全面的回顾，包括采用的先进技术，AI对RPM的影响，AI支持的RPM的挑战和趋势。本综述探讨了以患者为中心的RPM架构的优势和挑战，该架构使用云、雾、边缘和区块链技术，通过物联网可穿戴设备和传感器实现。人工智能在RPM中的作用范围从身体活动分类到慢性疾病监测和紧急情况下的生命体征监测。该综述结果表明，支持AI的RPM架构已经改变了医疗保健监测应用程序，因为它们能够检测患者健康状况的早期恶化，使用联邦学习个性化个体患者健康参数监测，并使用强化学习等技术学习人类行为模式。本文讨论了将AI应用于RPM系统的挑战和趋势以及实施问题。在此基础上，分析了人工智能在RPM应用中的发展趋势和面临的挑战
2023-01-19 cs.AI cs.CY
Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring
University of Sevilla（塞维利亚大学）
本研究搭建了搭载水质传感器与立体相机的自主水面航行器原型，结合YOLOv5等深度视觉模型实现大塑料检测与水质监测，经真实湖泊实验验证，为水资源监测与AI算法部署提供实用平台。
2024-10-08 cs.AI cs.LG cs.RO
The Computational Theory of Intelligence: Data Aggregation
在本文中，我们将阐述在[1]中提出的概念，在那里我们提出了一个信息论的方法来计算意义上的智能。我们将检查数据和模因聚合，并研究有限的资源对模因振幅的影响。
2014-12-24 cs.AI
A Health Monitoring System Based on Flexible Triboelectric Sensors for Intelligence Medical Internet of Things and its Applications in Virtual Reality
Henan University（河南大学）；University of Waterloo（滑铁卢大学）
本研究提出一种结合柔性可穿戴摩擦电传感器与深度学习的智能医疗物联网系统，通过嵌入四个传感器的腕带精准监测帕金森病患者的肢体运动、心脏及身份等，为Health 4.0社会提供低成本、高灵敏的全面评估方案。
2023-09-13 cs.AI cs.HC eess.SP
Condition Monitoring of Transformer Bushings Using Computational Intelligence
University of Johannesburg（约翰内斯堡大学）
油中溶解气体分析法（DGA）用于监测大型电力Transformers套管的状态。有不同的技术用于确定条件从收集的数据，但在这项工作中的人工智能技术进行了研究。这项工作调查DGA中的气体是相互关联的，哪些是重要的决策。当确定相关和关键气体时，丢弃其他气体，从而减少DGA中的属性数量。因此，做了进一步的调查，看看这些新的数据集如何影响用于分类的DGA的全属性的分类器的性能。在这些实验中使用的分类器是反向传播神经网络（BPNN）和支持向量机（SVM），而主成分分析（PCA），粗糙集（RS），增量粒度排名（GR++）和决策树（DT）被用来减少数据集的属性。训练BPNN和SVM分类器时使用的参数保持固定，以在研究减少气体数量的影响时创建受控的测试环境。本文进一步介绍了一种新的分类器，可以处理高维数据集和噪声数据集，粗糙神经网络（RNN）。
2022-04-20 cs.AI cs.LG
You want to survive the data deluge: Be careful, Computational Intelligence will not serve you as a rescue boat
VIDIA-mant
我们正处于一个新时代的黎明，计算机能力，宽带通信和数字传感器技术的进步导致了前所未有的数据洪水淹没了我们的周围。人们普遍认为，计算智能等手段将有助于度过这些艰难时期。然而，这些期望过高了。计算智能是由两个相互排斥和矛盾的成分组成的令人惊讶的组合，只有当你忽视和忽视它们的争议时，它们才能耦合在一起：“计算”意味着依赖数据处理，“智能”意味着依赖信息处理。只有那些对数据信息差异漠不关心的人才能相信这样的组合是可行的。我们不相信奇迹，所以我们将努力与你分享我们的保留意见。
2016-07-20 cs.AI
Combinatorial Decision Dags: A Natural Computational Model for General Intelligence
SingularityNET Foundation（SingularityNET基金会）；OpenCog Foundation（OpenCog基金会）
提出了一种新的利用组合逻辑生成高阶决策树的计算模型（CoDD）。一般智能的理论分析方面的正式理论的模式识别和模式形成的概述，并采取特别自然的形式的情况下，模式表示在CoDD语言。逻辑熵和算法信息之间的关系，香农熵和运行时的复杂性，被阐明这种方法。扩展到量子计算的情况下也简要讨论。
2020-04-11 cs.AI
Application of Artificial Intelligence in Schizophrenia Rehabilitation Management: A Systematic Scoping Review
School of Design, Shanghai Jiao Tong University（上海交通大学设计学院）
该系统性综述分析了61项研究，指出监督机器学习是精神分裂症康复管理（如症状监测与风险管理）的主导方法，并建议未来通过多模态数据与深度学习充分释放AI潜力以改善患者生活质量。
2025-01-25 cs.AI
On the independence between phenomenal consciousness and computational intelligence
Universidad Pontificia de Comillas（卡米亚斯大主教大学）
意识和智力是民间心理学和一般社会通常理解为依赖的属性。人工智能这个术语以及近年来它设法解决的问题，已经被证明是一个论据，证明机器有某种意识。按照罗素的类比，如果一台机器能够做一个有意识的人所做的事情，那么机器有意识的可能性就会增加。然而，这种类比的社会影响是灾难性的。具体地说，如果权利被赋予能够解决神经正常人所能解决的问题的实体，那么机器是否可能比残疾人拥有更多的权利？例如，自闭症综合症谱系可能会使人无法解决机器可以解决的问题。我们认为，答案显然是否定的，因为解决问题并不意味着意识。因此，我们将在本文中讨论现象意识和至少计算智能是如何独立的，以及为什么机器不拥有现象意识，尽管它们可能发展出比人类更高的计算智能。为了做到这一点，我们试图制定一个客观的衡量计算智能的标准，并研究它如何在人类，动物和机器中呈现。类似地，我们研究现象意识作为一个二分变量，以及它是如何分布在人类，动物和机器。由于现象意识和计算智能是独立的，这一事实对我们在本书中分析的社会具有重要意义。
2022-08-03 cs.AI
A Review of Artificial Intelligence Impacting Statistical Process Monitoring and Future Directions
Kansas State University（堪萨斯州立大学）
本文综述了人工智能与机器学习在统计过程监控中的应用，涵盖分类、模式识别等方向及多种神经网络，并提出利用大型多模态模型推动向智能过程控制转变的未来方向。
2025-02-23 cs.AI cs.SY eess.SY
Integrating Artificial Intelligence with Real-time Intracranial EEG Monitoring to Automate Interictal Identification of Seizure Onset Zones in Focal Epilepsy
University of Illinois（伊利诺伊大学）；Mayo Clinic（梅奥诊所）；Czech Institute of Informatics, Robotics and Cybernetics（捷克信息学、机器人学与控制论研究所）；Czech Technical University in Prague（布拉格捷克理工大学）
一种绘制脑组织的能力，即，癫痫发作起始区（SOZ），而不记录实际癫痫发作，可以减少耐药癫痫患者侵入性EEG监测的持续时间。文献中广泛采用的做法是比较与癫痫脑组织相关的假定病理电生理学生物标志物的发生率（事件/时间）与通过颅内EEG记录的自发性癫痫发作确定的SOZ，主要使用单一生物标志物。由于（a）患者间的变异性和（b）致癫痫活动的时间变异性，先前努力的临床转化无法在多个患者中推广。在这里，我们报告了一种基于人工智能的方法，用于结合多种发作间期电生理生物标志物及其时间特征，作为解释上述障碍的一种方式，并表明它可以可靠地识别82名接受耐药性癫痫评估的患者的研究队列中的癫痫发作区。我们的研究提供了证据，证明与先前发表的基于单一生物标志物发生率的方法相比，利用多个电生理生物标志物及其时间特征提供的互补信息可以显著提高定位潜力，从而在82例患者的队列中获得0.73的ROC曲线下平均面积（AUC）值。我们的研究结果还表明，记录持续时间在90分钟和两个小时之间是足够的本地化SOZ的准确性，可能证明临床相关。我们的方法在82名患者的大队列中的成功验证，保证了未来对利用术中EEG监测和人工智能定位致癫痫脑组织的可行性的研究。
2018-12-15 cs.AI q-bio.NC q-bio.QM
Brief Review of Computational Intelligence Algorithms
近年来，计算智能算法由于其提供接近最优解的能力而受到研究人员的广泛关注。
2019-01-28 cs.AI cs.NE
Sustainable Intelligence for the Wild: Democratizing Ecological Monitoring via Knowledge-Adaptive Edge Expert Agents
Simon Fraser University（西蒙 Fraser大学）；Wild Salmon Center（野生鲑鱼中心）；Pacific Salmon Foundation（太平洋鲑鱼基金会）；Haida Fisheries Program（海达渔业计划）
本文提出一种知识自适应边缘代理架构，通过分离视觉感知与推理，结合视觉编码器和动态知识库，实现生态监测的可持续发展，促进伦理AI协同开发。
2026-05-15 cs.AI cs.CV cs.CY
The Computational Theory of Intelligence: Information Entropy
本文提出了一个信息论的方法，在计算意义上的智能的概念。我们引入了一个概率框架，计算智能是一个熵最小化的过程中，在当地的水平。使用这种新的方案，我们开发了一个简单的数据驱动聚类的例子，并讨论其应用。
2014-12-24 cs.AI cs.LG
The Intelligent ICU Pilot Study: Using Artificial Intelligence Technology for Autonomous Patient Monitoring
University of Florida（佛罗里达大学）
目前，许多重症监护指标是重复评估和记录的负担过重的护士，如身体功能或面部疼痛的表情，非语言的病人。此外，关于患者及其环境的许多基本信息根本没有被捕获，或者以非粒度的方式被捕获，例如睡眠干扰因素，诸如明亮的光、响亮的背景噪声或过度的探视。在这项试点研究中，我们研究了使用普适传感技术和人工智能对重症监护室（ICU）中的重症患者及其环境进行自主和粒度监测的可行性。作为一个典型的流行病，我们还描述了谵妄和非谵妄患者及其环境。我们使用可穿戴传感器、光和声音传感器以及高分辨率相机来收集患者及其环境的数据。我们使用深度学习和统计分析来分析收集的数据。我们的系统进行人脸检测，人脸识别，面部动作单元检测，头部姿态检测，面部表情识别，姿势识别，体动记录分析，声压和光水平检测，和访问频率检测。我们能够检测患者的面部（平均精度（mAP）=0.94），识别患者的面部（mAP=0.80），以及他们的姿势（F1=0.94）。我们还发现，所有面部表情，11个活动特征，白天探视频率，夜间探视频率，光照水平和夜间声压水平在谵妄和非谵妄患者之间存在显著差异（p值<0.05）。总之，我们表明，危重患者及其环境的粒度和自主监测是可行的，可用于表征重症监护条件和相关环境因素。
2018-09-26 cs.AI cs.CV cs.HC
Lifelong learning challenges in the era of artificial intelligence: a computational thinking perspective
Université Côte d’Azur（蔚蓝海岸大学）
本文从计算思维、批判性思维和创新能力的视角，回顾了人工智能时代终身学习在人机协作、AI素养及监管方面面临的挑战，并强调了其对组织管理和领导力的启示。
2024-05-30 cs.AI
Signals in the Noise: Open Source Intelligence (OSINT) for AI Loss of Control Detection
AI Governance Taskforce（人工智能治理工作组）；Arcadia Impact（Arcadia影响）
本文应用开源情报和网络威胁情报方法，通过文献综述和专家访谈，开发威胁模型、识别可观测痕迹，并提出监测架构，发现基于OSINT的失控检测部分可行，并优先推荐三种检测向量。
2026-06-23 cs.AI cs.CY
State of the Art Review for Applying Computational Intelligence and Machine Learning Techniques to Portfolio Optimisation
计算技术在金融领域已经显示出了很大的希望，因为它们能够从令人生畏的复杂系统中提取意义。本文回顾了这些技术中最有前途的，从传统的计算智能方法，他们的机器学习兄弟姐妹，特别是考虑到他们的应用优化管理的投资组合的金融工具。评估了当前的最新技术水平，并评估和推荐了未来的进一步工作
2009-10-13 cs.AI cs.CE
Creating Intelligence: A Computational Foundation for AGI
提出基于集合论和超维计算的新型计算认知理论，通过稀疏二进制数据、拓扑可塑性和子集模式匹配实现联想记忆，为通用人工智能提供高效硬件路径。
2026-07-01 cs.AI
A Survey on Computational Intelligence-based Transfer Learning
University of North Dakota（北达科他大学）
迁移学习（TL）的目标是提供一个框架，用于利用从源数据到目标数据获得的知识。与传统的机器学习方法相比，迁移学习方法能够从当前域建模更好的数据模式。然而，普通TL需要通过使用基于计算智能的TL来提高性能。研究了基于计算智能的迁移学习技术，将其分为基于神经网络的、基于进化算法的、基于群体智能的和基于模糊逻辑的迁移学习。
2022-06-17 cs.AI cs.LG cs.NE
A Fair and Ethical Healthcare Artificial Intelligence System for Monitoring Driver Behavior and Preventing Road Accidents
American University of the Middle East（美国中东大学）；University of Toronto（多伦多大学）
本文提出了一种新的方法，以防止交通事故和监测驾驶员的行为，使用医疗保健人工智能系统，结合公平和道德。危险的医疗案件和驾驶员的异常行为被检测到。公平算法是为了改善决策和解决道德问题，如隐私问题，并考虑在医疗保健和驾驶人工智能领域出现的挑战。医疗保健专业人员将被警告任何不寻常的活动，并在必要时提供驾驶员的位置，以便使医疗保健专业人员能够立即帮助不稳定的驾驶员。因此，使用医疗保健AI系统可以预测并因此预防事故，并且可以基于与ER系统交互的车辆内的内置AI系统来挽救生命。
2021-11-08 cs.AI cs.CY cs.HC
A Combined Approach of Process Mining and Rule-based AI for Study Planning and Monitoring in Higher Education
RWTH Aachen University（亚琛工业大学）
提出了一种基于校园管理系统数据和学习计划模型，利用过程挖掘和基于规则的人工智能方法分析和理解学生学习路径的方法。过程挖掘技术用于描述成功的研究路径，以及检测和可视化偏离预期计划。这些见解与从考试规定中提取的相应研究计划的建议和要求相结合。在这里，事件演算和答案集编程被用来提供模型的研究计划，支持规划和一致性检查，同时提供可能的研究计划违反的反馈。在其组合中，过程挖掘和基于规则的人工智能被用来支持学习规划和监测，通过导出规则和建议，指导学生以更高的成功率更合适的学习路径。将实施两个应用程序，一个为学生和一个为学习计划设计者。
2022-11-22 cs.AI cs.CY
Artificial Intelligence, speech and language processing approaches to monitoring Alzheimer's Disease: a systematic review
Usher Institute, Edinburgh Medical School, The University of Edinburgh（爱丁堡大学爱丁堡医学院厄舍研究所）；Centre for Dementia Prevention, The University of Edinburgh（爱丁堡大学痴呆预防中心）
语言是阿尔茨海默病临床信息的宝贵来源，因为它与神经变性同时下降。因此，语音和语言数据已被广泛研究与其诊断。本文总结了当前关于使用人工智能、语音和语言处理来预测阿尔茨海默病背景下认知能力下降的研究结果，详细介绍了当前的研究程序，强调了其局限性，并提出了解决这些问题的策略。我们对2000年至2019年期间在PROSPERO（参考CRD 42018116606）中注册的原始研究进行了系统性综述。跨学科检索涵盖了工程学（ACM和IEEE）、心理学（PsycINFO）、医学（PubMed和Embase）和Web of Science的六个数据库。相关论文的参考书目筛选至2019年12月。根据合格性标准，从3，654个检索结果中选择了51篇文章。四个表格总结了他们的研究结果：研究细节（目的、人群、干预措施、比较、方法和结局）、数据细节（规模、类型、模式、注释、平衡、可用性和研究语言）、方法（预处理、特征生成、机器学习、评价和结果）和临床适用性（研究意义、临床潜力、偏倚风险和优势/局限性）。虽然几乎所有51项研究都报告了有希望的结果，但很少有在临床研究或实践中实施。我们的结论是，该领域的主要局限性是标准化差，结果的可比性有限，以及研究目的和临床应用之间的脱节程度。缩小这些差距的努力应该支持未来研究转化为临床实践。
2020-10-12 cs.AI cs.CL eess.AS
The Search for Computational Intelligence
Goldsmiths College, University of London（伦敦大学金史密斯学院）；University of Edinburgh（爱丁堡大学）
我们定义和模拟中探索的几个规则的局部演化的生成规则的1D和2D细胞自动机。我们的实现使用的策略从概念融合。我们讨论了潜在的应用建模社会动态。
2015-01-31 cs.AI cs.NE
Maximal Algorithmic Caliber and Algorithmic Causal Network Inference: General Principles of Real-World General Intelligence?
SingularityNET Foundation（奇点网基金会）
思想和形式主义从远离平衡态热力学移植到随机计算过程的背景下，通过以下和扩展Tadaki的算法热力学。提出了一个最大计算口径的原则，提供了指导，以什么计算过程中应该假设，如果一个是提供约束的工作。在适当的假设下，服从算法马尔可夫条件的计算过程将最大化算法口径。有人建议，根据这一点，现实世界的认知系统可以在很大程度上通过建模他们的环境，并选择他们的行动（近似和compressive表示）算法马尔可夫网络。这些想法建议作为潜在的早期步骤走向实用的一般智能系统的操作的一般理论。
2020-05-10 cs.AI
Computational Models of Solving Raven's Progressive Matrices: A Comprehensive Introduction
Vanderbilt University（范德堡大学）
Raven's Progressive Matrices（RPM）测试被广泛用于测量人类智力，也对人工智能系统提出了巨大的挑战。从20世纪60年代开始，有一长串用于解决RPM的计算模型，用于理解所涉及的认知过程或仅用于解决问题的目的。由于人工智能研究范式的巨大转变，特别是近十年来深度学习模型的出现，RPM的计算研究也发生了很大变化。因此，现在是回顾这一漫长研究的好时机。正如标题“全面介绍”所示，本文提供了一个完整的解决RPM的计算模型的介绍，包括RPM的历史，RPM背后的智力测试理论，RPM类任务的项目设计和自动生成，解决RPM的计算模型的概念编年史，揭示了这些模型的技术演变背后的哲学，并对人类智能测试和人工智能测试的转移提出了建议。
2023-02-08 cs.AI
Exceeding Computational Complexity Trial-and-Error Dynamic Action and Intelligence
计算复杂性是计算机科学的一个核心理论，它规定了计算的难度。我们必须处理许多高度复杂的问题，对于人工智能来说尤其如此。这就提出了一个大问题：除了受计算复杂性限制之外，还有更好的方法来处理这些高度复杂的问题吗？我们相信，从智能科学的思想和方法可以应用到这些问题，并帮助我们超越计算复杂性。在本文中，我们试图澄清概念，我们提出的定义，如非特殊化计算，特殊化计算，计算代理，动态搜索。我们还提出并讨论了一个框架，即，试错+动态搜索。数划分问题是一个著名的NP完全问题，我们用这个问题作为例子来说明所讨论的思想。
2022-12-22 cs.AI cs.CC
ARIES: A Scalable Multi-Agent Orchestration Framework for Real-Time Epidemiological Surveillance and Outbreak Monitoring
Department of Computer Science（计算机科学系）；California State University（加州州立大学）
ARIES是一种专为流行病监测设计的多智能体框架，通过自动化数据提取和逻辑综合，实现实时监测和突发公共卫生事件的快速响应。
2026-01-05 cs.AI cs.IR cs.MA
Computational principles of intelligence: learning and reasoning with neural networks
Dataveras
尽管在机器学习和人工智能方面取得了重大成就和当前的兴趣，但对智能理论的探索，允许通用和有效的问题解决，几乎没有取得进展。这项工作试图通过提出一个基于三个原则的智能新框架来为这一方向做出贡献。第一，学习到的输入表征的生成和镜像性质。第二，一个接地的，内在动机和迭代的学习，解决问题和想象力的过程。第三，使用抑制规则对因果组合表征的推理机制进行特别调整。这些原则共同创造了一种系统方法，提供可解释性，持续学习，常识等等。这个框架是从以下几个方面发展起来的：作为一个通用的问题解决方法，作为一个以人为本的工具，最后，作为大脑中信息处理的模型。
2020-12-17 cs.AI cs.LG
AI-Driven Disaster Response and Displacement Monitoring
该研究阐述了AI在人道主义任务中的应用潜力，尤其聚焦其在灾害响应与流离失所监测领域的创新应用，为相关工作提供数据驱动的解决方案。
2026-10-16 cs.AI cs.CV
Imagine All the People: Citizen Science, Artificial Intelligence, and Computational Research
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；International Computer Science Institute（国际计算机科学研究所）；University of Minnesota（明尼苏达大学）；The Ohio State University（俄亥俄州立大学）；Syracuse University（雪城大学）；Human Computation Institute（人类计算研究所）
机器学习、人工智能和深度学习在过去十年中取得了重大进展。尽管如此，人类拥有独特的能力，如创造力，直觉，上下文和抽象，分析问题解决和检测不寻常的事件。为了成功应对紧迫的科学和社会挑战，我们需要人类和机器的互补能力。联邦政府可以通过明智地将公民科学和众包与人工智能（AI）、物联网（IoT）和云战略相结合，在多个方面加快其优先事项。
2021-04-05 cs.AI cs.CY
Explainable Artificial Intelligence for Process Mining: A General Overview and Application of a Novel Local Explanation Approach for Predictive Process Monitoring
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔大学）
现代的流程感知信息系统具有记录流程执行过程中产生的活动的能力。为了利用这些过程特定的细粒度数据，过程挖掘最近成为一个有前途的研究学科。预测性业务流程管理作为流程挖掘的一个重要分支，追求的目标是产生前瞻性、预测性的洞察力来塑造业务流程。在这项研究中，我们提出了一个概念框架，旨在建立和促进决策环境的理解，基本的业务流程和用户特征的性质，开发可解释的业务流程预测解决方案。因此，关于该框架的理论和实践意义，本研究提出了一种新的局部事后解释方法，用于深度学习分类器，该方法有望促进领域专家证明模型决策的合理性。与其他流行的基于扰动的局部解释方法相反，本研究通过使用深度神经网络学习的中间潜在空间表示来定义验证数据集的局部区域。为了验证所提出的解释方法的适用性，使用了沃尔沃比利时IT公司的事件管理系统提供的真实过程日志数据。所采用的深度学习分类器取得了良好的性能，ROC曲线下面积为0.94。生成的本地解释也被可视化，并与相关的评估措施，预计将增加用户的信任在黑盒模型。
2020-09-12 cs.AI cs.LG stat.ML
Neural Networks, Artificial Intelligence and the Computational Brain
University of Ilorin（伊洛林大学）
近年来，一些研究提供了关于大脑功能的见解，大脑由神经元组成，并通过突触相互连接形成网络。神经网络由神经元的互连系统形成，并且具有两种类型，即人工神经网络（ANN）和生物神经网络（互连神经细胞）。人工神经网络在计算上受到人类神经元的影响，并用于对神经系统进行建模。人工神经网络的推理基础在异常检测，医学领域，如即时医生，电子鼻，模式识别和建模生物系统中非常有用。利用人类大脑的架构推进人工智能的研究，旨在通过研究大脑来建立系统模型，而不是寻找大脑模型的技术。本研究探讨了人工神经网络作为生物神经元模拟器的概念及其应用领域。它还通过将神经网络与当代计算机及其现代实现进行比较，探讨了为什么需要类脑智能以及它与计算框架的不同之处。
2020-12-25 cs.AI q-bio.NC
A brain basis of dynamical intelligence for AI and computational neuroscience
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
现代人工智能（AI）的深度神经网络还没有达到生物智能的定义特征，包括抽象、因果学习和能效。虽然扩展到更大的模型已经为当前的应用程序提供了性能改进，但更多类似大脑的能力可能需要新的理论，模型和方法来设计人工学习系统。在这里，我们认为，这个重新评估大脑洞察力的机会应该刺激人工智能研究和理论驱动的计算神经科学（CN）之间的合作。为了激励神经计算的大脑基础，我们提出了一个动态的智能观，我们阐述了网络结构，时间动态和交互式学习的稀疏性概念。特别是，我们认为，时间动态，通过神经同步，嵌套振荡和灵活的序列表示，提供了一个丰富的计算层阅读和更新分层模型分布在长期记忆网络。此外，在AI和CN中采用以代理为中心的范式将加速我们对构建有用世界模型的复杂动态和行为的理解。AI/CN理论和目标的融合将揭示大脑和工程学习系统智能的动态原理。这篇文章的灵感来自我们在第六届美国/NIH大脑倡议研究者年会上关于动态神经科学和机器学习的研讨会。
2021-05-21 cs.AI q-bio.NC
Harnessing Artificial Intelligence for Wildlife Conservation
Liverpool John Moores University（利物浦约翰摩尔斯大学）
本文介绍了Conservation AI平台，其结合CNN与Transformer架构，通过可见光及热红外摄像头实现物种监测与偷猎预警，经多地区案例验证有效，并提出了未来优化与推广方向。
2024-08-30 cs.AI cs.CV
Computational Intelligence Characterization Method of Semiconductor Device
Infineon Technology AG（英飞凌科技股份公司）；Technische Universität München（慕尼黑工业大学）
半导体器件的表征用于收集尽可能多的关于器件的数据，以确定设计中的弱点或制造过程中的趋势。在本文中，我们提出了一种新的多跳变点表征的概念，以克服单一的跳变点概念在器件表征阶段的限制。此外，我们使用计算智能技术（例如，神经网络、模糊和遗传算法）来进一步操纵这些多跳变点值的集合和基于半导体测试设备的测试。我们的实验结果证明了在器件表征阶段中的出色的设计参数变化分析，以及对可以引起最坏情况变化的一组最坏情况测试的检测，而传统的方法无法检测到它们。
2007-10-25 cs.AI cs.NE
Secure and Privacy-Preserving Automated Machine Learning Operations into End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring System for Diabetes Mellitus Prediction
The University of Melbourne（墨尔本大学）；United Arab Emirates University（阿联酋大学）；Mediclinic（Mediclinic医疗集团）；Bhubaneswar Institute of Technology（布巴内斯瓦尔理工学院）；SRM Institute of Science & Technology（SRM科学技术学院）
提出端到端 IoT-edge-AI-blockchain 糖尿病预测系统，利用区块链跨院安全整合风险因素数据，并通过三个真实数据集验证 RF 相对 LR、SVM 的准确率优势。
2023-08-18 cs.AI cs.LG
A Primer on Computational Semantics for Artificial Intelligence Systems
本文作为入门资料，介绍语言学意义的不同研究视角，解释形式、接地、分布三种主要语义理论，并对比基于Transformer的语言模型与人类的语言学习方式。
2026-08-27 cs.AI cs.CL
Autonomous Editorial Systems and Computational Investigation with Artificial Intelligence
Betron Labs LLC（贝特伦实验室 LLC）
本文提出自主编辑系统架构，通过持续运行的流程处理新闻和报告作为持久状态，实现AI组件的确定性 orchestration，推动机器辅助新闻和大规模信息合成的研究。
2026-01-23 cs.AI cs.DL
Artificial Intelligence-Assistant Cardiotocography: Unified Model for Signal Reconstruction, Fetal Heart Rate Analysis, and Variability Assessment
Artificial Intelligence Research Center, Bengbu Medical University（蚌埠医科大学人工智能研究中心）；CHARMMIRAEL Biotech Co., Ltd（CHARMMIRAEL生物科技有限公司）
本文提出一种统一的人工智能模型，用于胎心图信号重建、胎儿心跳分析及变异性评估，通过预训练和专家审核数据提升检测精度，实现高灵敏度和特异性。
2026-05-14 cs.AI cs.LG
Computational Power and the Social Impact of Artificial Intelligence
MIT Media Lab（麻省理工学院媒体实验室）
机器学习是一个计算过程。为此，它与计算能力密不可分--计算能力是机器智能算法赖以运行的芯片和半导体等有形材料。最明显的是，计算能力和计算架构决定了机器学习的训练和推理速度，从而影响了技术的进步速度。但是，这些关系比这更微妙：硬件塑造了研究人员和工程师在设计和开发机器学习模型时使用的方法。芯片的功耗等特征也定义了机器学习在现实世界中的应用场合和方式。尽管如此，许多关于当前人工智能进步浪潮的社会影响的分析并没有实质性地将硬件的维度纳入他们的账户。虽然大众媒体和学术文献中的一个常见比喻是强调计算能力的大幅增长，这使得机器学习最近取得了突破，但分析通常不会超过这个观察。本文旨在更深入地挖掘计算能力与机器学习发展之间的关系。具体来说，它研究了计算架构、机器学习方法和供应链的变化如何影响人工智能的未来。在这样做的过程中，它试图跟踪这个底层硬件层与围绕人工智能的更广泛的社会影响和风险之间的一系列特定关系。
2018-03-23 cs.AI cs.CY
Augmented Computational Design: Methodical Application of Artificial Intelligence in Generative Design
Eindhoven University of Technology（埃因霍温理工大学）；Nieman Raadgevende Ingenieurs（尼曼咨询工程公司）；Delft University of Technology（代尔夫特理工大学）；University of Twente（特文特大学）
本章反思AI在生成设计中的必要性，提出通过统计或模拟关联增强决策，以映射和导航复杂设计空间，提升建筑设计性能。
2023-10-13 cs.AI cs.CE
BeSense: Leveraging WiFi Channel Data and Computational Intelligence for Behavior Analysis
Tel Aviv University（特拉维夫大学）；Hefei University of Technology（合肥工业大学）；Shizuoka University（静冈大学）；University of Tokushima（德岛大学）
不断发展的信息技术逐渐将人与计算机紧密地联系在一起。理解用户行为成为许多领域的关键推动因素，例如与久坐相关的医疗保健、人机交互（HCI）和情感计算。传统的基于传感器和基于视觉的用户行为分析方法通常是突兀的，阻碍了它们在现实世界中的使用。因此，在本文中，我们首先引入WiFi信号作为一种新的来源，而不是传感器和视觉，用于非侵入性的用户行为分析。然后，我们设计了BeSense，一个非接触式行为分析系统，利用WiFi信道状态信息（CSI）的信号处理和计算智能。我们在商品低成本WiFi设备上原型化BeSense，并评估其在现实环境中的性能。实验结果验证了该方法在用户行为识别中的有效性。
2020-03-23 cs.AI cs.HC eess.SP
Industrial Tokenization for LLM-Based Health Intelligence: A Federated Architecture for Industrial Evidence Integration
Mingyang Smart Energy Co., Ltd.（明阳智慧能源集团股份有限公司）
研究工业健康管理中异构信息源集成问题，提出工业令牌化概念及联邦架构，将特定源分析输出转为工业令牌，以实现跨源推理。给出基于振动诊断输出等的端到端诊断令牌路径，定位工业令牌化为语义接口。
2026-07-27 cs.AI cs.LG
Forecasting Solar Activity with Two Computational Intelligence Models (A Comparative Study)
太阳活动准确预测太阳活动至关重要，以减少在大规模高强度太阳爆发时对电子设备造成的可能损害。最近，我们提出了BELFIS（基于大脑情感学习的模糊推理系统）作为混沌系统预测的工具。BELFIS的结构是根据恐惧条件反射的神经结构设计的。通过将自适应网络分配给BELFIS结构的组件来实现BELFIS的功能。本文特别关注的性能评估的BELFIS作为一个预测器，预测太阳周期16至24。BELFIS的性能进行了比较与其他计算模型用于此目的，特别是与自适应神经模糊推理系统（ANFIS）。
2020-05-17 cs.AI cs.LG cs.NE
Shaping Influence and Influencing Shaping: A Computational Red Teaming Trust-based Swarm Intelligence Model
University of New South Wales（新南威尔士大学）；University of Canberra（堪培拉大学）
社会技术系统是一个复杂的系统，不同参与者之间的非线性互动可能会模糊因果关系。缺乏机制来帮助我们理解如何在系统中创建更改，这使得管理这些系统变得困难。影响和塑造是社会运营商对社会技术系统采取行动，以设计变革。然而，这两个运营商通常是在一个特设的方式进行讨论，没有适当的指导模型和指标，帮助成功地采用这些模型。此外，这两个社会运营商依赖于对信任概念的准确理解。如果没有这样的理解，这些操作员都不能创建所需的水平，以在期望的方向上创建变化。在本文中，我们定义了这些概念，在一个简洁的方式适合建模的概念和理解他们的动态。然后，我们介绍了一个影响和塑造模型，并使用计算红队测试原则来设计和演示这个模型是如何运作的。我们通过模拟环境验证计算结果，以显示人工社会中的社会影响和塑造。
2018-02-26 cs.AI cs.MA
Synthetic media and computational capitalism: towards a critical theory of artificial intelligence
University of Sussex（萨塞克斯大学）
本文提出人工智能批判理论，引入算法状况概念，通过倒置、自动模仿生产与星座分析三大贡献，探讨合成媒体下真实性重构及计算资本主义中的批判方法需求。
2025-03-22 cs.AI cs.CY
Intake Monitoring in Free-Living Conditions: Overview and Lessons we Have Learned
Harokopio University of Athens（哈罗科皮奥雅典大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
在过去十年中，人工智能和机器学习算法的进步使得能够开发用于客观测量进食的新方法，包括测量进食事件以及测量餐内进食行为。这些允许在实验室外自由生活条件下研究饮食行为，而不需要视频记录和费力的手动注释。在本文中，我们对我们最近使用智能手表进行摄入量监测的工作以及使用入耳式麦克风的方法进行了高层次的概述。我们还提出了这些方法在具有挑战性的，现实世界的数据集的评估结果。此外，我们还讨论了这些摄入量监测工具的用例，以推进饮食行为研究，改善饮食监测，以及制定循证健康政策。我们的目标是告知研究人员和用户摄入量监测方法，包括（i）基于市售设备的新方法的开发，（ii）在有效性方面的预期，以及（iii）如何将这些方法用于研究和实际应用。
2022-06-04 cs.AI cs.HC
Artificial Intelligence for Digital and Computational Pathology
Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）；Broad Institute of Harvard and MIT（哈佛大学与麻省理工学院博德研究所）；Dana-Farber Cancer Institute（丹娜-法伯癌症研究所）；Massachusetts Institute of Technology（麻省理工学院）
本文综述了人工智能在数字与计算病理学中的最新方法进展，重点讨论其在全切片图像临床终点预测、诊断自动化及新生物标志物发现中的应用，并展望了多模态临床数据下的未来发展方向。
2023-12-13 cs.AI cs.CV eess.IV
A Real-Time Autonomous Highway Accident Detection Model Based on Big Data Processing and Computational Intelligence
Computer Engineering Department TOBB Univ. of Economics
由于城市人口的增加和机动车数量的增加，交通拥堵正成为21世纪的主要问题。交通拥堵背后的主要原因之一是事故，事故不仅会导致参与者的伤亡和损失，而且还会浪费和损失其他被困在车轮后面的人的时间。早期发现事故可以挽救生命，提供更快的道路开放，从而减少浪费的时间和资源，并提高效率。在这项研究中，我们提出了一个初步的实时的【形】自主事故检测系统的基础上计算智能技术。伊斯坦布尔市2015年的交通流量数据来自不同的传感器位置，使用大数据处理方法进行填充。然后将提取的特征馈送到最近邻模型、回归树和前馈神经网络模型中。对于输出，预测事故发生的可能性。结果表明，即使假警报的数量占主导地位的真实事故的情况下，该系统仍然可以提供有用的信息，可用于状态验证和早期反应可能发生的事故。
2017-12-26 cs.AI stat.ML
On the Impossibility of Separating Intelligence from Judgment: The Computational Intractability of Filtering for AI Alignment
Ludwig-Maximilians-Universität in Munich（慕尼黑路易斯-马克西米利安大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；University of California at Berkeley（加州大学伯克利分校）；JPSM University of Maryland（马里兰大学JPSM分校）；Stanford University（斯坦福大学）；Apple（苹果公司）
本研究证明，在密码学假设下，对LLM的输入提示和输出进行高效过滤在计算上不可行，表明安全无法通过外部过滤器实现，智能与判断不可分离。
2025-07-09 cs.AI cs.CR
Assessing clinical utility of Machine Learning and Artificial Intelligence approaches to analyze speech recordings in Multiple Sclerosis: A Pilot Study
Charles University（查理大学）；Czech Technical University in Prague（布拉格捷克理工大学）；General University Hospital（综合大学医院）；Brigham and Women’s Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
背景资料：多发性硬化症的早期诊断以及准确的疾病进展监测是成功的疾病管理的重要组成部分。先前的研究已经确定多发性硬化症与言语差异相关。早期使用客观声学测量的研究发现了可测量的构音障碍。目的：确定机器学习和深度学习/人工智能方法的潜在临床实用性，用于使用语音记录辅助多发性硬化症的诊断、生物标志物提取和进展监测。研究方法：一个语料库的65 MS阳性和66个健康的人大声朗读相同的文字被用于有针对性的声学特征提取，利用自动音素分割。训练、调整和评估一系列二元分类模型的准确度和曲线下面积。结果如下：随机森林模型表现最好，在验证数据集上实现了0.82的准确度，在训练数据集上的5 k倍循环中的曲线下面积为0.76。7个声学特征中有5个具有统计学意义。结论：机器学习和人工智能在自动分析语音记录以帮助MS诊断和进展跟踪方面似乎很有前途。需要进一步临床验证这些方法及其映射到多发性硬化症的进展，以及验证英语人群的实用性。
2021-09-27 cs.AI eess.AS q-bio.NC
Towards Automation of Creativity: A Machine Intelligence Approach
University of Mumbai（孟买大学）；G. N. Khalsa College（G. N. 卡尔萨学院）
本文论证了计算创造力在音乐领域的出现。不同方面的创造力，如生产者，过程，产品和新闻进行了研究和制定。不同概念的计算创造力，如新颖性，质量和典型性的组成产品进行了研究和评估。我们制定了一个算法感知人类的创造力，并提出了一个原型，能够证明人类水平的创造力。然后，我们验证了所提出的原型，通过应用各种创造力基准与所获得的结果，并比较所提出的原型与其他现有的计算创意系统。
2019-04-27 cs.AI cs.SD eess.AS
EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications
University of Tasmania, Australia（塔斯马尼亚大学）；Macquarie University, Australia（麦考瑞大学）；University of Electronic Science and Technology of China, China（电子科技大学）；Huazhong University of Science and Technology, China（华中科技大学）；University of California, San Diego, USA（加利福尼亚大学圣地亚哥分校）；University of Technology Sydney, Australia（悉尼科技大学）
脑机接口（Brain-Computer Interface，BCI）是一种强大的用户与系统之间的通信工具，它增强了人脑直接与环境进行通信和交互的能力。过去几十年神经科学和计算机科学的进步带来了BCI令人兴奋的发展，从而使BCI成为计算神经科学和智能领域的顶级跨学科研究领域。最近的技术进步，如可穿戴传感设备、实时数据流、机器学习和深度学习方法，增加了人们对基于脑电（EEG）的BCI在翻译和医疗保健应用中的兴趣。许多人受益于基于EEG的BCI，它有助于在工作场所或家中的单调任务下持续监测认知状态的波动。在这项研究中，我们调查了脑电信号传感技术和计算智能方法在脑机接口应用中的最新文献，弥补了过去五年（2015-2019）系统总结的空白。具体而言，我们首先回顾了BCI的现状及其主要障碍。然后，我们提出了先进的信号传感和增强技术来收集和净化脑电信号，分别。此外，我们展示了最先进的计算智能技术，包括可解释的模糊模型，迁移学习，深度学习及其组合，以监控，维护或跟踪人类认知状态和普遍应用中的操作性能。最后，我们提供了几个创新的BCI启发的医疗保健应用程序，并讨论了一些未来的研究方向，在EEG为基础的BCI。
2020-01-28 cs.AI cs.HC eess.SP
