Coherent Marine X-Band Radar Deployment during DUNEX
摘要：2021 年 10 月至 2022 年 8 月，由亥姆霍兹-赫里翁中心 (Hereon) 开发的海洋 X 波段雷达系统部署在位于北卡罗来纳州达克的美国陆军工程研究与发展中心、实地研究设施 (FRF) 的近岸视野范围内。该雷达部署是 FRF、赫里翁和迈阿密大学研究人员之间的合作成果，是作为近岸事件期间实验 (DUNEX) 的一部分发起的，DUNEX 是一项由美国海岸研究计划资助的大型多机构实地实验。Hereon 雷达在主要的 DUNEX 实地活动期间（大约 2021 年 10 月）成功收集了数据，并持续几乎不间断地收集数据，直到 2022 年 8 月。为了方便使用 Hereon 雷达数据，
Coastal Hazards System–South Atlantic (CHS-SA)
摘要：美国陆军工程兵团完成了南大西洋沿岸研究 (SACS)，以量化风暴潮和海浪危害，从而将沿海灾害系统 (CHS) 扩展到南大西洋分部 (SAD) 领域。CHS-SACS 的目标是量化当前条件和未来海平面上升情景下的风暴危害，以降低洪水风险并提高沿海环境的恢复力。CHS-SACS 已在 SAD 领域内的三个地区完成，本报告重点关注南大西洋 (CHS-SA)。本研究应用 CHS 的概率框架和增强元建模预测的联合概率方法 (JPM-AMP) 对热带气旋 (TC) 和温带气旋 (XC) 响应进行概率沿海危害分析 (PCHA)，利用新的大气和流体动力学数值模型模拟合成 TC 和历史 XC。本报告记录了
Geometric deep learning for protein sequence design
使用 CARBonAra 进行序列预测的示意图。几何变换器对 β-内酰胺酶 TEM-1 酶（灰色）的序列空间进行采样，该酶与天然底物（青色）复合，以产生新的折叠良好且活性高的酶。图片来源：Alexandra Banbanaste (EPFL)。作者：Nik Papageorgiou 设计能够执行特定功能的蛋白质涉及理解和操纵其序列 […]
数据来源：稳健的系统基因组学解决了分类争议并揭示了 Laufeia 进化枝（蜘蛛亚科、跳蛛科、真佛里蛛）雄性栓塞复合体的进化摘要Laufeia 进化枝是真佛里蛛属跳蛛的一个特殊谱系，其雄性生殖器结构表现出较高的分化，尤其是在精子转移过程中直接与雌性生殖器相互作用的栓塞复合体。随着 Laufeia 进化枝中物种发现的快速增长，其分类争议已成为一个关键问题。在本研究中，我们应用系统基因组学方法，使用超保守元素数据推断 Laufeia 进化枝的系统发生，并进行了广泛的分类单元采样。还进行了比较形态学研究，以评估诊断性状并了解 Laufeia 进化枝内雄性栓塞复合体的进化。结果为 Laufeia 进化
Anita Saraf 研究蚊子唾液，以了解登革热和西尼罗河病毒等病毒的传播方式，并使用质谱法确定疫苗和治疗的潜在目标。您可能会猜想从蚊子身上提取唾液会很困难。你是对的。然而，由于蚊子通过唾液传播疾病，因此对它们进行采样和 [...]
Akarotaxis gouldaeCorso, Desvigne, McDowell, Cheng, Biesack, Steinberg & Hilton, 2024 DOI：10.11646/zootaxa.5501.2.3 摘要Bathydraconidae (Notothenioidei) 是一组南大洋特有的底栖鱼类。由于它们最近的进化辐射和由于它们出现在偏远地区而导致的采样工作有限，它们的多样性可能被低估了。Akarotaxis nudiceps 是目前该属中唯一被认可的成员，是一种特别鲜为人知的 bathydraconid。虽然 A. nudiceps 在南极大陆架的环极分布，但
What does the history of Theraphosidae systematics tell us about the future of tarantula taxonomy?
捕鸟蛛科分类学的历史告诉我们关于狼蛛分类学未来的什么？系统学提供了关于生物多样性单位（即物种）及其分类方法的基础知识。该学科的研究成果涵盖整个生物学领域，对保护具有重要影响。在这里，我们回顾了过去 260 年来捕鸟蛛科的系统和分类实践。我们研究了新描述物种的速度，并研究了描述新属和新物种时使用的当代实践。捕鸟蛛科分类学经历了两次大浪潮，过去 60 年来新描述的物种和作者组合呈爆炸式增长。我们回顾发现，在 2010-2024 年期间，捕鸟蛛科系统和分类学的当代实践基本保持不变，主要采用基于形态学的方法。在此期间，只有 10% 的新描述物种结合了 DNA 数据或明确说明了所使用的物种概念。同样，对
Classifier-Free Guidance Is a Predictor-Corrector
我们研究了无分类器指导 (CFG) 的不合理有效性。CFG 是文本到图像扩散模型的条件采样的主要方法，但与扩散的其他方面不同，它的理论基础仍然不稳定。在本文中，我们通过展示 CFG 与 DDPM 和 DDIM 的交互方式不同，并且 CFG 的采样器都不会生成伽马驱动分布，从而反驳了常见的误解。然后，我们通过展示它是一种在去噪和锐化之间交替的预测校正 (PC) 方法来阐明 CFG 的行为，我们称之为……
Complex & Intelligent Systems, Volume 10, Issue 4, August 2024
1) 一种用于动作识别的人体骨骼关键帧选择优化方法作者：陈浩，潘悦凯，王晨武页数：4659 - 46732) 城市轨道交通网络短期起讫点流量预测：基于多源大数据的深度学习方法作者：崔红萌，司冰峰……潘伟婷页数：4675 - 46963) 用于社区检测的多约束非负矩阵分解：正交正则稀疏约束非负矩阵分解作者：陈子刚，肖奇……李晓勇页数：4697 - 47124) 使用多层时间图神经网络预测社交媒体网络中的流行趋势作者：金瑞东，刘欣，村田刚页数：4713 - 47295) 受全变分和深度去噪先验启发的混合正则化用于图像恢复作者：Hu Liang, Jiahao Zhang...Jinbo Zhu页数
An overview of classifier-free guidance for diffusion models
详细了解无分类器指导的细微差别，这是当前最先进的图像生成模型（称为扩散模型）的核心采样机制。
Sampling from Multivariate Distributions: From Statistical to Generative Modeling
将经典统计方法与尖端生成 AI 模型相结合，从多元分布中进行采样。继续阅读 Towards Data Science »
Reinforcement Learning, Part 5: Temporal-Difference Learning
智能协同动态规划和蒙特卡罗算法简介强化学习是机器学习的一个领域，它引入了代理在复杂环境中学习最佳策略的概念。代理根据环境状态从其行为中学习，从而获得奖励。强化学习是一个具有挑战性的话题，与机器学习的其他领域有很大不同。强化学习的非凡之处在于，可以使用相同的算法使代理适应完全不同、未知和复杂的条件。注意。为了充分理解本文中的概念，强烈建议您熟悉之前文章中讨论的动态规划和蒙特卡罗方法。强化学习，第 2 部分：策略评估和改进强化学习，第 3 部分：蒙特卡罗方法关于本文在第 2 部分中，我们探索了动态规划 (DP) 方法，其中代理根据先前的计算迭代更新 V-/Q 函数及其策略，并用新的估计值替换它们。
Rainbow: The Colorful Evolution of Deep Q-Networks
在 JAX 中组装 DQN Megazord 所需的一切。“彩虹 Megazord”，Dall-E 32013 年，Mnih 等人引入了深度 Q 网络 (DQN)。[1] 标志着深度强化学习的首次突破，在三款 Atari 游戏中超越了人类专家玩家。多年来，DQN 的几种变体相继发布，每种变体都针对原始算法的特定弱点进行了改进。2017 年，Hessel 等人。[2]通过结合 6 种强大的变体，充分利用了 DQN 调色板，打造出所谓的 DQN Megazord：Rainbow。在本文中，我们将分解组成 Rainbow 的各个组件，同时回顾它们在 Stoix 库中的 JAX 实现。DQNRainb
摘要：了解土壤微生物如何应对冻土融化对于预测气候变化对土壤过程的影响至关重要。然而，我们对微生物对变暖反应的了解主要基于实验室解冻实验，以及在较温暖的月份进行现场采样，因为这些月份的地点更容易进入。在本研究中，我们在美国阿拉斯加州 Imnavait Creek 流域的生长季（从夏季到深秋）对季节性解冻的活性层和永久冻土进行了深度剖面采样。扩增子测序表明，细菌和真菌群落的组成在采样深度和采样月份都有所不同。表面群落变化最大，而最深样本中的群落在整个采样期间都保持冻结状态，随时间变化很小甚至没有变化。然而，群落变化不能用微量金属浓度、土壤养分含量、pH 值或土壤条件（冻结/解冻）来解释，除非这些测
Grandinenia jiangjilini Chen, Lin, Wu & Ouyang,in Chen, Jiang, Lin, Xie, Dai, Wu et Ouyang, 2024.江氏斜管螺 || DOI: 10.3897/zse.100.126340 摘要基于 COI 和 16S 序列对 Grandinenia 属进行了分子系统发育研究。对该属 26 个物种中的 8 个以及 3 个未鉴定物种进行了测序。系统发育结果支持 Grandinenia 的单系性以及所有采样物种和亚种的有效性。基于形态学比较和分子系统发育，鉴定并描述了来自中国南部广西的一个新物种 Grandinenia
探索迷人的蜘蛛世界：在印度奥里萨邦加贾帕蒂 CUTM 进行的蜘蛛多样性和分布调查摘要本调查旨在记录印度奥里萨邦帕拉拉克蒙迪 Centurion 科技与管理大学 MS Swaminathan 农业学院及其周边地区蜘蛛的多样性和分布模式。大多数蜘蛛的移动性不是很强，但它们是生态上重要的节肢动物群，在各种生态系统中扮演着重要的角色，既是捕食者又是猎物。大多数蜘蛛生活在农业生态系统中，在农业害虫管理中发挥着非常重要的作用。调查采用了全面的采样策略，涵盖了各种栖息地，包括森林、农场、旅馆、湿地和城市地区。调查期间收集了广泛的数据，包括物种丰富度、丰度和组成。收集到的标本经过仔细鉴定，鉴定到物种水平，采用
生成流网络 (GFlowNets) 解决了机器学习中从非正则化概率分布中采样的复杂挑战。通过在构造的图上学习策略，GFlowNets 通过一系列步骤促进有效采样，近似目标概率分布。这种创新方法通过提供强大的框架来处理帖子这项机器学习研究试图在 GFlowNets 的背景下形式化泛化并将泛化与稳定性联系起来，首次出现在 AI Quantum Intelligence 上。
Poropuntius anlaoensis Hoàng, Phạm & Trần,in Hoang, Pham, Tran, Durand, Wu, Pfeiffer, Chen et Page, 2024. DOI：10.3897/zookeys.1204.120873摘要来自包含 22 个 Poropuntius 名义种的样本的分子数据表明，该属的物种水平多样性被大大高估，可能是由于分类单元和地理采样不足以及依赖于种内变化的形态特征。后者包括与种群内替代喂养策略（生态形态）相关的离散口形态。描述了一个新物种，Poropuntius anlaoensis Hoàng, Phạm & T
