XiaoMi-AI文件搜索系统
World File Search System不平衡的
自闭症中E/I不平衡的验证和分析
1,2`，Qiifan Yang 3`，HernánVargas1，Kevin Low Neda Jahanshad 3,4,5 *`这些作者同样作为手稿的第一作者贡献了同样的作者 *这些作者同样贡献了该手稿1。。西班牙马德里政治家大学。3。。4。。5。Department of Biomedical Engineering, Viterbi School of Engineering, University of Southern California, Marina del Rey, California, USA Corresponding authors: Yolanda Gil, PhD Research Professor of Computer Science Director of USC Center on AI Research for Health Director of AI and Data Science Initiatives Information Sciences Institute Viterbi School of Engineering University of Southern California 4676 Admiralty Way Suite 1001 Marina del Rey, CA 90292 gil@isi.edu Neda Jahanshad，博士神经病学和生物医学工程信息科学副教授，LOBES：ENIGMA CONSION CONSION CONSICAN副总监，Enigma Consortial，Enigma Consortium consortial，Imagtium Imagemitium Image centimics Image centration of Sutiage and Super of Susinia of Suinia of Suinia of Suinia of Suinia of Suinia of Suinia of suinia CA 90292 NEDA.JAHANSHAD@USC.EDU作者信息Daniel Garijo：orcid：0000-0003-0454-7145（daniel.garijo@upm.es）
抑制甲基腺苷磷酸化酶可保护免受实验性急性肾损伤 Startrace：个性化医学的多重器官Avatar药物测试平台 MAO-B抑制剂在鼠中的功能功效 抗血管病原体的水力发电 一种基于CRISPR-CAS9的工具，用于研究DSB剂量依赖性 农药暴露对神经炎症和小胶质细胞2 的影响 肠道3凝胶：一种用于培养人肠道菌群nataliasuárezvargas 1 *的高吞吐量粘液模型，Miguel Antunes 1 *; JoãoSobral1， 生物信息学分析确定了PHARC相关脂肪酶ABHD12 的酶活性序列决定因素 自闭症中E/I不平衡的验证和分析 NeuroDisk：一种自动化神经成像遗传学中连续询问驱动的发现的AI方法 用壳测量 与嗜性粒细胞增生的心脏病的病理生理学 通过功能 - 进行有效的K-MER设置操作 从文学到生物多样性数据：带有机器学习的采矿节肢动物和生态特征 颗粒水凝胶作为脆性屈服应力流体 小鼠人类遗传变异的计算建模 基于微型微镜的哺乳动物脑组织的密集连接组重建 创新的Nitinol Lumbar椎骨植入物
此预印本版的版权持有人于2025年2月23日发布。 https://doi.org/10.1101/2025.02.19.639065 doi：Biorxiv Preprint
UOV：不平衡的油和醋
§2：预赛。MPKC的简短历史和UOV背后的一般思想以及本提交中的符号在第2节中介绍。多元公共密钥密码系统（MPKC）可以追溯到1980年代，从那时起，许多领先的密码学家一直在尝试构建各种类型的MPKC。例如，两个多元数字签名方案，即，Rainbow [18]和Gemss [16]进入NIST PQC竞赛的第三轮[1]。在MPKC中，公共/秘密密钥对由多元多项式组成，MPKC的硬度与求解求解多元方程系统的硬度牢固地连接在一起。多年研究表明，多元多项式非常适合构建数字签名方案[19，31，42，42，35，16，12，29]。以UOV签名方案[35]为例。一般而言，UOV中的秘密键是（f，t），其中f：f n q→f m q是一个特定的二次图，通常称为中央映射，因为它在UOV中的关键作用，可逆线性转换t：f n q→f n q用于“隐藏”公共密钥中心地图的结构；此外，关联的公钥是p = f o，
使用机器学习技术分析不平衡的中风预测数据集
摘要摘要中风是一种以脑内血管破裂为特征的疾病，可导致脑损伤。当大脑的血液和必需营养素供应中断时，可能会出现各种症状。本研究的主要目标是使用机器学习和深度学习来预测早期发生脑中风的可能性。及时发现中风的各种警告信号可以显著降低中风的严重程度。本文对特征进行了全面的分析，以提高中风预测的有效性。从 Kaggle 网站上获取了一个可靠的中风预测数据集，以衡量所提算法的有效性。该数据集存在类别不平衡问题，这意味着负样本总数高于正样本总数。结果基于使用过采样技术创建的平衡数据集报告。这项提案的工作使用 Smote 和 Adasyn 来处理不平衡问题，以获得更好的评估指标。此外，与原始不平衡数据集和其他基准测试算法相比，使用 Adasyn 过采样利用平衡数据集的混合神经网络和随机森林 (NN-RF) 实现了 75% 的最高 F1 分数。
证明不平衡的MACH>的干涉特性
1。引言硅光子设备由于其吸引人的特性而变得越来越流行。小尺寸，较大的折射率对比度和CMOS兼容性是硅光子设备的特性，它们使其成为多个行业的选择设备 - 电信，生物医学等[1,2]。使用最广泛的硅光子设备组件之一是Mach-Zehnder干涉仪（MZI）。在硅平台上实施的Mach-Zehnder干涉仪是各种应用的关键元素，从电信（用于光子波导开关和光子调制器）到感应，神经网络，量子和信号处理的关键元素[3-11]。MZI的效用源于其干涉特性，这是通过在MZI的两个臂之间创建相对相移来实现的。使用相位变速器或通过使MZI的两个臂的光路长度不平等来实现此相移。MZI配置，其中MZI的两个臂都不相等，称为MZI不平衡。不平衡的MZI已用于位移传感[12]，气体传感[13]，模式切换[14]和调制[15]。在本文中，我们展示了我们建模，模拟和随后制造的MZI设计不平衡的设计。我们检查了几种不平衡的MZI设计，并分析了设备的仿真和实验传输特性。我们阐明了波导建模的过程并进行了分析，以补偿制造变化并详细介绍了一些数据分析。
在英国将网格转换为更环保和社会可持续的电力系统是一个缓慢而不平衡的过程
电力系统脱碳是环境可持续性的关键。从消费 - 生产的角度来看，对电力的发生和使用方式的变化非常关注，但是电力系统也依赖于连接和集成生产和消费的电网基础架构，并且还需要转换。同时，包括电网在内的电力系统中的新技术为生产和消耗能源的更具社会可持续性的方式提供了潜力。在实践中，变化很慢，不平衡，而且通常功能失调。一种社会技术过渡方法提供了有关为什么这样做的原因，看到电力系统不仅在技术和经济方面发生变化，而且还随着技术与社会和政治过程之间互动的结果而变化。该方法引起人们对在复杂的关键基础设施（例如电力和强大的安全机构逻辑）中实现快速过渡的特定挑战。本文将这种方法应用于大不列颠的案例，尽管以高级气候政策的形式对可持续性做出了坚定的承诺，但电网通常是对变革速度的限制。一方面这些高级目标与电力系统中的详细规则和实践之间的薄弱环节来解释英国过渡的性质。在英国案件中，所有权和网格监管的模式也可以解释，这些模式保护了现有人，并使新演员很难在更社会可持续的方向上开发该系统。
不平衡的低级最佳运输求解器
长期以来，两个显着的限制一直阻碍了最佳运输方法与机器学习的相关性。首先，O（n 3）基于标准样本求解器的计算成本（在n个样品的批次上使用时）是过于刺激的。第二，质量保护约束使OT求解器在实践中过于刚性：因为它们必须匹配两种措施的所有点，因此离群值可能会大大影响其输出。最近的作品量已经解决了这些计算和建模的局限性，但导致了两种单独的方法菌株：虽然熵正则化大大改善了计算前景，但最近的O（N）线性低率溶剂溶液的最新OF-（N）线性低率溶解度却保持了进一步扩展OT的承诺。在建模的灵活性方面，由于OT的不平衡变体可以惩罚其边际偏离源和目标分布指定的耦合的耦合，因此可以对熵正则化的批量保护的刚度进行刚性。本文的目的是合并这两种菌株，即低级别和不平衡，以实现既可以扩展又相反的求解器的承诺。我们提出了自定义算法，以实现这些扩展问题，以解决线性的OT问题及其融合的Gromov-Wasserstein概括，并证明了它们与具有挑战性的空间转录组学匹配问题的实际相关性。这些算法是在OTT-JAX工具箱中实现的[Cuturi等。，2022]。
为什么电池组中的单元格失去平衡？调查包装不均匀性在生命不平衡的作用：一项模拟研究
发现，在负载下测量的包装中的瞬时不平衡会随着平行字符串的添加以及较宽的母线电阻分布而增加。这可能会驱动包装细胞不均匀降解。此外，母线中的开路断层似乎会导致永久性失衡和包装容量的严重缺乏。
通过重复的经颅磁刺激改变激发 - 抑制抑制不平衡的影响，对自限性癫痫与中心颞上峰
具有中心颞尖峰（选择）的自限性癫痫是儿童癫痫中最常见的局灶性综合征（1）。大多数选择的儿童都有良好的预后，但是少数比例可能会演变成癫痫性脑病，而睡眠中的尖峰和波动激活（EE-SWAS）。与EE-SWA相关的EEG模式被称为睡眠中的癫痫持续状态（ESE）（2）。慢波睡眠的几乎恒定的癫痫样活动通常伴随着认知或行为功能的显着回归。所有认知领域都可能受到影响，包括语言和交流，暂时空间方向，注意力和社会互动。然而，现有治疗方法的有效减少ESE患者的功能障碍的能力仍然非常有限。重复的经颅磁刺激（RTMS）作为一种局灶性，无创技术，在癫痫病领域具有治疗潜力（3）。低频RTM（≤1Hz）抑制皮质兴奋性，增加皮质无声时期的持续时间并减少运动诱发的潜在幅度（4）。使用低频RTM抑制癫痫发作的基本原理与有望中断突触潜力和局灶性皮质兴奋性的事实有关。现实世界的证据表明，使用Fure-8-coil的低频RTM可能是儿科患者药物耐药性癫痫的有效治疗，导致癫痫发作频率降低30％（5）。Ren等。 发现RTM是一种在选择患者中高度普遍的行为问题的新方法（6）。Ren等。发现RTM是一种在选择患者中高度普遍的行为问题的新方法（6）。尽管Cochrane审查发现RTMS在减少癫痫样排放方面是安全和有效的，但仍缺乏RTMS效率的证据，但仍缺乏癫痫发作的效率（7）。在选择中兴奋性和抑制性能（E-I不平衡）之间的不平衡已被确定为癫痫发作和认知障碍（8）。抑制网络涉及感觉运动和皮层网络，这表现为相应函数的解离。然而，RTMS对选择患者的E-I不平衡的影响尚不清楚。我们假设RTMS会降低选择中的癫痫发作频率和E-I不平衡。要解决我们的假设，需要满足两个要求：（1）RTMS后是否减少了癫痫发作频率和癫痫样放电以及（2）RTMS是否可以改善E-I不平衡。
深入了解多标签不平衡的胸部X射线数据集
在过去的几年中，卷积神经网络（CNN）占据了计算机视觉领域的主导，这要归功于它们在分类问题中提取功能及其出色表现的能力，例如在X射线自动分析中。不幸的是，这些神经网络被视为黑盒算法，即不可能了解该算法是如何实现最终结果的。将这些算法应用于不同领域并测试方法的工作原理，我们需要使用可解释的AI技术。医学领域的大多数工作都集中在二进制或多类分类问题上。但是，在许多现实情况下，例如胸部X射线，可以同时出现不同疾病的放射学迹象。这引起了所谓的“多标签分类问题”。这些任务的缺点是阶级失衡，即不同的标签没有相同数量的样本。本文的主要贡献是一种深度学习方法，用于不平衡的多标签胸部X射线数据集。它为当前未充分利用的Padchest数据集建立了基线，并基于热图建立了新的可解释的AI技术。此技术还包括概率和模型间匹配。我们系统的结果很有希望，尤其是考虑到使用的标签数量。此外，热图与预期区域相匹配，即他们标志着专家将用来做出决定的领域。©2023作者。由Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。