XiaoMi-AI文件搜索系统
World File Search System不平衡
•虽然人工智能（AI）是所有调查的国家共有的野心，但其采用仍然很不平衡。毛里求斯，卢旺达和K
AI代表了该地区的经济和社会发展机会，但其采用在整个国家中仍然非常不平衡。虽然毛里求斯，卢旺达和肯尼亚是非洲大陆的AI的先驱，而科莫罗斯和乌干达是政府对AI准备的全球排名中的最后一项。在区域规模上，东非国家支持非洲联盟（AU）AI战略，并于2024年通过内罗毕宣言。意识到AI对其经济的潜力，所有被调查的国家都制定了战略计划，其成功取决于数字基础设施和熟练的劳动力，经常得到国际捐助者的支持。迄今为止，肯尼亚等地区的国家已经将自己定位在（低成本）的适度和生成AI模型的培训和培训上，并且/或希望将其在很大程度上将其绿色的电力用作现场的竞争工具。但是，该地区的AI进一步发展仍然存在许多挑战：缺乏统一的法律框架，可用的数据，技能，连通性或研究的投资。
•虽然人工智能（AI）是所有调查的国家共有的野心，但其采用仍然很不平衡。毛里求斯，卢旺达和K
AI代表了该地区的经济和社会发展机会，但其采用在整个国家中仍然非常不平衡。虽然毛里求斯，卢旺达和肯尼亚是非洲大陆的AI的先驱，而科莫罗斯和乌干达是政府对AI准备的全球排名中的最后一项。在区域规模上，东非国家支持非洲联盟（AU）AI战略，并于2024年通过内罗毕宣言。意识到AI对其经济的潜力，所有被调查的国家都制定了战略计划，其成功取决于数字基础设施和熟练的劳动力，经常得到国际捐助者的支持。迄今为止，肯尼亚等地区的国家已经将自己定位在（低成本）的适度和生成AI模型的培训和培训上，并且/或希望将其在很大程度上将其绿色的电力用作现场的竞争工具。但是，该地区的AI进一步发展仍然存在许多挑战：缺乏统一的法律框架，可用的数据，技能，连通性或研究的投资。
“强迫症和健康个体中不平衡增强学习的连续神经相关”
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月30日。 https://doi.org/10.1101/2025.01.28.635211 doi：Biorxiv Preprint
人和小鼠PD大脑中的线粒体动力学不平衡
此预印本版的版权持有人于2025年1月28日发布。 https://doi.org/10.1101/2025.01.27.635175 doi：Biorxiv Preprint
类别不平衡不应让您失去平衡
认知和计算神经科学实验室（CoCo Lab），蒙特利尔大学，2900，boul。Edouard-Montpetit，蒙特利尔，H3T 1J4，魁北克，加拿大 b 奥斯纳布吕克大学认知科学研究所，Neuer Graben 29/Schloss，奥斯纳布吕克，49074，下萨克森州，德国 c 安蒂奥基亚大学医学院神经心理学和行为组（GRUNECO），53–108，麦德林，阿兰胡埃斯，麦德林，050010，哥伦比亚 d 麦吉尔大学神经科学综合课程，1033 Pine Ave，蒙特利尔，H3A 0G4，加拿大 e 阿尔伯塔大学计算机科学系，116 St & 85 Ave，埃德蒙顿，T6G 2R3，AB，加拿大 f 康考迪亚大学音乐系，1550 De Maisonneuve Blvd.W.，蒙特利尔，H3H 1G8，魁北克，加拿大 g 应用数学研究所 Mauro Picone，国家研究委员会，罗马，意大利 h 蒂莫内神经科学研究所 (INT)，法国国家科学研究院，艾克斯马赛大学，马赛，13005，法国 i Mila（魁北克机器学习研究所），6666 Rue Saint-Urbain，蒙特利尔，H2S 3H1，魁北克，加拿大 j UNIQUE 中心（魁北克神经人工智能研究中心），3744 rue Jean-Brillant，蒙特利尔，H3T 1P1，魁北克，加拿大
AI基于ECG的电解质不平衡预测
背景：电解质失衡显着，使心电图（ECG）成为至关重要的非侵入性工具。这项研究系统地重新查看并荟萃分析了AI模型的诊断性准确性，用于检测ECG的这些失衡，旨在增强早期检测并改善心脏护理。方法：我们搜索了9个数据库和参考列表。两名审稿人通过诊断准确性研究2（Quadas-2）的质量评估偏见。测试性能数据被提取到2×2表中，并计算出具有双变量随机效应模型的特异性，灵敏度和诊断优势比（DOR）的汇总估计值，该模型呈现在前面图和摘要接收器的操作特征曲线中。我们通过元回归探索了异质性，检查了内部/外部数据集和铅数。结果：包括有关钾，钙和钠的21项研究。仅在钾失衡（10项研究）上进行了荟萃分析，从五个国家进行了600,000多个ECG，主要是12个国家。在八项研究中，载于高钾血症，合并的灵敏度，特异性和DOR为0.856（95％CI：0.829-0.879），0.788（0.744-0.826）和21.8（17.8-26.7）。低钾血症（六项研究），合并灵敏度，特异性和DOR为0.824（0.785-0.856），0.724（0.668-0.774）和12.27（9.15–16.47）。Quadas-2评估显示，患者选择偏见的高风险为52％，这主要是由于采样细节不足和病例对照方法。结论：AI模型可以检测基于ECG的元素异常，尤其是高钾血症，并且在需要频繁的电解质评估的ICU环境和对终末期肾脏疾病患者的家庭监测中有价值。然而，对各种临床环境，医院，种族，国家和地区进行了更大的回顾性和前瞻性研究。
脑卒中的预测模型：针对不平衡数据的 ADASYN-RF 方法
摘要 脑卒中是一种脑部血液突然停止流动，脑细胞因缺氧和营养物质不足而死亡的疾病。脑卒中与主要与当今生活方式相关的风险因素有关，包括高“血糖水平、心脏病、肥胖和糖尿病”等代谢综合征。本研究使用机器学习算法开发了脑卒中预测模型：“逻辑回归 (LR)、随机森林 (RF) 和 K-最近邻 (KNN)”。上述研究所需的数据集来自 Harvard Dataverse 存储库。该数据集包含“临床、生理、行为、人口统计和历史数据”。在这方面，将通过采用过采样技术（包括“SMOTE、ADASYN 和 ROSE”）来处理类别不平衡问题。本文提出了一种新的混合机器学习模型，将 ADASYN 与随机森林相结合，称为 ADASYN-RF，其中 ADASYN 将对不平衡的数据集进行重新采样，然后将随机森林应用于重新采样的数据。此外，还采用了其他机器学习模型和过采样技术进行比较。令人惊讶的是，ADASYN-RF 模型能够达到本文提到的 99% 的最高检测准确率，证明了其在中风预测方面的有效性。因此，该方法为中风的临床诊断提供了一种廉价而精确的工具。
基于分布式强化学习的不平衡解决机制中的能源套利策略
可再生能源渗透率的增长使供应变得更加不确定，并导致系统不平衡加剧。这种趋势与单一不平衡定价相结合，为平衡责任方 (BRP) 在不平衡解决机制中进行能源套利提供了机会。为此，我们提出了一种基于分布式强化学习的电池控制框架。我们提出的控制框架采取了风险敏感的视角，允许 BRP 调整其风险偏好：我们的目标是优化套利利润和风险度量（本研究中的风险价值）的加权和，同时限制电池的每日循环次数。我们使用 2022 年比利时的不平衡价格评估我们提出的控制框架的性能，并比较两种最先进的 RL 方法，即深度 Q 学习和软演员-评论家 (SAC)。结果表明，分布式软演员-评论家方法优于其他方法。此外，我们注意到，只有当代理对价格更确定时，我们的完全规避风险的代理才会适当地学会通过对电池进行（放电）充电来对冲与未知不平衡价格相关的风险。
几何深度学习增强脑电图中不平衡域适应
1 简介 脑机接口 (BCI) 可以实现大脑与外部设备之间的直接通信，为康复和通信提供了巨大的潜力 [1]。尽管基于脑电图 (EEG) 的 BCI 具有如此强大的功能，但目前仍存在信噪比低、特异性不足和域偏移（例如，数据分布的变化）等问题。传统上，通过收集标记校准数据和训练领域特定模型来缓解域偏移 [1]。然而，这种方法资源密集且耗时。作为一种替代方案，无监督域自适应 (UDA) 从标记源域中学习一个模型，该模型可有效执行不同的（但相关的）未标记目标域 [1]。在 BCI 领域，UDA 主要解决会话间和主体间的迁移学习 (TL) 问题 [2]，旨在无需监督校准即可实现跨域（即会话和主体）的稳健泛化。在我们之前的工作中，我们开发了一个几何深度学习框架，称为 TSMNet [3]，用于对对称正定 (SPD) 流形执行统计对齐。TSMNet 在配备有仿射不变黎曼度量的 SPD 流形上联合学习卷积特征提取器和切线空间映射 (TSM)，该度量由于其对潜在源的线性混合具有固有的不变性，非常适合 EEG 数据 [4]。许多 UDA 框架（包括 TSMNet）对齐边际特征分布，隐式假设跨域的标签分布相同。然而，在实践中经常遇到标签偏移，标签偏移下的边际特征对齐会增加泛化误差 [5]。最近的方法将这种对齐问题定义为不平衡的多源和多目标 UDA 问题 [6]。本文介绍了 TSMNet 的扩展，增强了其同时解决特征和标签偏移的能力。为了维护 TSMNet
通过不平衡流程匹配的灵活对接
扩散模型已成为最近用于分子对接的成功范式。但是，这些方法将蛋白质视为刚性结构，或者迫使模型从非结构化噪声中折叠蛋白质。在这项工作中，我们专注于柔性对接，利用蛋白质的未结合分布来建模配体结合的精确效果。虽然流量匹配（FM）为这项任务提供了一个有吸引力的选择，但我们表明，流动匹配的天真应用导致了一项复杂的学习任务，性能差。因此，我们提出了不平衡的流量匹配，即流量匹配的概括，使我们能够通过放松边缘约束来以准确的准确性来定位样品效率。从经验上讲，我们验证了在柔性对接方面的框架，证明了蛋白质构象预测的强烈改善，同时保留了可比的对接精度。