XiaoMi-AI文件搜索系统
World File Search System传递性
生物学和人造大脑中的战略决策
本文的目的是双重的。首先，它试图揭示人类和其他动物在非零和游戏中在决策策略中学习的算法，特别是专门针对完全可观察到的迭代囚犯的困境情景。第二，它旨在开发一种新模型来解释战略决策，反映了以前的神经生物学发现，表明不同的大脑电路负责自指的处理和理解他人。该模型源于参与者 - 批评框架，并结合了多个批评家，以允许对自我和他人状态进行独特的处理。我们通过与人类的实验数据进行比较，验证了算法的生物学合理性和可传递性。
海洋热收敛和北大西洋多年代热含量变异性深度学习模拟器对区域气候模型预测的可转让性和解释性：未来应用的观点
摘要：区域气候模型（RCM）是模拟和研究区域气候变化和变化的重要工具。但是，它们的高计算成本限制了区域气候预测的全面合奏，涵盖了各个地区的多种情况和驱动全球气候模型（GCM）。RCM模拟器基于深度学习模型最近被引入了一种具有成本效益且有希望的替代方案，仅需要简短的RCM模拟来训练模型。因此，评估其转移性到不同时期，场景和GCMS成为一个关键而复杂的任务，其中GCM和RCMS的固有偏见起着显着的作用。在这里，我们通过考虑文献中引入的两种不同的仿真方法的关注，并在这里分别称为完美预后（PP）和模型输出统计量（MOS），遵循良好建立的降水术语。除了标准评估技术外，我们还通过可解释的人工智能（XAI）的方法扩展了分析，以评估模型学到的经验联系的物理一致性。我们发现，两种方法都能够在不同的时期和场景（软传递性）中模仿RCM的某些气候特性，但是仿真函数的一致性在AP的范围之间有所不同。虽然PP学习了鲁棒且身体上有意义的模式，但MOS结果在某些情况下依赖于GCM，并且在某些情况下缺乏物理一致性。这限制了其适用于构建RCM结束的适用性。由于存在GCM依赖性偏差，将仿真函数转移到其他GCM（硬传递性）时都面临问题。我们通过为未来的申请提供前景来得出结论。
XdeCompo：卷积神经网络中的可解释分解方法用于肿瘤图像分类
摘要：在各种肿瘤类型中，大肠癌和脑肿瘤仍然被认为是世界上最严重和致命的疾病之一。因此，许多研究人员致力于提高诊断医学机器学习模型的准确性和可靠性。在计算机辅助诊断中，在处理具有不足数据注释的数据集时，自我监督学习已被证明是一个有效的解决方案。但是，医疗图像数据集经常患有数据违规性，使识别任务更具挑战性。班级分解方法通过简化数据集的类边界的学习，为这个具有挑战性的问题提供了强大的解决方案。在本文中，我们提出了一个称为XdeCompo的强大自我监督模型，以提高功能从借口任务到下游任务的可传递性。XdeCompo是基于基于基于繁殖的类别分解而设计的，以有效鼓励在下游任务中学习阶级边界。XdeCompo具有可解释的组成部分，可以突出重要的像素，这些像素有助于分类，并解释了类分解对改善提取特征专业的影响。我们还探讨了XdeCompo在处理不同医学数据集的典型性，例如用于大肠癌和脑肿瘤图像的组织病理学。定量结果表明，CRC和脑肿瘤图像的高精度分别为96.16％和94.30％的XdeCompo的鲁棒性。XdeCompo与其他模型相比，在不同的医学图像数据集中证明了其概括能力，并在不同的医学图像数据集中实现了高分类精度（无论是定量还是质量上）。已使用后可解释的方法来验证特征可传递性，并证明了高度准确的特征表示。
交叉反应免疫对SARS-COV-2变体出现的影响
当新的SARS-COV-2变体首次到达宿主人群时，政策制定者的关键问题是它是否会变得广泛。为此，需要两个步骤：介绍和入侵。首先，该变体必须通过从头突变或从其他地方进口（简介）到达寄主人群。第二，变体必须从人到人之间传播并引起大量案件，而不是淡出很少的案件（入侵）。引言后，一系列因素会影响新型变体将入侵的风险，包括其固有的传递性和引入位置的连接性（1，2）。此过程中的另一个关键因素是对寄主人群中新变体的免疫力的背景水平。例如，OMICRON（B.1.1.529）变体的特征是其广泛扩展的是其逃避过去感染或疫苗接种免疫力的能力，至少部分地意味着背景免疫水平较低（3-5）。数学建模通常用于探索病原体菌株之间交叉反应免疫对传染病暴发动力学的影响（6-11）。在19009年大流行期间，模型为新型变体带来的风险提供了实时见解。例如，Bhatia等。Dyson等。（16）分析了英格兰的流行病学数据，并预测了该国的爆发过程，如果出现了具有不同传输特征的变体。（12）扩展了估计病原体传播性（13 - 15）的扩展方法（13 - 15），以使新型变异能够进行评估，包括估计α（b.1.1.7），beta（b.1.351）和gamma（b.1.351）和gamma（b.1.351）和gamma（p.1）变体相对于野生型Virus（sars-virus）（SARS-COV）（sars-em-em em and em and） 中国）。他们警告说，具有高传递性或实质性免疫逃生特性的变体有可能产生大量的感染和住院治疗。
所有的递归亚型
递归类型和有限的量化是许多现代编程语言中的突出特征，例如Java，C＃，Scala或打字稿。不幸的是，过去显示递归类型，有限的定量和亚型之间的相互作用在过去是有问题的。因此，定义一个结合这些特征并具有理想特性的简单基础演算，例如可确定性，亚型的传递性，保守性以及声音和完整的算法配方是长期的挑战。本文显示了如何在称为𝐹𝐹≤的新微积分中使用ISO回复类型扩展。𝐹≤是一种众所周知的多态演算，具有有界定量的限制。在𝐹𝐹≤中，我们添加了ISO恢复类型，并使用最近提出的名义展开规则来相应地通过ISO恢复亚型扩展了亚型关系。此外，我们还使用所谓的结构折叠/展开规则来打字，这是受Abadi，Cardelli和Viswanathan（1996）提出的结构展开规则的启发。结构规则为文献中更传统的折叠/展开规则增添了表达能力，它们可以实现其他应用程序。我们提出了几个结果，包括：类型的声音；传递性；超过𝐹≤的保守性；以及𝐹≤的声音和完整的算法公式。我们研究了两个变体𝐹≤。第一个使用核的扩展（一种众所周知的可决定变体𝐹≤）。此扩展名接受等效而不是相等的界限，并显示出可以保留可决定的亚型。第二个变体采用全𝐹≤规则进行有限的定量，并且具有不可确定的亚型。此外，我们还研究了𝐹𝐹的内核版本的扩展名，称为𝐹𝜇≤≥≥报，具有相交类型和下限定量的形式。来自𝐹𝐹内核版本的所有属性都保留在𝐹𝜇≤≥。本文中的所有结果均已在COQ Theorem Prover中形式化。
显微镜中的机器学习 - 见解，机会和挑战
机器学习（ML）正在将图像处理和分析的领域从艰苦的任务自动化转变为对视觉模式的开放式探索。这对图像驱动的生命科学研究，尤其是显微镜具有显着意义。在这篇评论中，我们关注与从用户的角度应用基于ML的管道用于显微镜数据集相关的机会和挑战。我们研究了不同数据特征的重要性 - 数量，可传递性和内容 - 以及如何确定要使用的ML模型以及它们的输出。在细胞生物学问题和应用的背景下，我们进一步讨论了ML公用事业范围，即数据策展，探索，预测和解释，以及它们在显微镜的背景下所带来的并转化为什么。最后，我们探讨了显微镜中与ML相关的挑战，常见的人工制品和风险。基于其他领域的见解，我们建议如何在显微镜中减轻这些陷阱。
传递定向时间图的复杂性
在其边缘有离散时间标签的时间网络中，信息只能沿着边缘的序列“流”，而无需降低（分别增加时间标签。在本文中，我们第一次尝试了解一个边缘上信息流的分解如何影响其他边缘上信息流的方向。通过自然地扩展静态图中及时取向的经典概念，我们介绍了时间及时方向的基本概念，并系统地研究了其算法行为。我们的主要结果是一种概念上的简单，但在技术上涉及的多项式时间算法，用于识别时间图G是否可以定位。与众不同，我们证明，令人惊讶的是，必须认识到G是否可以严格定位。此外，我们还将进一步的与时间传递性有关的问题引入，尤其是它们的时间传递完成问题，我们证明了算法和硬度结果。
使用仿真来设计以下路径和自主机器人的障碍策略
1简介自主控制算法的设计是一项艰巨的任务，因为它传统上需要大量的现实测试，这既耗时又昂贵。仿真是自治设计的宝贵工具，例如，以时间和成本效益的方式协助参数调整，算法测试。此外，在机器学习范围（ML）的范围内，由于其生成训练数据的能力，模拟具有吸引力。在此，我们证明了模拟引擎[1]和自治研究床（ART）[2]平台来促进自治政策制定过程，以避免ML控制政策。这项工作建立了以前的贡献，这些贡献证明了控制策略的各种多速路径的可传递性[3，4]。这项研究证明了通过机器学习（ML）避免障碍物的额外能力。ML已通过收集的数据进行了培训，而人类驾驶员则在模拟器中驱动。
机器学习 - 核核酸 - 美色变量与...
成核集体变量（CVS）的有效计算是应用增强采样方法在现实环境中对成核过程进行研究的主要局限性之一。在这里，我们讨论了成核CVS近似值的基于图的模型的开发，该模型可以实现计算效率的数量级增长，从而在成核CVS的直通评估中。通过对溶液中模拟多步成核过程的成核胶体系统进行模拟，我们评估了模型在后处理和直接偏置成核轨迹的效率中，并通过拉动，伞采样和元动力学模拟。此外，我们通过使用基于对胶体系统训练的六阶Steinhardt参数的CV模型来探测和讨论基于图的成核CVS模型的可传递性，以驱动从其熔体中驱动结晶铜的成核。我们的方法是一般的，可以转移到更复杂的系统以及不同的CVS。
使用加固学习设计自适应生产控制系统
抽象的现代生产系统由于客户需求的增加而面临巨大的挑战，导致了复杂的生产系统。通过管理所有操作以优化关键绩效指标的适当生产控制系统来确保竞争行业的运营效率。当前，控制系统主要基于静态和基于模型的启发式方法，需要显着的人类领域知识，因此，不符合ManufacturingCompanies.Data-DrivenReinReinForecrivecompan（RL）的动态环境，显示了CommperlistresultSinapplicationssultsinapplicationssuchassuchashassuchasboard and Commuter Games and Computer Games and Posertans Productions Productions应用程序。本文介绍了RL的设计，以通过在一个复杂的车间派遣订单派遣的现实世界示例来创建自适应生产控制系统。作为RL算法是“黑匣子”的方法，它们本质上禁止全面理解。此外，高级RL算法的经验仍然仅限于单个成功的应用程序，这限制了结果的可传递性。在本文中，我们研究了状态，行动和奖励功能RL设计的性能。分析结果时，我们确定了强大的RL设计。这使RL成为高度动态和复杂生产系统的有利控制系统，主要是在域知识受到限制时。