XiaoMi-AI文件搜索系统
World File Search System力图
通过注意力预测蛋白质序列的酶促功能
结果：我们表明，我们的Enzbert Transformer模型通过蛋白质语言模型的专业化而受过训练，可预测酶佣金（EC）数量，仅基于序列而优于单功能酶类预测的最先进的工具。在EC40基准上的第二级预测EC数量的预测中，精度从84％提高到95％。为了评估第四级的预测质量，这是最详细的EC数字，我们构建了两个新的基于时间的基准测试，以与最先进的方法ECPRED和DEEPEC进行比较：Macro-F1分别从41％提高到54％，从20％提高到20％。最后，我们还表明，使用一个简单的注意力图与EC预测任务上的其他经典性方法相当，或者比其他经典性方法更好。更具体地，注意图鉴定出的重要残基倾向于对应于已知的催化位点。量化，我们报告的最高F-GEAIN评分为96.05％，而经典的可解释性方法最多达到91.44％。
电网代码
图 1 – 乌波卢岛和马诺诺岛的 EPC 电网 ...................................................................................................... 13 图 2 – 萨瓦伊岛的 EPC 电网 ................................................................................................................ 14 图 3 – 逆变器连接电厂的典型发电能力图 ...................................................................................... 19 图 4 – 水力发电机的典型发电机能力图 ...................................................................................... 20 图 5 – 电压支持模式 ...................................................................................................................... 21 图 6 – 电压穿越无跳闸区 ............................................................................................................. 22 图 7 – 发电厂连接配置选项 ...................................................................................................... 24 图 8 – 不带太阳能光伏的典型消费者安装 ............................................................................................. 37 图 9 – 典型的屋顶太阳能光伏电气连接 ............................................................................................. 38 图 10 – 带可选电池的屋顶太阳能光伏 ............................................................................................. 39 图 11 – 逆变器功率输出对频率变化的响应 ................................................................................. 44 图 12 – 逆变器伏特-瓦特模式默认设置 ............................................................................................. 47图 13 – 逆变器电压-无功模式默认设置 ...................................................................................... 49
可控文本到图像合成，适用于多模态 MR 图像
近年来，生成模型取得了重大进展，尤其是在文本到图像合成领域。尽管取得了这些进展，但医学领域尚未充分利用大规模基础模型的功能来生成合成数据。本文介绍了一种文本条件磁共振 (MR) 成像生成框架，解决了与多模态考虑相关的复杂性。该框架包括一个预先训练的大型语言模型、一个基于扩散的提示条件图像生成架构和一个用于输入结构二进制掩码的附加去噪网络。实验结果表明，所提出的框架能够生成与医学语言文本提示一致的逼真、高分辨率和高保真的多模态 MR 图像。此外，该研究根据文本条件语句解释了生成结果的交叉注意力图。这项研究的贡献为未来文本条件医学图像生成的研究奠定了坚实的基础，并对加速医学成像研究的进步具有重要意义。
专题档案. 中国
本文试图阐明中国崛起在国际舞台上的影响。自 1949 年共产主义革命以来，中国取得了显著进步。大跃进、第二次革命、四个现代化和中国梦等内部改革计划都推动了中国在国家治理各个领域的发展。一带一路倡议扩大了中国在全球的影响力，并将其转变为全球参与者。中国向市场导向型经济的转型，同时在政治上仍是一个热心的共产主义政权，这是混合政府的一个显著特征。经济自由化的成果以中国在成为 21 世纪超级大国的道路上快速前进的形式而收获。同时，中国凭借现代化武器和完善的军事体系以及其他领域的进步，在军事上取得了长足进步，远远领先于其他国家。中国的自信在其在国际舞台上的交往中显而易见，它努力从容应对，从而对现有的国际秩序构成挑战。本文力图运用分析方法和自由化理论来使研究更加严谨。
为互联互通做好准备...
图 1 – 2024 年 1 月 10 天干旱指标 10 图 2 – 全球太阳辐射（全球太阳图集） 11 图 3 – 各国平均辐射 11 图 4 – 各国输电网扩展。ECCO 基于 ESMAP 数据阐述。12 图 5 – 适合大规模光伏安装的实际区域 12 图 6 – 大规模光伏潜力图。ECCO 基于全球太阳图集数据阐述 13 图 7 – 带有当前电力基础设施的大规模太阳能光伏潜力图细节。ECCO 基于全球太阳图集数据阐述。13 图 8 – 各国实际区域土地份额。ECCO 基于 ESMAP 数据阐述。14 图 9 – 各国大规模光伏理论容量。ECCO 阐述。15 图 10 – 全球风能密度 16 图 11 – 风能潜力图。 ECCO 根据全球风能地图集数据进行阐述，16 图 12 – 各国风能平均功率密度。17 图 13 – 各国陆上风能理论容量。ECCO 阐述。 17 图 14 – 北岸可再生能源装机容量——当前与 2030 年 NECP 的对比 19 图 15 – 南岸可再生能源装机容量——当前与 2030 年 NECP 的对比 22 图 16 – 地中海东部的市场模型 23 图 17 – Desertec 项目基础地图 24 图 18 – Entso-e 电网地图 27 图 19 – 各国能源供应总量（联合国，2021 年） 30 图 20 – 各国二氧化碳排放总量（Climatewatch，2024 年） 30 图 21 – 各国战略与 2030 年当前可再生能源装机容量对比 31 图 22 – 按来源和国家划分的工业最终消费份额（联合国，2021 年） 32 图 23 – 工业低温热能电气化份额，约 30% 为 1 TW [TJth] 32 图 24 –工业中高温供热的电力消耗约 30% 1 TW [TJth] 33 图 25 – 北非国家对地中海的出口，不包括石油和天然气 34 图 26 – 欧盟 CBAM 中包含的产品 35 图 27 – 按来源和国家/地区划分的电力生产份额（联合国，2021 年） 36 图 28 – 按燃料和国家/地区划分的化石燃料减排份额约 1 TW 36 图 29 – 按燃料和国家/地区划分的建筑物最终消费份额（联合国，2021 年） 37 图 30 – 工业中电气化建筑有用热能份额约 1 TW [TJth] 37 图 31 – 烹饪用电气化有用热能份额约 1 TW [TJth] 38 图 32 – 按方式和国家/地区划分的运输消费份额（联合国，2021) 38 图 33 – 1 TW [车辆] 中电气化占公路运输比重约为 4% 39 图 34 – 1 TW 可再生能源对地中海能源系统的影响 39 图 35 – 1 TW 可再生能源避免的二氧化碳排放量 40 图 36 – 1 TW 可再生能源产生的化石燃料减少量 40 图 37 – 氢气生产项目 (IEA) 41 图 38 – 欧盟氢能骨干计划 42 图 39 – 已实现或授权的 LNG 再气化能力（黄色）和预授权能力（紫色）。ECCO 详细说明。 44 图 40 – 根据国际能源署公布的承诺情景，天然气在一次能源供应总量中的作用 45 图 41 – 通向欧盟的天然气供应走廊和流量（ENTSOG，2024 年） 45 图 42 – 通向欧盟的天然气供应走廊分布（ENTSOG，2024 年） 46
Microsoft Word - 9434822023109064 基于注意力机制的多层特征 3D CNN，用于使用脑图像进行 AD 诊断.docx
摘要 —结构MRI和PET成像在阿尔茨海默病（AD）的诊断中起着重要作用，分别显示脑部的形态学改变和葡萄糖代谢变化。一些认知障碍患者在脑图像中的表现相对不明显，例如在临床上通过sMRI仍难以实现准确诊断。随着深度学习的出现，卷积神经网络（CNN）成为AD辅助诊断的宝贵方法，但一些CNN方法不能有效地学习脑图像的特征，使得AD的诊断仍然存在一些挑战。在本文中，我们提出了一种基于ResNet的用于AD诊断的端到端3D CNN框架，该框架融合了在注意力机制作用下获得的多层特征，以更好地捕捉脑图像中的细微差异。注意力图显示我们的模型可以关注与疾病诊断相关的关键脑区。我们的方法在对来自 ADNI 数据库的 792 名受试者的两种模态图像进行的消融实验中得到了验证，其中基于 sMRI 和 PET 的 AD 诊断准确率分别达到 89.71% 和 91.18%，并且优于一些最先进的方法。
闭环 - JALLC - 北约
联合联合指挥中心司令部 Mîndrescu 准将继 Yakovleff 中将之后介绍了最近完成的联合联合指挥中心项目：国际安全援助部队的战略经验教训。该报告力图确定军事战略层面上国际安全援助部队的经验教训可以为未来北约主导的行动做出贡献的领域。他解释了分析过程中采用的方法，以及如何通过确定国际安全援助部队定期任务审查 (PMR) 作为主要数据来源来满足该项目的分析要求，这些数据将提供增进理解所需的信息，并最终提供有用的结论和建议。该项目的分析共得出 643 项对北约具有战略意义的基于证据的观察结果。项目团队收集的观察结果经过分析并分为战略类别（准确地说是 11 个）：国家影响力；培训；保护平民；资金；信息和经验教训共享；综合方法；统一指挥；战略司令部；指挥与控制；安全部队援助 (SFA)；向坚定支持任务 (RSM) 过渡。然后将这 11 个战略主题分为政治、军事、经济、社会、基础设施和信息 (PMESII) 构造的六个领域中的五个领域（不包括基础设施）。
使用转移学习从EEG解码想象的语音
摘要我们提出了一种基于转移学习的方法，用于解码电子脑力图（EEG）的想象语音。特征是从多个EEG通道同时提取的，而不是与单个通道分开提取。这有助于捕获皮质区域之间的相互关系。为了减轻缺乏足够数据来训练深层网络的问题，可以执行基于窗口的数据增强。平均相干性和幅度方相干性，用作EEG连通性分析中使用的两种流行措施，用作特征。这些特征是紧凑的，利用它们的对称性，以获得三维“图像样”表示。该矩阵的三个维度对应于alpha，beta和伽马eeg频带。具有RESNET50的深层网络，因为基本模型用于对想象的提示进行分类。所提出的方法已在想象中的语音脑电图的公开可用的ASU数据集上进行了测试，其中包括四种不同类型的提示。解码想象的提示的准确性从元音的最低79.7％，到整个主题的长时间单词最多95.5％。所获得的精度优于状态方法，并且该技术在解码不同复杂性的提示方面非常好。
基于主题匹配的子图级注意力卷积网络用于图分类
图分类对于许多与图数据相关的实际应用（例如化学药物分析和社交网络挖掘）至关重要。传统方法通常需要特征工程来提取有助于区分不同类别的图的图特征。尽管最近提出了基于深度学习的图嵌入方法来自动学习图特征，但它们大多使用从图中提取的一些顶点排列进行特征学习，这可能会丢失一些结构信息。在这项工作中，我们提出了一种新的基于模体注意力图卷积神经网络用于图分类，它可以学习更有辨别力和更丰富的图特征。具体而言，我们开发了一种模体匹配引导的子图规范化方法来更好地保留空间信息。我们还提出了一种新的子图级自注意网络来捕捉不同子图的不同影响或权重。在生物信息学和社交网络数据集上的实验结果表明，与传统图核方法和最近的深度学习方法相比，所提出的模型显著提高了图分类性能。
多模式面部图像生成的扩散驱动的GAN倒置
摘要我们提出了一种新的多模式面部图像生成方法，该方法将文本提示和视觉输入（例如语义掩码或涂鸦图）转换为照片真实的面部图像。为此，我们通过使用DM中的多模式特征在预训练的GAN的潜在空间中使用多模式特征来结合一般的对抗网络（GAN）和扩散模型（DMS）的优势。我们提供了一个简单的映射和一个样式调制网络，可将两个模型链接起来，并在特征地图和注意力图中将有意义的表示形式转换为潜在代码。使用gan inversion，估计的潜在代码可用于生成2D或3D感知的面部图像。我们进一步提出了一种多步训练策略，该策略将文本和结构代表反映到生成的图像中。我们提出的网络生成了现实的2D，多视图和风格化的面部图像，这些图像与输入很好。我们通过使用预训练的2D和3D GAN来验证我们的方法，我们的结果表现优于现有方法。我们的项目页面可在https://github.com/1211SH/diffusion-driven_gan-inversion/。