Alessandro Alunni,Constance Pierre,Jorge Torres-Paz,Natacha Cliaire,AurianeLanglumé等。发展,生长与分化,2023,65(9),pp.517-533。10.1111/dgd.12896。hal-04265637
。cc-by 4.0国际许可(未经Peer Review尚未获得认证)是作者/资助者,他已授予Biorxiv的许可证,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2月27日。 https://doi.org/10.1101/2025.02.27.639550 doi:Biorxiv Preprint
摘要 - 在动态图上检测到的动态检测旨在与图表中观察到的标准模式及其时间信息相比,识别表现出异常行为的实体。由于其在财务,网络安全和社交网络等各个领域的应用,它引起了越来越多的关注。但是,现有方法面临两个重大挑战:(1)动态结构捕获挑战:如何有效地使用复杂的时间信息捕获图形结构,以及(2)负面采样挑战:如何为无人看管的学习构建高质量的负样本。为了应对这些挑战,我们提出了对动态图(Gady)的生成异常检测。gady是一个连续的动态图模型,可以捕获细粒的时间信息以应对动态结构捕获挑战,从而克服了现有离散方法的局限性。指定,我们建议使用优先级的时间聚集和状态特征来增强动态图编码器以进行异常检测。在第二个挑战中,我们引入了生成对抗网络的新颖使用来产生负面子图。此外,在发电机训练目标中引入了辅助损失功能,以确保同时生成的样品的多样性和质量。广泛的实验表明,我们提出的Gady在三个现实世界数据集上的表现明显优于现状方法。补充实验进一步验证了我们的模型设计的有效性和每个组件的必要性。
焊接过程产生的图像噪声(例如弧光,飞溅和烟雾)给基于激光视觉传感器的焊接机器人带来了巨大的挑战,可以定位焊接接缝并准确地进行自动焊接。当前,基于深度学习的方法超过了灵活性和鲁棒性的传统方法。但是,它们的重大计算成本导致与自动焊接的实时要求不匹配。在本文中,我们对卷积神经网络(CNN)和变压器的有效混合体系结构(称为动态挤压网络(DSNET))进行实时焊接接缝分段。更准确地说,开发了一个轻巧的分割框架,以充分利用变压器结构的优势,而无需显着增加计算开销。在这方面,旨在提高其功能多样性的高效编码器已被设计并导致了编码性能的大幅改进。此外,我们提出了一个插件轻巧的注意模块,该模块通过利用焊接接缝数据的统计信息并引入线性先验来产生更有效的注意力权重。使用NVIDIA GTX 1050TI对焊缝图像进行广泛的实验表明,与基线方法Transunet相比,我们的方法将参数的数量减少了54倍,将计算复杂性降低了34倍,并将推理速度提高33倍。dsnet可实现较高的准确性(78.01%IOU,87.64%骰子)和速度性能(100 fps),其模型复杂性和计算负担较低。该代码可在https://github.com/hackerschen/dsnet上找到。
b'b't量子Zeno效应以最简单的形式描述了量子系统的频率测量可以减慢其时间演变的现象,最终导致其停止完全改变。已广泛研究了封闭的量子系统[BN67,MS77,CHE72,FRI76,FP08,EI05,EI21]和开放量子系统[MS03,BZ18,BFN + 20,MW19,MW19,MW19,MAT04,GL \ XC2 \ XC2 \ XC2 \ XA8U16,BDS21,MRM MR MR MR MR MR MR MR MR MR MR MR MR MR MR MR M \ XC2 \ XA8O24]和现象的实验验证是在[IHBW90,FGMR01,SMB + 06,SHC + 14]中实现的。量子ZENO效应具有各种应用,例如在控制反应[FJP04,HRB + 06],量子误差校正[EARV04,PSRDL12]和状态准备[NTY03,NUY04,WYN08]中。在这里,我们考虑以下在量子动力学半群下进化的无限二维开放量子系统中的量子zeno效应的一般设置,该系统由e t l'
在本文中,我们提出了一种创新的动态分类算法,旨在实现零遗漏的检测和最小误报的观察。使用监督模型将数据分配到N当量的训练子集和n个预测子集中,然后是n个单独的预测模型的独立预测。这使每个预测模型都可以在较小的数据范围内运行,从而提高了整体准确性。此外,该算法利用通过监督学习生成的数据来进一步完善预测结果,滤除未满足准确性要求的预测,而无需引入其他模型。实验性调查表明,当数据分配误差最小时,动态分类算法实现了出色的性能,而零遗漏的检测和最小的假阳性,则显着超过了现有的模型结合体。即使在分类错误较大的情况下,算法仍然可以与最新模型相提并论。这项研究的关键创新包括自我监督的分类学习,小范围子集预测的使用以及直接拒绝不合格的预测。虽然当前的算法在自动参数调整和分类模型效率方面仍然有改进的空间,但它在多个数据集中表现出出色的性能。未来的研究将着重于优化分类组件,以进一步增强算法的鲁棒性和适应性。
摘要 - 在本文中,我们研究了在通用量子游戏中学习的广泛使用矩阵乘量(MMW)动力学的平衡收敛性和稳定性。这项努力的一个关键困难是,诱导的量子状态动力学自然地分解为(i)经典的,可交换性的成分,该动态以类似于在经典复制器动力学下的混合策略的演化方式控制系统特征值的动力学; (ii)系统特征向量的非交通分量。这个非交通性的组件没有经典的对应物,因此需要引入(渐近)稳定性的新颖概念,以说明游戏量子空间的非线性几何形状。在这种一般情况下,我们表明(i)只有纯量子平衡才能稳定并在MMW动力学下吸引; (ii)作为部分匡威的纯量子状态,满足某种“变分稳定性”条件的纯量子总是会吸引。这使我们能够充分表征在MMW动力学下稳定并吸引的量子NASH平衡的结构,这一事实对预测多代理量子学习过程的结果具有重要意义。
可以在不需要眼动的而无需眼睛运动的情况下将注意力定向在空间中。我们使用多元模式分类分析(MVPA)来研究是否可以从EEG Alpha Power和原始活动痕迹中解码秘密空间注意的时间过程。从这些信号中解码注意力可以帮助确定原始的EEG信号和α功率是否反映了注意选择的相同或不同特征。使用经典的提示任务,我们证明了秘密空间注意力的方向可以通过两个信号来解码。但是,原始活动和α功率可能反映出空间注意力的不同特征,而α功率与空间中秘密注意力的方向和原始活动的方向相关,而对感知过程的关注感也影响。
任何人都可以自由访问可作为“开放访问”的作品的全文。可根据创意共享许可提供的作品可根据所述许可条款和条件使用。使用所有其他作品的使用要求正确持有人(作者或出版商)同意,如果不符合适用法律的版权保护。
抽象目标是量化由免疫检查点抑制剂(ICI)治疗的预先存在的自身免疫性疾病(付费)患者的免疫相关不良事件(IRAE)的风险。方法 - 对照对照研究,对法国多中心前瞻性群体进行了黑色素瘤患者,与IRAE危险因素和肿瘤学分期相匹配。通过逻辑回归评估IRAE的风险。 结果包括110例有报酬的患者,并与330个对照匹配,从2013年3月到2020年10月。。 在病例中的中位随访期间,对照组为6.9个月,与对照组相比,在病例中发展全级和≥3级伊拉斯的ORS(95%CI(1.56至2.27))和1.44(分别为95%CI(1.08至1.82))。 带薪患者的多种伊拉斯(或1.46,95%CI(1.15至2.67))的风险增加,而IRAE发作的时间较短。 相比之下,与IRAE相关的死亡率或治疗率没有差异,并且具有里程碑意义的分析显示在病例中24个月的生存率更好(P = 0.02)。 30%的病例在随访期间经历了有偿爆发,基线免疫抑制并不能阻止IRAE发生。 最后,我们报告了付费临床子集与特定器官特定的IRAE之间的关联。 在我们的研究中结论是,有报酬的患者面临全级,严重和多个伊拉斯的风险,但比对照组的生存期更好的24个月。 因此,有报酬的患者应有资格接受ICI治疗,但受益于IRAE发生的密切监测,尤其是在治疗的头几个月中。通过逻辑回归评估IRAE的风险。结果包括110例有报酬的患者,并与330个对照匹配,从2013年3月到2020年10月。在病例中的中位随访期间,对照组为6.9个月,与对照组相比,在病例中发展全级和≥3级伊拉斯的ORS(95%CI(1.56至2.27))和1.44(分别为95%CI(1.08至1.82))。带薪患者的多种伊拉斯(或1.46,95%CI(1.15至2.67))的风险增加,而IRAE发作的时间较短。相比之下,与IRAE相关的死亡率或治疗率没有差异,并且具有里程碑意义的分析显示在病例中24个月的生存率更好(P = 0.02)。30%的病例在随访期间经历了有偿爆发,基线免疫抑制并不能阻止IRAE发生。最后,我们报告了付费临床子集与特定器官特定的IRAE之间的关联。在我们的研究中结论是,有报酬的患者面临全级,严重和多个伊拉斯的风险,但比对照组的生存期更好的24个月。因此,有报酬的患者应有资格接受ICI治疗,但受益于IRAE发生的密切监测,尤其是在治疗的头几个月中。