XiaoMi-AI文件搜索系统
World File Search System可识别性
模拟微生物群中的主宿内动力学
微生物群是人类和动物有机体细菌的主要储层。它是众多共生物种的家园，其中一些物种可能是感染的来源，例如金黄色葡萄球菌[1]。虽然越来越了解微生物群的组成和特性，但由于种类繁多的物种及其相互作用，它们的动态仍然难以建模。广义Lotka Volterra（LV）模型特别有趣，因为它允许模拟大量相互作用的微生物种群。但是，校准该模型需要丰富的数据，而量化微生物群组成的经典元基因组分析仅提供“频率”数据，即目前每个人群的比例。目前，为了解决这个问题，使用了总微生物群丰度的不精确代理[2]，或者对系统进行了强有力的假设，例如，假设总丰度是固定的[3]。在不使用此类假设的情况下将此模型应用于微生物群数据是一个关键挑战： - 我们在频率数据上以分析表征LV模型的可识别性条件。- 我们在分析上证明了这种可识别性在一般情况下是可能的，而无需强大的假设。- 我们通过对微生物动力学的仿真分析来验证这一结果。
统一的大脑连接组翻译和融合工具
大脑连接可以通过多种方式估计，具体取决于模态和处理策略。我们在此介绍 Krakencoder，这是一种联合连接组映射工具，它通过共同的潜在表示同时双向转换结构 (SC) 和功能连接 (FC)，以及不同的图谱和处理选择。这些映射表现出前所未有的准确性和个体层面的可识别性；SC 和 FC 之间的映射比现有模型的可识别性高 42-54%。Krakencoder 通过共享的低维潜在空间结合了所有连接组类型。这种“融合”表示 i) 更好地反映了家庭相关性，ii) 保留了与年龄和性别相关的信息，iii) 增强了与认知相关的信息。Krakencoder 无需重新训练即可应用于新的、超出年龄分布的数据，同时仍保留了潜在表示中连接组预测和家庭关系的个体间差异。 Krakencoder 在以个性化、行为和人口统计相关的方式捕捉多模式大脑连接组之间的关系方面取得了重大飞跃。
Calhn网站特定参与者信息表/同意表（PICF）指南
- 所有研究数据，包括电子记录，应在研究完成或最后一次接触后15年（以较晚者为准）保留15年。- 基因治疗和相关领域，如果它具有社区或遗产价值，则必须永久保存数据。- PICF应至少概述保留数据，存储数据的持续时间，数据的可识别性级别，以授权的人员/机构提供访问，安全措施以及存储数据的格式的授权人员/机构。
技术计划
摘要：网络化动态系统（NDS）长期以来一直受到研究者的关注。随着技术的发展，特别是通信和计算机的发展，NDS 的规模迅速增加。此外，一些新问题也随之出现，例如攻击预防、随机通信延迟/故障等。此外，人工智能领域近年来取得的巨大成功极大地刺激了具有大量节点的人工 NDS 的构建。然而，一些基本问题仍然具有挑战性，包括从测量中揭示 NDS 的结构、NDS 可控性/可观测性验证的计算效率条件等。在本次演讲中，我们将介绍一个大规模 NDS 模型，其中子系统通过其内部输出以任意方式连接，并且子系统可能具有不同的动态。给出了子系统交互全局可识别性的基于矩阵秩的必要充分条件，这导致了在存在一些先验信息的情况下关于 NDS 结构可识别性的几个结论。该矩阵还导致了无法仅从实验数据中区分的子系统交互集的明确描述。给出了确定频率的递归程序，在这些频率下系统频率响应能够唯一地确定 NDS 结构。还通过一些数值模拟揭示了“结构可识别度”的重要性，并讨论了其对模型预测能力和系统性能的影响。提出了两个指标分别用于衡量 NDS 结构的绝对和相对松弛度，并针对一些应用重要的情况推导出了它们的明确公式。
sangea：可扩展和归因网络生成
深层生成模型（DGM）是用于学习数据表示的多功能工具，同时合并了域知识，例如条件概率分布的规范。最近提出的DGMS解决了比较来自不同来源的数据集的重要任务。这样的示例是对比分析的设置，该分析的重点是描述与背景数据集相比富含目标数据集中的模式。这些模型的实际部署通常假定DGM自然推断出可解释的和模块化的潜在表示，这在实践中是一个问题。因此，现有方法通常依赖于临时正规化方案，尽管没有任何理论基础。在这里，我们通过扩展非线性独立组件分析领域的最新进展，提出了对比较DGM的可识别性理论。我们表明，尽管这些模型在一般的混合功能上缺乏可识别性，但当混合函数在零件上时，它们令人惊讶地变得可识别（例如，由Relu神经网络参数化）。我们还研究了模型错误指定的影响，并从经验上表明，当未提前知道潜在变量的数量时，以前提出的用于拟合比较DGM的正则化技术有助于识别性。最后，我们引入了一种新的方法，用于拟合比较DGM，该方法通过多目标优化改善了多个数据源的处理，并有助于使用约束优化以可解释的方式调整正规化的超参数。我们使用模拟数据以及通过单细胞RNA测序构建的细胞中的遗传扰动数据集以及最新的数据集验证了我们的理论和新方法。关键字：非线性ICA；深层生成模型；变分推断；解开；
2002 年公共卫生安全与生物恐怖主义防范和应对法案下的食品和农业安全战略及其实施
脆弱性评估。52 这是由联邦调查局 (FBI)、国土安全部、美国农业部和美国食品药品监督管理局共同开展的工作，任何行业成员、贸易协会或州都可以自愿参与。53 评估旨在检查食品和农业生产行业的生产过程。54 “关键性、可及性、可恢复性、脆弱性、影响、可识别性和冲击”是评估考虑的六个主要因素；总结为“CARVER + 冲击方法”。5 SPAA 计划促进对食品和农业产品或商品的评估，并鼓励行业和政府之间的互动。56 每次评估结束时都会确定研究差距、缓解策略和良好的安全实践。57
研究高光谱分离提取成分的潜力
太空资产对美国国防、安全和经济财富至关重要。遥感是了解太空资产周围环境态势的重要技术。地面太空望远镜技术无法在空间上分辨太空中遥远的物体（轨道高度超过 1,000 公里，例如 GEO）或小型物体（例如 CubeSats）。这些物体被称为未解析的空间物体 (URSO)。高光谱遥感已被提议作为一种提取未解析空间物体定量信息的技术。高光谱传感器的高光谱分辨率包含有关未解析物体材料成分的信息，这些信息来自材料对测量光谱的贡献。即使物体无法在空间上分辨，也可以在光谱上分辨。高光谱解混是一种将混合测量光谱特征分解为组成材料及其丰度的光谱特征的技术。在地面应用中，解混已被广泛研究，研究对象是包含感兴趣物体的光谱和空间信息的图像。对于未解析的空间物体，作者建议使用在空间物体在高光谱传感器的视野范围内移动时收集的时间轨迹的光谱时间特征来提取物质成分信息。这种方法面临的一大挑战是，收集到的光谱时间特征可能不够丰富，无法使用盲高光谱解混方法提取物质成分。在本文中，我们使用一个简单的模拟模型，即一个类似卫星的物体在背景上旋转，以研究空间分辨率如何影响 URSO 物质成分的可识别性。我们将性能视为空间分辨率在提取的端元质量及其丰度方面的函数。初步结果表明，提高空间分辨率可以提高可识别性（这并不是一个令人惊讶的结果），但如果光谱时间特征足够丰富，那么几个像素就足以识别物质成分。关键词：未解析的空间物体；高光谱解混；光谱时间特征；空间域感知。
大规模基础模型的原则
1。基础模型的数学原理：我开发了一个连贯的作品，该作品建立了理论基础，即覆盖概括，训练动力学和可识别性分析，用于基础模型的一系列自我监督学习（SSL）范式。这些包括自动锻炼[30]，重建性[12，22]，对比度[4，6]，非对抗性[14]，预测[11]接近，在图理论框架中，我将它们统一并表征它们。对于诸如变形金刚之类的骨干网络，我提出了有关其特征传播的动态分析[2，19，16，29]。从内在的学习角度来看，我率先提出了LLMS自校正能力的第一个理论解释（对于OpenAI O1中的测试时间推理至关重要），并在ICML'24 ICL研讨会上赢得了最佳纸张奖。
用大语言来测量可固定性...
大型语言模型（LLMS）是强大的指导关注者。但是，许多开放式生成任务具有较大的解决方案空间，需要缩小以适合用户需求。llms朝着这种需求方向而言，对于与用户期望和目标保持一致的安全LLM系统至关重要。尽管LLM指导跟踪的持续改进，但此类增益可能不一定转化为可管道性。此断开连接激发了一个用于测量可引导性的原始框架。因此，我们提出了一个面向目标的，定量的可管道定义。我们的定义为em-pirical的引导探针的设计提供了信息，我们利用文本重写任务来衡量LLMS的转移能力。我们证明了最近的LLM是不可察的。我们将这种缺乏可行性归因于副作用：请求目标与无需LLM运动之间的相关性。因此，尽管LLM指导的进步前进，但仍有很大的空间可改善LLM的可识别性。
估计折叠的变化，其中部分观察到的结果与微生物宏基因组中的应用
我们考虑了在多变量结果的预期值中估算倍数变化的问题，该结果被观察到，这些结果受到未知样品特异性和类别特异性扰动的约束。我们是由对微生物分类单元的丰度进行高通量测序研究的动机，其中微生物相对于它们的真实丰度是系统地过度检测和未检测到的。我们的日志线性模型允许部分可识别的估计，我们通过施加可解释的参数约束来建立完整的可识别性。为了减少偏见并保证存在稀疏观测的参数估计值，我们将渐近可忽略不计和约束的惩罚应用于我们的估计功能。我们开发了一种快速坐标下降算法进行估计，并在零假设下进行估计的增强Lagrangian算法。我们构建模型得分测试，即使对于小样本量和违反分布构成的量，也证明了有效的推断。通过微生物关联与结直肠癌的荟萃分析来说明了方法和相关方法的比较。