XiaoMi-AI文件搜索系统
World File Search System可转
通过自动机器学习从超广角图像中对可转诊糖尿病视网膜病变图像进行分类 Leandro Victor L. Arcena，医学博士-MBA 1，P
糖尿病视网膜病变 (DR) 是一种普遍存在且可能导致失明的眼部病变。由于该病通常无症状进展，因此定期筛查至关重要。视网膜成像技术的进步，例如标准 45° 视网膜摄影和超广角 (UWF) 成像，已显著改善了 DR 的检测和管理。人工智能 (AI) 在眼科领域的整合，特别是通过深度学习系统进行 DR 检测，已显示出令人欣喜的结果。无代码 AI 平台（如 Google AutoML（Google，加利福尼亚州，美国））旨在让没有编程专业知识的用户也能使用，从而使临床医生更容易开发和实施 AI 驱动的诊断工具。本研究探索了将 Google AutoML 应用于菲律宾当地三级医院图像数据集中的 UWF 视网膜图像，以创建和评估用于检测可转诊糖尿病视网膜病变 (refDR) 的机器学习模型。
血浆中的可转座元素签名作为先兆子痫和妊娠并发症的早期预测指标
前启示性（PE）是严重的怀孕并发症，影响了全球5-10％的怀孕，造成14％的孕产妇死亡和重大早产。PE源自胎盘炎症和异常动脉发育，导致胎儿生长限制，胎盘破裂，癫痫发作，器官损伤和长期心血管风险。有效的管理取决于早期检测和及时干预，包括皮质类固醇，以增强胎儿肺成熟度，控制血压的抗高血压和抗惊厥药以防止癫痫发作，使孕产妇健康与最佳时机平衡。TE是人类基因组中丰富的移动DNA序列，可以通过检测其异常活性或表达水平来用于诊断。
水印，可转移的攻击和对抗防御
一个非拟合组织计划开放分类器F，但希望通过将水印直接嵌入模型中来检测其使用。爱丽丝的任务是创建此水印。鲍勃的目的是使F在对手方面稳健，即确保很难找到看起来不奇怪但会导致F犯错误的查询。两个面临挑战：爱丽丝努力创建无法消除的水印，而鲍勃的防御措施变得越来越复杂。他们发现自己的项目已连接。爱丽丝的想法是在F中种植一个后门[1，2]，使她能够用隐藏的扳机来制作查询，该扳机激活后门，导致F错误分类，从而检测到F的使用。鲍勃的方法涉及平滑F以增强鲁棒性，这无意中消除了此类后门[2]。他们意识到自己的挑战是同一枚硬币的两个方面：一项任务的不可能可以保证另一个任务的成功。
5 年可续期及可转换
“可转换”意味着，随着您需求的变化，您可以选择在年满 65 岁之前将您的保单转换为 MBA 终身保单——同样，无需进行体检。在终身保单中，您的保费会累积并产生利息，为您提供宝贵的“储备金”。唯一的要求是新保单的票面金额不能高于您现有保单的票面金额。问我还有什么其他选择？答您可以选择价值 10,000 美元、25,000 美元、50,000 美元、100,000 美元或 150,000 美元的保单。您还可以选择为您的配偶、子女（17 岁或以上）购买保单。您可以根据 MBA 的自动工资扣除计划决定支付保费的频率——每月、每年或每两周一次。问我如何注册？答很简单。只需填写申请表并将其付邮资后邮寄给我们即可。我们会将保单寄到您家。如果您决定不再保留保单，您可以在收到保单后 30 天内将其退回，我们将全额退还您的保费。
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。
使用果蝇种系组织中的长阅读RNA-seq鉴定和定量可转座元件转录本
转座元件（TES）是重复的DNA序列，可能能够在整个基因组中移动。除了它们固有的诱变效果外，TE还可以通过捐赠其内在的调节序列（例如促进细胞基因的异位表达）来破坏附近基因。te转录不仅对于TE换位本身是必需的，而且还可以与Te-Gene Fusion转录本相关，在某些情况下也是普遍转录的产物。因此，正确确定了TE副本的转录状态，是为了理解TE在宿主基因组中的影响。识别和量化TE转录的方法主要依赖于简短的RNA-seq读取以在家庭级别估算TE表达，同时使用特定算法来区分副本特定的转录。但是，将简短的读数分配给其正确的基因组位置，基因组特征并不是微不足道的。在这里，我们检索了果蝇的全长cDNA（远程prime，词汇），并使用牛津纳米孔技术进行了对其进行验证。我们表明，可以使用长阅读RNA-Seq来识别和量化复制级别的转录TE。尤其是，使用长读数比简短读数更好地估计了插入过度插入的注释基因。尽管如此，长TE转录本（> 4.5 KB）并未得到很好的捕获。大多数表达的TE插入对应于失去其转置能力的副本，在家庭中，只有几份副本表示。长阅读测序还允许识别约107个TE副本的剪接转录本。总的来说，睾丸和卵巢之间TE的第一个比较在子类和插入水平上发现其转录景观中的差异。
具有可转让性的有效基于区块链的身份验证方案
在Web应用程序的开发中，互联网技术的快速发展带来了前所未有的机会，并增加了对用户身份验证方案的需求。在区块链技术出现之前，建立两个陌生的实体之间的信任，依靠可信赖的第三方进行身份验证。但是，这种值得信赖的第三方的失败或恶意行为可能破坏此类身份验证方案（例如，单点失败，凭证泄漏）。安全授权系统是用户身份验证方案的另一个要求，因为用户必须授权其他实体在某些情况下代表其行事。如果身份验证许可的转让不足，则可能会发生诸如未经授权转移到实体的安全风险。一些研究提出了基于区块链的分散用户身份验证解决方案，以解决这些风险并提高可用性和可审核性。，众所周知，大多数提出的计划允许用户将身份验证权限转移到其他实体中，需要在智能合约中部署和触发时大量的天然气消耗。为了解决此问题，我们提出了一种仅基于哈希功能的可转让性的身份验证方案。通过将一次性密码与Hashcash相结合，该方案可以限制可以在确保确定性的同时传输权限的次数。此外，由于它仅依赖哈希功能，我们提出的身份验证方案在智能合约中的计算复杂性和气体构成方面具有绝对的优势。此外，我们已经在Goerli测试网络上部署了智能合约，并证明了这种身份验证方案的实用性和效率。
通过预训练对比脑电图文本掩蔽自动编码器的可转移表征增强脑电图到文本解码
从非侵入性脑电图 (EEG) 重建自然语言作为脑机接口 (BCI) 的语言解码技术有着巨大的应用前景。然而，基于 EEG 的语言解码仍处于起步阶段，面临着一些技术问题，例如：1）缺乏能够有效结合跨模态（EEG 和文本之间）自学习与 EEG 特征或文本序列的模态内自重建的混合策略；2）未充分利用大型语言模型 (LLM) 来增强基于 EEG 的语言解码。为了解决上述问题，我们提出了对比 EEG-T 文本询问自动编码器 (CET-MAE)，这是一种新颖的模型，它通过专用的多流编码器在 EEG 和文本之间和内部协调复合自监督学习。此外，我们开发了一个名为 E2T-PTR（使用预训练可迁移表示进行 EEG 到 T 文本解码）的框架，该框架利用预训练模块以及来自 CET-MAE 的 EEG 流，并进一步使 LLM（特别是 BART）能够从 EEG 序列中解码文本。在流行的文本诱发 EEG 数据库 ZuCo 上进行的全面实验证明了 E2T-PTR 的优越性，它在 ROUGE-1 F1 和 BLEU-4 得分上分别比基线框架高出 8.34% 和 32.21%。我们提出的预训练 EEG-Text 模型显示出改善涉及 EEG 和文本的下游任务的潜力。这为其在内部语音 BCI 范式中的应用开辟了有希望的途径，值得进一步研究。
CMIP6偏见的驱动器驱动器。第一部分：北半球 多样性对未来大西洋热带的影响... 北极云对Noresm2气候模型中冰的微物理过程的敏感性 无线电掩盖建模实验（Romex） 季节性气候异常对预期的厄尔尼诺 - 南方振荡（ENSO）的影响如何？ 大平流层水蒸气的长期气候影响 在非沉积层云中控制夹带和液态水对气雾扰动的过程 2022年气候状态：北极-AMS期刊 通过地形PV梯度抑制中尺度涡流混合 气候变化评估的新热应力指数 北大西洋上从海洋到大气的多年代变化：桥梁的扰动势能 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：气候模型代表热带风暴轨迹的能力对于提供有用的预测至关重要。在先前的工作中，发现北半球的热带风暴轨迹的表示已从耦合模型比较项目（CMIP）的第5阶段改善。在这里，我们通过将仅大气模拟（AMIP6）与历史库型模拟（CMIP6）进行了对比，从而研究了CMIP第6阶段模型中的剩余和持久偏差。对AMIP6和CMIP6模拟的比较表明，冬季跨北部Paci -fean的耦合模拟中海面温度（SST）的偏见改变了大气温度梯度，这与风暴轨迹的赤道偏置有关。在北大西洋中，旋风在耦合的模拟中没有足够的杆子传播，该模拟部分是由格陵兰岛南部的冷SST驱动的，从而减少了潜在的热量。在夏季，中亚和藏族高原的过度加热会降低当地的斜压性，导致更少的气旋形成并从中国东部传播到耦合和大气中的模拟物中。当规定SST时，耦合模型中描述的几种偏差大大减少。例如，北极风暴轨迹的赤道偏置显着减少。然而，在CMIP6和AMIP6中，其他偏见都显而易见（例如，夏季东亚的轨道密度密度和循环发生的持续降低）与其他过程有关（例如，土地表面温度）。
评估深度学习模型的可转移性潜力
抽象的气候降低降级，这是从低分辨率模拟中生成高分辨率气候数据的过程，对于理解和适应区域和本地规模的气候变化至关重要。深度学习方法已被证明在解决此问题方面很有用。但是，存在研究通常集中在一个特定任务，位置和变量的培训模型上，因此它们的可推广性和可传递性受到限制。在本文中，我们评估了培训深度学习对多种气候数据集的深度学习模式的效果，以了解更多可靠和可转移的表示形式。我们使用CNN，傅立叶核电运算符（FNOS）和视觉变压器（VIT）评估体系结构零射击传递性的有效性。我们以实质性地评估了降尺度模型的空间，可变和产物的可传递性，以了解这些不同体系结构类型的普遍性。