XiaoMi-AI文件搜索系统
World File Search System可重复性
不良贷款报告 CMMT(A)7
在所有情况下，聚合物熔体的剪切粘度均随给定剪切速率下的压力呈指数增加。图的截距表明，在每个剪切速率下，粘度随压力的变化呈系统性变化。图的斜率在 2000C 时介于 0.004 和 0.010 s 之间，在 180°C 时介于 0.005 和 0.011 s 之间。实验结果表明，与大气压相比，在 70 MPa 的压力下，聚苯乙烯的粘度增加到 200-300o/~。当外推到 125 MPa 时，这与已发表的研究结果非常吻合。结果表明，在 200°C 下，剪切速率为 500-1000 Sl，结果的可重复性在 1.:36% 以内（置信度为 95%）；在 180°C 下，常见剪切速率为 1000 Sl，结果的可重复性在 1.:20% 以内（置信度为 95%）。
环境建模和软件
环境科学和地球观察的一个长期目标是使创建语义互连的数据和模型的“模型网”。地理空间模型通常在网络上公开，作为通过异质界面访问的服务。但是，代表称为Model-As-a-Service（MAAS）的范式的实例的此类服务，无法轻易地利用超出其最初使用的服务提供商所定义的。为了克服这一重要限制，并更好地支持透明度，可重复性，可复制性和可重复性（遵循开放科学范式），我们研究了采用模型 - 资源（MAAR）方法，其中模型被认为是一种通用数字资源，因此可以在不同的潜在用途情况下扮演不同的角色。所提出的MAAR框架可以在实现产生环境知识的数字生态系统的实现中发挥重要作用。手稿中讨论了主要的挑战和机遇。
台式：基准测试多代理增强学习
多代理增强学习（MARL）的领域目前正面临可重复性危机。虽然已经提出了用于解决该问题的标准化报告解决方案，但我们仍然缺乏一个实现标准化和可重复性的基准测试工具，同时利用尖端的增强学习（RL）实现。在本文中，我们介绍了台式，这是第一个MARL培训库创建的，目的是在不同的算法，模型和环境中启用标准化的基准测试。Benchmarl使用Torchrl作为后端，授予其高性能，并保持最新的信息，同时解决Marl Pytorch用户的广泛社区。其设计启用系统的配置和报告，从而使用户可以通过简单的单行输入创建和运行com-plex基准测试。Benchmarl在github上开源：https：//github.com/facebookresearch/benchmarl。
机器学习任务中的三路决定
摘要在本文中，我们调查了三向决策理论（TWD）在机器学习（ML）中的应用，尤其是四个任务：弱监督的学习和多源数据管理，缺少数据管理，分类中的不确定性量化以及在聚类中的不确定性量化。对于这四个任务中的每项任务，我们都会提出对文献进行系统综述的结果，通过该结果，我们报告了当前最新状态的主要特征，以及文献中报告和可重复性水平的质量。为此，我们讨论了审查文章中发现的主要好处，局限性和问题，并给出了质量改进的明确指示和指示，这些指示和指示通过验证，报告和可重复性标准，准则和最佳实践，这些标准，指南和最佳实践最近出现在ML领域。最后，我们讨论了关于TWD的未来研究的更有前途和相关的方向。
验证和可重现性心血管预防的短食频率问卷
françoisPaillard，OphélieFlageul，GuillaumeMahé，Bruno Laviolle，Caroline Dourmap和Al ..用于预防心血管的短频率调查表的有效和可重复性。心血管疾病的档案，2021，114（8-9），pp.570-576。10.1016/j.acvd.2020.12.008。hal-03222665
蚂蚁
4 我们在 R 中使用了随机森林包，并采用了默认的超参数值。5 在这里，数据选择由用于评估性能的相同标准驱动。具体来说，Deep-SCAN 网络训练利用 FreeSurfer 脑分割结果。厚度与分割高度相关，而分割在相关软件包之间具有特征性差异。然后通过确定与 FreeSurfer 厚度值的相关性来评估与 ANTs 厚度（不使用 FreeSurfer 进行训练）的相对性能。几乎同样成问题的是他们使用可重复性（他们令人困惑地将其标记为“稳健性”）作为额外的排名标准。可重复性评估应在偏差-方差权衡等考虑因素的背景下进行，并使用相关指标进行量化，例如考虑观察者间和观察者内变异性的类内相关系数。6 https://bicr-resource.atr.jp/srpbs1600/
半...
在偏远社区中，诊断G6PD缺乏症是具有挑战性的。我们评估了改进的测试程序的影响和延迟的测试诊断标准G6PD（SDBIOSENSOR，ROK）的影响，并评估了建议的临界值。我们测试了指纹（标准方法）和微晶剂（BD，美国；方法1），来自真空吸水剂的静脉血（BD，USA；方法2），不同的样品申请方法（方法3）和使用的微夹，而不是测试的单使用移液器（方法4）。通过比较配对度量之间的中位差异来评估可重复性。在实验室条件下对三名志愿者进行了20次测试。在印度尼西亚和尼泊尔测试了具有最佳重复性的标准方法和方法。在印度尼西亚，两种方法都以两种方式对60名参与者进行了测试，在尼泊尔120位参与者中，通过这两种方法都以两种方式进行了测试。生物传感器标准方法读数的调整后的男性中位数（AMM）定义为100％活性。在印度尼西亚，比较了标准方法和修改方法的配对读数之间的差异，以评估延迟测试的影响。在试点研究中的可重复性并没有显着差异（p = 0.381）；方法3显示最低的变异性。一个尼泊尔参与者的活动<30％，一名印尼和10名尼泊尔参与者具有中间活动（30％至<70％的活动）。与标准方法相比，延迟5小时后，通过方法3进行的G6PD测量值为0.4U/GHB（IQR：-0.2至0.7，P = 0.005）。我们无法提高可重复性。可重复性在印度尼西亚没有显着差异（标准：0.2U/GHB [IQR：0.1-0.4];方法3：0.3U/GHB [IQR：0.1-0.5]; P = 0.425）或NEPAL（标准：0.4U/GHB [0.4U/GHB [IQR：0.2-0.6]; 0.2-0.6];方法3：0.3.3：0.3：0.3：0.B [iq]; p [iq]; 0.330）。通过标准方法对100％活动的定义与制造商推荐的截止值匹配70％的活动。最多5小时的延迟并未导致
FactSheet抗病毒药物发现
使用特定的MAO-B抑制剂Selegiline和非特异性抑制剂tranylcypromine对MAO-B抑制作用的可重复性。使用HMAO-B表达的酶和Kynuramine作为底物研究了每个抑制剂。误差线代表IC 50确定的标准误差。
惊喜的火花：多样性，新颖性和偶然性的层次决策变压器的多目标建议
摘要：对晶体材料的化学空间，尤其是金属 - 有机框架（MOF）的实验探索，需要对大量反应的多组分控制，这是不可避免地会在手动执行时耗时和劳动力。为了在保持高可重复性的同时加速物料发现速率，我们开发了一种与机器人合成平台集成的机器学习算法，用于闭环探索多氧盐损坏金属金属 - 有机框架（POMOFS）的化学空间。通过使用从不确定性反馈实验获得的更新数据和基于其化学构成的POMOF分类的多类分类扩展，通过使用更新数据来优化极端梯度提升（XGBoost）模型。POMOF的机器人合成的数字签名由通用化学描述语言（χDL）表示，以精确记录合成步骤并增强可重复性。九种新颖的Pomofs，其中包括具有良好的可重复性的POM胺衍生物与各种醛的硫胺衍生物的胰岛化反应，这些pomofs具有源自单个配体的混合配体。此外，根据XGBoost模型绘制了化学空间图，其F1得分高于0.8。此外，合成的Pomofs的电化学性质表明，与分子POMS相比，较高的电子转移和Zn比率的直接效应，所使用的配体的类型以及POMOFS中的拓扑结构用于调节电子传递能力。■简介
RMH200SOLID DNA NGS面板旨在覆盖基因...
RMH200SOLID DNA NGS面板旨在涵盖NHSE测试目录中所需的基因和临床专家确定的其他靶标。RMH200SOLID面板覆盖了233个蛋白质编码基因的区域，TERT的启动子和5个用于拷贝数的基因。它还包括用于检测放大和缺失焦点的拷贝数探针，以及均匀分布的SNP探针，以帮助检测大型染色体增益/损失。也有20个用于质量控制目的的SNP。ngs文库是由从FFPE或FF肿瘤组织和血液中提取的DNA产生的。然后将这些库与寡核苷酸捕获面板杂交。杂交后，除去了非目标区域，并使用Illumina技术对剩余的库样品进行放大和测序。序列读取与人类基因组对齐（GRCH37）。体细胞单核苷酸变体（SNV）和结构变体（SVS）使用分子诊断信息管理系统v4.0来调用，该系统使用Illumina的Dragen v3.10和拷贝数变体（CNV）使用内部的生物信息信息素质工作流来调用。整体性能该面板在运行中表现出一致的性能和可重复性。对于复杂的结构变体，我们建议通过正交方法进行验证测试。CNV分析使用内部开发的呼叫者来调用肿瘤含量> 20％的样品中的焦点和全基因组拷贝数的收益和损失。可重复性SNV：> 99.5％[95％CI：99.4％-99.5％]可重复性Indel：> 95.0％[95％CI：93.7％-96.3％]可重复性SNV：> 99.6％[95％CI：99.6％-99.6％-99.7％]重复性INDEL：97％5％。 The sensitivity, specificity and accuracy of the panel is: Sensitivity of cancer small variant detection=> 99.20% [95%CI: 97.92%-99.6%] Specificity of cancer small variant detection=> 99.99% [95%CI 99.98-99.99%] Accuracy of cancer small variant detection=> 100% [95%CI: 94.08%-100%] Structural variant对ALK（融合）的敏感性为73％（如果> 5％变体等位基因频率）验证了分析。