XiaoMi-AI文件搜索系统
World File Search System多任务
多任务稀疏典型相关分析及其在多模态脑成像遗传学中的应用
脑成像遗传学是脑科学中一个新兴的重要课题，它整合了遗传因素和神经影像表型测量。这种结合不同遗传和基因组数据的整合研究有望揭示大脑结构和功能的遗传基础，并进一步为解释遗传变异与阿尔茨海默病 (AD) 等脑部疾病之间的因果关系提供新的机会 [1]，[2]。现代神经影像技术，如磁共振成像 (MRI) 和正电子发射断层扫描 (PET)，基于不同的技术对大脑的形态和代谢过程进行成像，并从不同角度生成描述大脑的不同图像数据。这些多模态图像数据提供了互补的信息，并已被证明可以提供对大脑结构、功能和脑部疾病的全面理解 [3]。此外，在生物医学研究中，我们通常会面临大量的基因分型生物标记，例如单核苷酸多态性 (SNP)，它是全基因组关联研究 (GWAS) 中的一种高分辨率标记。因此，开发面向GWAS、快速高效、同时整合多模态成像数据的成像遗传学方法具有重要的意义和意义。
大学课堂中媒体多任务处理的行为经济需求分析：集群分析
Marshall Digital Scholar的心理学将为您提供免费和公开访问。它已被马歇尔数字学者的授权管理员所接受，以纳入心理学教师研究。有关更多信息，请联系zhangj@marshall.edu，beachgr@marshall.edu。
基于模型的强化学习代理中的知识转移，用于有效的多任务学习
我们为基于模型的强化学习提出了一种有效的知识转移方法，以应对在资源约束环境中部署大世界模型的挑战。我们的方法将高容量的多任务代理（3.17亿参数）提炼成紧凑的1M参数模型，从而在MT30基准测试中实现了最先进的性能，其归一化分数为28.45，比原始1M参数模型的18.93分数进行了实质性改进。这证明了我们的分解技术有效合并复杂多任务知识的能力。此外，我们还采用FP16训练后量化，在保持性能的同时将模型大小降低了50％。我们的工作弥合了大型模型和实际部署约束之间的差距，为机器人技术和其他资源有限的域中提供了可扩展的解决方案，可用于效率且可访问的多任务增强学习。
在多任务众包系统中以同意驱动的数据重复使用：by-design解决方案
移动人群允许在时间和空间上收集大量数据，以养活我们的环境知识，并将这些知识与用户行为联系起来。但是，移动人群面临的一个重大挑战是保证为贡献用户保存隐私。众包系统中的隐私保存导致了两种主要方法，有时是合并的，分别是为了换取奖励的隐私，并利用了增强隐私的技术'''匿名化数据'。尽管相关，但我们声称这些方法不能充分考虑到用户对所提供数据的使用的容忍度，以便人群系统保证用户保证用户的预期机密水平，并促进了对不同任务的人群的使用。为此，我们利用了completeness属性，该属性可确保所提供的数据可用于所有者同意的所有任务，只要它们与其他来源进行分析，并且由于用户对用户的相关贡献而没有违反隐私的侵犯，并且更加严格的隐私要求。因此，挑战是要在分析数据时确保completentions在允许数据中用于尽可能多的任务，并促进所得知识的准确性。这是通过对数据分布敏感的聚类算法来实现的，该算法优化了数据重用和实用程序。使用SGX飞地的原型实现进一步允许运行实验，以表明我们的系统会导致合理的性能开销，同时为恶意对手提供强大的安全性。尽管如此，即使在有恶意的对手能够在服务器端起作用的恶意对手，我们至关重要的是，我们为此引入了by-design-by-design架构利用可信赖的执行环境。©2022 Elsevier B.V.保留所有权利。
多任务 CNN 用于 3D 胎儿脑超声中的结构语义分割
摘要：胎儿大脑在整个怀孕期间都会经历广泛的形态变化，这可以在超声采集中直观地看到。我们探索使用卷积神经网络 (CNN) 在 3D 超声图像中分割多个胎儿大脑结构。胎儿超声图像中大脑结构的准确自动分割可以跟踪整个妊娠期的大脑发育，并提供有用的信息，帮助预测胎儿的健康结果。我们提出了一种多任务 CNN，用于根据图谱生成的白质、丘脑、脑干和小脑标签自动进行分割。在 480 个体积上训练的网络在 48 个测试体积上产生了准确的 3D 分割，白质的 Dice 系数为 0.93，丘脑、脑干和小脑的分割超过 0.77。
飞行员的自动凝视分类：使用多任务卷积网络作为飞行教练观察的代理
让飞行员在模拟器中与附近的教练一起进行模拟飞行任务。在评估这些飞行员的表现时，飞行教练依靠观察和事后评估。扫描模式是飞行教练背景的重要方面，是基本飞行的基础。例如，学生可能会扫描得太快、遗漏或注视 - 这些是扫描地平线和交叉检查仪器时常见的错误（美国空军 [USAF]，2019 年）。据传，飞行教练经常提到头部和眼球运动对于判断学生意图和态势感知至关重要。带有嵌入式眼动追踪的基于虚拟现实的训练环境可以自动化并为教练观察的某些方面提供更多背景信息，并可能加快学习过程。在这项研究中，我们评估了如何使用眼动追踪（结合机器学习）客观地评估飞行员在训练期间的扫描模式，这可能会减少教练的整体工作量。因此，两个关键的研究问题是：
通过联合多任务稀疏规范相关分析和分类来识别诊断特异性基因型 - 表型关联
摘要：基因疗法在与年龄相关的黄斑变性（AMD），糖尿病性视网膜病（DR）和糖尿病性黄斑水肿（DME）的治疗领域中有望成为一种变革性方法，旨在应对频繁的频繁发生的抗血管内血管内膜生长因子（VEGF）的挑战。本手稿评论了这些疾病的持续基因治疗临床试验，包括ABBV-RGX-314，ixoberogene Soroparvovec（IXO-VEC）和4D-150。ABBV-RGX-314利用腺相关病毒（AAV）载体来提供编码ranibizumab样抗VEGF抗体抗体片段的转基因，在1/2A和正在进行的阶段2B/3试验中表现出令人鼓舞的结果。IXO-VEC使用AAV2.7M8 CAPSID用于玻璃体内递送的转基因表达Aflibercept，在第1阶段和正在进行的2阶段试验中表现出令人鼓舞的结果。4d-150利用进化的载体表达Aflibercept和VEGF-C抑制性RNAi，在1/2阶段的研究中表现出阳性的临时结果。审查的其他疗法包括EXG102-031，FT-003，KH631，OLX10212，JNJ-1887，4D-175和OCU410。这些疗法提供了降低的治疗频率和增强安全概况的潜在优势，这代表了管理范式向耐用和有效的基于细胞的生物效果的范式。基因疗法中的这些进步有望改善AMD的结果并应对DME和DR的复杂挑战，从而为治疗糖尿病眼病提供了新的途径。
通过多任务学习跨工程机队的知识转移的等级贝叶斯建模
摘要 - 我们提出并在实验上基于双波长DFB激光器，基于四个相移的Moiré光栅（4PS-SMG）。通过在山脊波导的每一侧设计4PS光栅，在腔内的两侧进行了等效的引入，从而实现了两种π相移，从而使设备能够展示双波长激光。山脊波导每一侧的4PS-SMG的采样周期分别为4668 nm和4609 nm。可以通过电子束光刻（EBL）以高质量实现采样周期的59 nm差异。此外，侧壁光栅结构只需要一个暴露才能定义山脊波导和光栅，从而避免了与光栅和山脊波导之间的未对准有关的问题。将电流注入130 mA至210 mA范围内的DFB激光器时，该设备会提供出色的双波长性能，其功率差在两种主要模式之间的功率差不到2 dB。该设备在39.4 GHz处提供高质量的射频（RF）信号，狭窄的线宽约为5.0 MHz。索引项 - 毫米波，双波长DFB激光器，DFB半导体激光器，采样Moiré光栅。
个性化的联邦超级核武器，用于微电网能量需求响应中的多任务增强学习
随着传感器的遍布建筑环境，它们助长了数据驱动的模型的进步，这些模型有望提高微电网管理的效率。但是，这引起了人们对数据隐私和数据所有权的关注。联邦学习的范式已经出现在有监督的学习中以解决这些问题，但是在联合RL方面的工作相对较少，并且专注于培训全球模型，这些模型没有考虑到来自不同微电网的数据的异质性。我们开发了个人联邦超级核武器（PFH）的首次应用于增强学习（RL）。然后，我们提出了PFH对几个射击传输的新应用，并显示了学习的显着初始增加。pfh从未在监督学习基准之外展示过，因此我们将PFH应用于重要领域：RL价格设定以进行能源需求响应。我们考虑了一个跨多个微电网分配给代理的一般情况，其中必须将能量消耗数据保存在每个微电网中。to-cesther，我们的工作探讨了个性化联合学习和RL的领域如何融合在一起，以使多个任务的学习有效，同时避免需要集中的数据存储。
镜子u-net：将多模式裂变与多任务学习嫁给医学成像中的语义分割
正电子发射断层扫描（PET）和计算的刻录术（CT）通常共同用于检测肿瘤。PET/CT分割模型可以自动化肿瘤的描述，但是，当前的多模式模型不能完全阐明每种模式中的互补信息，因为它们要么串联PET和CT数据，要么在决策水平上融合它们。为了对抗这一点，我们提出了镜像u-net，它通过将多模式表示形式分配到模态特异性的解码器分支和辅助多模态解码器中，以多模态化的方式代替了传统的融合方法。在这些分支上，镜像u-net标志着一个针对每种模式量身定制的任务，以增强单峰特征，同时保留共享表示中的多模式特征。与以前的方法相比使用了其他方法或多任务学习，Mirror U-net将两个范式结合在一个统一的框架中。我们探索各种任务组合，并检查在模型中共享的哪些参数。我们在Autopet PET/CT和多模式MSD Braintumor数据集上评估了Mirror U-NET，证明了其在多模式分段中的有效性并在两个数据集中实现了先进的性能。代码：https：//github.com/zrrrrr1997/ autopet_challenge_mirrorunet