XiaoMi-AI文件搜索系统
World File Search System多任
低压精度计时，多任务有效载荷
CACI在低尺寸，重量和功率（交换）精度的双向时间传输（TWTT）和振荡器建模方面的进步提供了小平台同步的飞跃。以前需要昂贵频率参考或接受相干性能的妥协的应用程序现在可以通过该技术结合实验室级的时机和长期频率稳定性。我们在多个传输物理层上支持了我们专有处理和时钟专业知识的组合，包括使用软件定义的无线电（SDR）的截距/检测（LPI/D）射频（RF）波形的低概率。该解决方案对振荡器技术不可知，可以缩放以支持多时钟合奏。
CETP和SGLT2抑制剂联合疗法改善血糖控制 新诊断为癌症儿童的生长分化因子15（GDF15）升高 与急性胰腺炎及其机制有关的糖尿病的招募和保留策略（梦）研究：急性胰腺炎联盟（T1DAPC）中的1型糖尿病 可穿戴技术如何促进外科视频的AI分析 大麻使用和发育的大脑 高级心力衰竭分配中的多组分实施策略的试点测试 多任务深度自动编码器，可以在外周血中使用时间DNA甲基化数据来预测阿尔茨海默氏病的进展 遗传学和精确基因组学方法肺高血压 f -IU印第安纳波利斯学者 挥发性有机化合物评估是筛查工具，用于早期检测胃肠道疾病 可溶性α-klotho和肝素调节成纤维细胞生长因子23在慢性肾脏疾病中的病理心脏作用 经济低迷对国家预算的影响：A ... 抑郁症的功能连接组学：疗法的见解 和心脏后移植：小儿的报告 口服耐受性在基因治疗中的潜在作用 在人类实验室酒精研究中注入或摄取
。cc-by 4.0国际许可证是根据作者/资助者提供的，他已授予MedRxiv的许可证，以永久显示预印本。（未通过同行评审认证）
多任务记忆电容网络 - PDXScholar
摘要 — 最近的研究表明，记忆电容设备网络为储存器计算系统提供了低功耗的理想计算平台。随机、交叉或小世界幂律 (SWPL) 结构是储存器基底计算单个任务的常见拓扑结构。然而，神经学研究表明，与不同功能相关的皮层大脑区域互连形成富俱乐部结构。这种结构允许人类大脑同时执行多项活动。到目前为止，记忆电容储存器只能执行单一任务。在这里，我们首次提出了集群网络作为记忆电容储存器同时执行多项任务。我们的结果表明，在三个任务上，集群网络分别比交叉和 SWPL 网络高出 4.1 × 、5.2 × 和 1.7 × 倍：孤立口语数字、MNIST 和 CIFAR-10。与我们之前和已发表结果中的单任务网络相比，多任务集群网络可以实现类似的准确率，分别为 MNIST、孤立口语数字和 CIFAR-10 的 86%、94.4% 和 27.9%。我们的扩展模拟表明，输入信号幅度和集群间连接都会影响集群网络的准确性。选择信号幅度和集群间链接的最佳值是获得高分类准确率和低功耗的关键。我们的结果说明了记忆电容式大脑启发集群网络的前景及其同时解决多项任务的能力。这种新颖的计算架构有可能使边缘应用程序更高效，并允许无法重新配置的系统解决多项任务。
监视雷达 多模式多任务雷达
PicoSAR 提供高分辨率合成孔径雷达 (SAR) 成像和地面移动目标指示 (GMTI) 功能，使新旧平台能够轻松获得真正的全天候地面测绘和监视能力。其体积小、重量轻、功耗低，即使在有效载荷有限的平台上也可以与电光/红外传感器并行安装。
应用多任务转移学习：EA和优化子带正规CSP与具有小数据集的8通道EEG信号的组合
脑部计算机界面（BCI）技术提供了一种不依赖外围神经和肌肉的交流方式（Wolpaw等，2000）。全面的BCI系统涉及预处理，特征提取，信号分类和控制。这是一种直接将神经功能转化为外部产出的技术（Ramadan和Vasilakos，2017年）。最常用的脑电图（EEG）信号是事件相关的P300信号（Allison等，2020），稳态视觉引起的电势（Liavas等，1998）和运动成像（MI）信号（Pfurtscheller等人，1997年）。运动图像的最显着优势是其控制信号源自大脑的行动意图，因此不需要外部刺激（Abdulkader等，2015）。这种类型的BCI通常用于外部设备的运动控制，是当今最流行的BCI控制系统之一。但是，运动成像自发脑电图信号的信号噪声比率很低，并且受试者之间的特征有显着的单个差异。通常需要对传统的机器学习算法进行校准，以克服受试者之间的个体差异（Böttger等，2002; Saha等，2017），这一过程降低了BCI系统的效率。为了解决这一缺点，研究人员发现，使用转移学习算法来减少新用户，设备和任务的校准是有效的。近年来，转移学习使用了来自源域中的数据或信息，以帮助目标域通过使用源域（现有主题）数据来校准目标域（新主题）数据（Pan and Yang，2009）。最终，可以用带注释的几个或没有样本来判断目标域，这可以解决训练数据的基本分布与在某些条件下的测试数据之间的不匹配问题。
基于多任务学习的锂离子电池的多国家在线估计
摘要：基于深度学习的状态估计锂电池广泛用于电池配件系统（BMS）设计。但是，由于板载计算资源的限制，多个单州估计模型更难在实践中部署。因此，本文提出了一个多任务学习网络（MTL），将多层特征提取结构与分离的专家层相结合，用于联合估算液管电池的电荷状态（SOC）和能源状态（SOE）。MTL使用多层网络来提取功能，将任务共享与任务特定参数分开。基础LSTM最初提取时间序列特征。由任务特定和共享专家组成的分离的专家层提取了特定于多个任务的不同任务和共享功能的特征。不同专家提取的信息通过门结构融合。任务是根据特定和共享信息处理的。通过彼此共享学习知识，对多个任务进行了同时培训以提高性能。SOC和SOE在松下数据集上进行了估算，并在LG数据集上测试了该模型的泛化性能。这两个任务的平均绝对误差（MAE）值为1.01％和0.59％，均方根误差（RMSE）值分别为1.29％和0.77％。对于SOE估计任务，与单任务学习模型相比，MAE和RMSE值分别降低了0.096％和0.087％。结果显示了该方法的有效性和优势。与其他多任务学习模型相比，MAE和RMSE值的MTL模型分别降低了高达0.818％和0.938％。与单任务学习模型相比，对于SOC估计任务，MAE和RMSE值分别降低了0.051％和0.078％。MTL模型还胜过其他多任务学习模型，在MAE和RMSE值中分别达到高达0.398％和0.578％的降低。在模拟在线预测的过程中，MTL模型消耗了4.93毫秒，这比多个单任务学习模型的组合时间少，几乎与其他多任务学习模型相同。
多任务自适应池化使低分辨率表观转录组中跨组织、类型和物种的 RNA 修饰协同学习成为可能
宋逸游毕业于西交利物浦大学，获理学学士学位，现为利物浦大学计算机系博士生，研究方向为生物信息学和深度学习。王悦毕业于西交利物浦大学，获理学学士学位，现为利物浦大学计算机系博士生，研究方向为生物信息学、生物统计学和数据挖掘。王宣毕业于西交利物浦大学，获理学学士学位，现为西交利物浦大学生物科学系硕士生，研究方向为生物信息学和数据库。黄岱云毕业于利物浦大学，获博士学位，现为西交利物浦大学药学院研究助理，研究方向为深度学习、生物信息学和计算生物学。阮安是利物浦大学计算机科学系助理教授。他的研究领域为医学成像、医疗机器人和深度学习。孟佳是西交利物浦大学生物科学系的教授。他的工作重点是表观转录组、生物信息学和计算生物学。
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PMU测量和多任务学习
相量测量单元和机器学习算法的总用法为开发基于响应的宽区域系统完整性保护方案提供了针对电源系统中短暂不稳定性的机会。但是，文献中通常只预测瞬态稳定性状态，这不足以实时决策以基于响应的紧急控制。在本文中，提出了一种综合方法。首先提出了基于GRU的预测指标，以用于扰动后触及瞬态稳定性预测。在此基础上，提出了一个多任务学习框架，以识别不稳定的机器以及对生成脱落的估计。对IEEE 39总线系统的案例研究表明，除了瞬态稳定性预测的基本任务外，提出的基于GRU的多任务预测器可以正确预测不稳定机器的分组。此外，根据估计的发电量，生成的补救控制动作可以保留电力系统的同步。
