XiaoMi-AI文件搜索系统
World File Search System定量比较
一种新型临床前二级药理学资源阐明了上市药物的靶点-药物不良反应关联
图 1. 安全药理学结果与基于文献的资源。A) SPD 的 AC50 值按 AC50 范围分布，其中高活性结果表示为 AC50 < 0.1 µM，非活性结果表示为 AC50 ≥ 10 µM。药物测定对与包含从生物医学文献中整理的结果的资源交叉引用：DrugCentral AC50 < 10 µM（蓝色）、ChEMBL AC50 < 10 µM（红色）、订阅资源 AC50 < 10 µM（黄色），或 ChEMBL 或订阅资源中单一浓度活性 > 50%（绿色）。资源按层次标记，即 DrugCentral 中报告的活性大多可在 ChEMBL 和其他资源中找到。B) 5106 个药物测定对的中位 ChEMBL 与 SPD AC50 值的定性比较；带有 AC50 限定符 '>'（AC50 大于测试的最大浓度）的 SPD 结果显示为 ≥ 10 µM；C）对 2700 个药物测定对的 ChEMBL 中值与 SPD AC50 值进行定量比较，其中 SPD AC50 限定符为 '='（即可测量活性）；Pearson R 2 = 0.48。
physgen：刚体物理的图像与视频生成
摘要。我们提出了一种新颖的图像到视频生成方法，该方法将转换单个图像和输入条件（例如，将力和扭矩应用于图像中的对象），以产生一种现实，物理上合理的和时间一致的视频。我们的关键见解是将基于模型的物理仿真与数据驱动的视频通用过程集成，从而实现了合理的图像空间动力学。我们系统的核心是三个核心组成部分：（i）有效捕获图像的几何形状，材料和物理参数的图像理解模块； （ii）使用刚体物理和推断参数来模拟实体行为的图像空间动力学模拟模型； （iii）基于图像的渲染和完善模块，利用生成视频扩散来产生具有模拟运动的逼真的视频镜头。由此产生的视频在物理和外观上都是实现的，甚至是可控制的，从而通过定量比较和全面的用户研究来表现出优于现有数据驱动的图像到视频的效果。Physgen的结果视频可用于各种下游
meti：通过整合细胞形态和空间转录组学的深度分析肿瘤生态系统
空间转录组学（ST）技术的最新进展为肿瘤微环境（TME）内细胞相互作用提供了宝贵的见解。但是，大多数分析工具都缺乏对组织学特征的考虑，并且依赖于匹配的单细胞RNA测序数据，从而限制了它们在TME研究中的有效性。为了解决这个问题，我们介绍了形态增强的空间转录组分析集成仪（Meti），这是一个端到端框架，绘制癌细胞和TME成分，层状细胞类型和状态，并分析细胞的共同定位。通过整合空间转录组学，细胞形态和策划的基因特征，可以增强我们对组织内部骨骼景观和细胞相互作用的理解。我们评估了从各种肿瘤组织产生的ST数据（包括胃，肺和膀胱癌）以及前态组织中产生的ST数据的性能。我们还对现有的聚类和细胞反卷积工具进行了定量比较，证明了Meti的稳健性和一致的性能。
媒体，流和地点
我们为在工人合作社中进行生产的动态经济发展并形式化了一个平衡概念。该概念排除了工人对合作社的分配，其中一个合作社的工人可以转移到不同的合作社，并使自己和现有的合作社中的现有工人都更好。它还排除了分配，其中其他一些工人离开的工人将使合作社的工人更好地做出分配。我们还提供了最小信息均衡选择标准，该标准可以运行我们的均衡概念。我们说明了我们的概念和操作的应用，在与特定的偏好和技术的重叠后代经济的背景下。合作经济遵循的动态路径在与道路之后的道路上相似，其次是资本主义经济，其逐渐收敛到具有恒定产出的稳定状态。量化的合作经济具有静态的不可能，因为对于给定的总资本库存，企业规模小于社会计划者所选择的企业。另一方面，合作经济可能不会动态地有效，并且可以以高于或低于资本主义经济的速度积累资本。我们还提出了一种说明性的校准，该校准可以定量比较合作社和资本主义经济中的稳态收入。
合作经济中的经济增长
我们为动态经济制定并形式化了一种均衡概念，其中生产在工人合作社中进行。该概念排除了将工人分配到合作社的可能性，即一个合作社的工人可以转到另一个合作社，从而使自己和接收合作社的现有工人都受益。它还排除了这样一种分配，即合作社中的一些工人离开会使其他工人受益。我们还提供了一个最小信息均衡选择标准，以完善我们的均衡概念。我们在具有特定偏好和技术的重叠代际经济背景下说明了我们的概念和完善的应用。合作经济遵循的动态路径在性质上类似于资本主义经济遵循的路径，其特点是逐渐收敛到稳定状态，产量保持不变。然而，合作经济具有静态低效率，即对于给定的总资本存量，企业规模小于社会规划者选择的规模。另一方面，合作经济不可能动态低效，资本积累速度可能高于或低于资本主义经济。因此，合作经济中每个工人的稳定收入可能更高或更低。我们还提供了一个说明性校准，定量比较了合作经济和资本主义经济中的稳定收入和福利。
基于U-NET的模型，用于最佳MR脑图像分割
摘要：MRIS的脑肿瘤分割一直是放射科医生的一项艰巨任务，因此，需要自动和广义的系统来解决此任务。在医学成像中使用的所有其他深度学习技术中，基于U-NET的变体是文献中最常用的模型，可针对不同的方式分割医学图像。因此，本文的目的是研究U-NET体系结构中的众多进步和创新，以及最近的趋势，目的是强调使用U-NET的持续潜力用于改善脑肿瘤分割的性能。此外，我们还提供了不同U-NET体系结构的定量比较，以从优化的角度突出该网络的性能和演变。除此之外，我们还尝试了四个U-NET体系结构（3D U-NET，COATION U-NET，R2 COATION U-NET和修改3D U-NET），用于Brats 2020数据集，以供脑肿瘤细分，以更好地概述该体系结构在DICE SCORE和HAUSDORFF距离上的概述。最后，我们分析了医学图像分析的局限性和挑战，以提供有关在优化方面开发新体系结构的重要性的批判性讨论。
多体基接地状态的数字量子模拟的加速算法
新兴量子模拟器的关键应用之一是效仿多体系统的基础状态，因为它对从浓缩物理学到材料科学的各种领域都引起了极大的兴趣。的传统被提议慢慢地进化为以其基础状态初始化的简单的哈密顿量，以使人们的利益状态成为所需的基础状态。最近，在量子模拟器中还提出了变异方法，以模拟多体系统的基础状态。在这里，我们首先提供了绝热和变量方法与数字量子模拟器上所需的Quantum资源之间的定量比较，即电路的深度和两倍量子量子门的数字。我们的结果表明，对于这些资源，各变化方法的要求较小。但是，它们需要与经典优化杂交，该优化可以缓慢收敛。因此，作为论文的第二个结果，我们提供了两种不同的方法，可以通过对变异电路的参数进行良好的初始猜测来加速经典优化器的收敛性。我们表明，这些方法适用于广泛的哈密顿量，并在优化过程中提供了显着的改进。
“最好是计算机，否则我就是笨蛋”：对人类作为音频 Deepfake 检测器的大规模评估
音频深度伪造对我们日常交流中的信任构成了日益严重的威胁。为此，研究界开发了各种各样的检测技术，旨在防止此类攻击欺骗用户。不幸的是，这些防御措施的创建通常忽略了系统中最重要的元素——用户自己。因此，尚不清楚当前的机制是增强、阻碍还是仅仅与人类对深度伪造的分类相矛盾。在本文中，我们进行了首次大规模的深度伪造检测用户研究。我们招募了 1,200 多名用户，并向他们展示了来自三个被引用最多的深度伪造数据集的样本。然后，我们定量比较性能并定性进行主题分析，以激发和理解用户决策背后的原因以及与机器分类的差异。我们的结果表明，用户正确分类人类音频的比率明显高于机器学习模型，并且在进行分类时依赖语言特征和直觉。然而，用户也经常被对生成音频能力的先入之见所误导（例如，口音和背景声音代表人类）。最后，机器学习模型的缺陷在于
提高机载激光雷达点云自动重建三维复杂建筑物模型的精度
摘要：由于各种 3D 空间数据应用对数据量和质量的要求很高，需要自动化、高效和可靠的数据采集和预处理方法。使用摄影测量技术以及光检测和测距 (LiDAR) 自动扫描仪是其中很有吸引力的解决方案。然而，测量数据是以无序点云的形式出现的，通常需要转换为基于多边形或多面体表面的高阶 3D 模型，这不是一个简单的过程。该研究提出了一种新开发的算法，用于校正来自机载 LiDAR 对规则 3D 建筑物的测量的 3D 点云数据。所提出的方法假设在应用规则的泊松曲面重建方法之前应用一系列导致 3D 光栅化的操作，即创建和处理对象的 3D 规则网格表示。为了验证重建对象的准确性和质量，以便与获得的 3D 模型进行定量比较，使用了高质量的地面真实模型，其形式是通过摄影测量构建的网格，并使用建筑物建筑平面图手动制作。所呈现的结果表明，应用所提出的算法对结果的质量有积极影响，并且可以与现有的表面重建方法结合使用，以便从 LiDAR 扫描生成更详细的 3D 模型。
双引导脑扩散模型：从人类视觉刺激 fMRI 进行自然图像重建
摘要：从记录大脑活动的 fMRI 信号中重建视觉刺激是一项具有挑战性的任务，在神经科学和机器学习领域具有重要的研究价值。先前的研究倾向于强调重建刺激图像的像素级特征（轮廓、颜色等）或语义特征（对象类别），但通常这些属性不会一起重建。在这种情况下，我们介绍了一种新颖的三阶段视觉重建方法，称为双引导脑扩散模型 (DBDM)。首先，我们使用非常深的变分自动编码器 (VDVAE) 从 fMRI 数据中重建粗略图像，捕捉原始图像的底层细节。随后，使用引导语言图像预训练 (BLIP) 模型为每个图像提供语义注释。最后，利用多功能扩散 (VD) 模型的图像到图像生成管道从由视觉和语义信息引导的 fMRI 模式中恢复自然图像。实验结果表明，DBDM 在定性和定量比较方面均超越了以前的方法。特别是，DBDM 在重建原始图像的语义细节方面取得了最佳性能；Inception、CLIP 和 SwAV 距离分别为 0.611、0.225 和 0.405。这证实了我们模型的有效性及其推动视觉解码研究的潜力。