XiaoMi-AI文件搜索系统
World File Search System微调
Berezinskii-Kosterlitz的渐近自由 - 无需使用Qubit正则化的微调
我们提出了一个二维硬核环路模型，是一种在Berezinskii-kosterlitz-无用的过渡时期出现的渐近自由质量连续性量子场理论的一种方式。无需微调，我们的模型可以在接近相变时在大规模阶段重现经典晶格XY模型的通用级尺度函数。这是通过在热力学极限下降低回路配置空间中的fock-vacuum位点的散发性来实现的。与传统的XY模型相比，在Berezinskii-Kosterlitz上的某些通用量在我们的模型中显示出较小的有限尺寸效应。我们的模型是欧几里得时空中渐近自由质量量子场理论的Qubit正则化的一个典型例子，并有助于了解如何在不进行微调的情况下作为分离的固定点上的相关扰动而出现渐近自由。
一种结合 SqueezeNet 模型与 SVM 和微调的脑肿瘤分类新方法
摘要：脑癌在老年人和年轻人中最为常见，并且对老年人和年轻人都可能是致命的。如果能迅速诊断和治疗，脑肿瘤可以更好地治愈。在处理医学图像时，深度学习方法对于帮助人类诊断各种疾病至关重要。对脑肿瘤进行分类是一个必不可少的步骤，它在很大程度上依赖于医生的经验和培训。一个用于检测和分类这些肿瘤的智能系统对于使用 MRI（磁共振成像）图像进行脑肿瘤的非侵入性诊断至关重要。这项工作提出了一种基于 CNN 的新型混合深度学习结构，通过 MRI 扫描区分三种不同类型的人脑肿瘤。本文提出了一种使用深度学习和 CNN 进行分类的双重方法。第一种方法将用于模式分类的 SVM 无监督分类与用于特征提取的预训练 CNN（即 SqueezeNet）相结合。第二种方法将监督式软最大分类器与精细调整的 SqueezeNet 相结合。为了评估所提方法的有效性，使用脑部 MRI 扫描分析了总共 1937 张胶质瘤肿瘤图像、926 张脑膜瘤肿瘤图像、926 张垂体肿瘤图像和 396 张正常脑部图像。根据实验结果，精细调整的 SqueezeNet 模型的准确率为 96.5%。然而，当使用 SqueezeNet 作为特征提取器并应用 SVM 分类器时，识别准确率提高到 98.7%。
及时工程或微调？大语言模型的网络钓鱼检测案例研究
摘要：大语言模型（LLM）正在重塑机器学习（ML）应用程序开发的景观。能够执行各种任务的多功能LLM的出现降低了人类参与培训和维护ML模型的必要性。尽管有这些进步，但出现了一个关键的问题：这些广义模型是否可以否定对特定于任务模型的需求？本研究通过比较LLM在检测网络钓鱼URL中的有效性与迅速工程技术相对于微调时的有效性来解决这个问题。值得注意的是，我们探讨了用于网络钓鱼URL检测的多种及时工程策略，并将它们应用于两个聊天模型，即GPT-3.5-Turbo和Claude 2。在这种情况下，通过使用1000个样本的测试集，获得的最大结果是92.74％的F1评分。之后，我们对包括GPT-2，BLOOM，BABY LLAMA和DISTILGPT-2在内的一系列基本LLM进行了微调（主要是用于文本生成）的，用于网络钓鱼URL检测。微调方法最终达到了峰值性能，在同一测试集上达到了97.29％的F1分数和99.56％的AUC，从而优于现有的现有先进方法。这些结果表明，尽管LLM通过及时的工程来实现，但可以加快应用程序开发过程，实现不错的表现，但它们不如专用的，特定于任务的LLM。
用于蛋白质理解的大语言模型的微调数据集和基准测试
蛋白质序列与自然语言之间的高相似性，特别是在其顺序数据结构中，在两个领域的深度学习模型中都取得了平行的进步。在自然语言处理（NLP）中，大型语言模型（LLMS）在文本，翻译和对话代理等任务中取得了巨大的成功，因为它们对各种数据集进行了广泛的培训，使他们能够捕获复杂的语言模式并具有类似人类的文本。受这些进步的启发，研究人员试图通过将蛋白质序列编码器与诸如LLAVA之类的设计之类的设计来适应蛋白质理解。但是，这种适应提出了一个基本问题：“最初是为NLP设计的LLM可以有效地将蛋白质序列理解为一种语言形式吗？”由于蛋白质序列和相应的文本描述之间缺乏直接相关性，目前的数据集在解决这个问题方面缺乏，从而限制了训练和评估LLM的能力，无法有效地了解蛋白质的理解。为了弥合这一差距，我们引入了proteinlmdataset，该数据集是专门设计的，专门针对LLMS的进一步自我监管的预处理和监督微调（SFT），以增强其对蛋白质序列理解的能力。具体来说，蛋白质质量包括174.6亿个代币，用于训练预处理和SFT的893K指令。此外，我们提出了蛋白质一个基准数据集，该数据集由944个手动验证的多项选择问题组成，用于评估LLMS的蛋白质理解。Proteinlmbench以多种语言结合了与蛋白质相关的细节和序列，建立了评估LLMS蛋白质理解能力的新标准。大语模型interlm2-7b在蛋白质质量上预处理并进行了微调，在蛋白质Lmbench上的表现优于gpt-4，获得了最高的精度得分。数据集和基准可在https://huggingface.co/datasets/tsynbio/proteinlmdataset/和https://huggingface.co/datasets/tsynbio/tsynbio/proteinlmbench中获得。代码可在https://github.com/tsynbio/proteinlmdataset/上获得。
人类特异性增强子微调径向神经胶质效力和皮质生成
摘要人类进化出一种与发育和基因调节修饰有关的膨胀且复杂的大脑皮层。1-3。人类加速区域（HAR）是具有人类特异性核苷酸取代的高度保守基因组序列。尽管有成千上万的带注释的竖琴，但它们对人类特异性皮质发育的功能贡献在很大程度上是未知的4,5。hare5是在大脑发育过程中活跃的Wnt信号受体Frizzled8（FZD8）的HAR转录增强子6。在这里，使用基因组编辑的小鼠和灵长类动物模型，我们证明了人（HS）Hare5微型皮质发育和连通性通过控制神经祖细胞（NPC）的增殖和神经源能力。HS-HARE5敲入小鼠的新皮质含量显着增大，其中包含更多的神经元。 通过测量体内神经动力学，我们显示了这些解剖学特征与皮质区域之间功能独立性的增加相关。 要了解潜在的发展机制，我们使用实时成像，谱系分析和单细胞RNA测序评估祖细胞命运。 这揭示了HS-HARE5修饰了径向神经胶质祖细胞的行为，在早期发育阶段增加了自我更新，随后神经源性扩大。 我们使用基因组编辑的人和黑猩猩（PT）NPC和皮质器官来评估HS-HARE5和PT-HARE5的相对增强剂活性和功能。 使用这些正交策略，我们显示了HARE5驱动器中的四个人类特异性变体增加了增强剂活性，从而促进了祖细胞增殖。HS-HARE5敲入小鼠的新皮质含量显着增大，其中包含更多的神经元。通过测量体内神经动力学，我们显示了这些解剖学特征与皮质区域之间功能独立性的增加相关。要了解潜在的发展机制，我们使用实时成像，谱系分析和单细胞RNA测序评估祖细胞命运。这揭示了HS-HARE5修饰了径向神经胶质祖细胞的行为，在早期发育阶段增加了自我更新，随后神经源性扩大。我们使用基因组编辑的人和黑猩猩（PT）NPC和皮质器官来评估HS-HARE5和PT-HARE5的相对增强剂活性和功能。使用这些正交策略，我们显示了HARE5驱动器中的四个人类特异性变体增加了增强剂活性，从而促进了祖细胞增殖。这些发现说明了调节性DNA的小变化如何直接影响关键的信号通路和大脑发育。我们的研究揭示了Hars的新功能，这是对人脑皮质的扩张和复杂性至关重要的关键调节元素。
cliz：使用自适应微调数据预测为气候数据集优化有损压缩
摘要 - 从尖端的超级计算机中获得支持极大的科学模拟，气候研究在过去几十年中取得了显着发展。，在有效地存储和传输大规模的气候数据之间，出现了新的关键挑战。在本文中，我们开发了CLIZ，这是一种有效的在线错误控制有损压缩方法，具有优化的数据预测和对气候数据集跨各种气候模型的编码方法。一方面，我们探索了如何利用气候数据集的特定属性（例如蒙版信息，维度置换/融合和数据周期性模式）以提高数据预测准确性。另一方面，Cliz采用了一种新型的多霍夫曼编码方法，可以显着提高编码效率。因此显着提高了压缩比。我们根据具有不同模型的多个实地世界气候数据集评估了CLIZ与许多其他最先进的错误控制损耗压缩机（包括SZ3，ZFP，SPERR和QOZ）。实验表明，Cliz在气候数据集上的表现优于第二好的压缩机（SZ3，SPERR或QOZ1.1）的压缩比的压缩率高20％-200％。cliz可以将两个远程Globus终点之间的数据传输成本显着降低32％-38％。索引术语 - 错误控制的损耗压缩，气候数据集，分布式数据存储库/数据库
同意使用微调的阴道孕酮治疗早期出血和先前流产1/3
⃝我知道NHS英格兰最近制定的NICE指南[NICE]建议阴道孕激素子宫治疗，以减少怀孕早期出血的妇女进一步流产的风险和一次或多个先前的流产。⃝我知道这一建议是基于一项名为Prism试验[Prism]的大型英国医学研究试验。⃝我知道在怀孕初期出血的妇女中显示的试验显示，孕激素治疗没有任何益处。先前流产后增加了2％；两次流产后6.6％；并在三个或以上的流产后多达14％。⃝我知道，总体而言，研究表明，不使用孕酮的成功怀孕的机会为72％，孕酮治疗的机会为75％。⃝我知道，苏格兰政府就孕酮的使用。⃝我知道NICE推荐并在Prism试验中使用的孕酮是一种称为Utrogestan®的微粉（天然）孕酮。目前尚未获得用于怀孕的许可。⃝我知道，NICE推荐的剂量每天两次，因为阴道the，从宫内妊娠通过超声扫描确认到16周的妊娠期。制造商建议的Utrogestan®剂量为200mg三次。⃝我知道该单元可以使用其他微管的阴道孕酮制剂，例如每天两次循环400毫克。制造商建议的剂量为每天两次200mg。
功能性消化不良和肠道微生物组我们可以用益生菌微调微生物组吗？
肠道微生物群是微生物的动态集合，由数万亿微生物组成，包括原核生物（细菌和古细菌）和真核生物（真菌，原生动物和嗜热性），除了病毒1外，还与人类宿主共同发展。由于多种因素，例如饮食习惯，生活方式，遗传学，环境因素和微生物组的内在相互作用结构3。许多研究证实，肠道微生物群参与维持生理稳态，影响了几种关键功能，例如营养吸收，免疫系统调节和对病原体4,5的保护。另一方面，随着稳态的破坏，肠道微生物群的合并和功能的改变已与多种疾病相关，包括胃肠道6，代谢7，神经系统疾病8，神经系统疾病8和癌症9。因此，调节肠道菌群的治疗方法可能会应用于多种临床状况，从而允许发展个性化的治疗或预防性治疗。此外，其他相关应用领域是预防慢性疾病10，改善宿主11的营养状况以及对宿主对医疗疗法的反应的调节12,13。即使我们对人类微生物群的了解继续增长，其临床应用仍处于早期阶段。可以通过使用益生菌来补充有益的分类单元，这些益生菌被定义为活体生物，如果以足够的量给药，则赋予对当前可用的治疗策略具有不同的目标和机制，尽管某些方法（例如营养干预措施或粪便菌群移植（FMT））对整个mi- crobial社区都有广泛的影响，而其他方法则具有益生菌，益生菌，益生菌，phapebiotics和phage Cheation的其他方法，可以更具体地对益生类措施，或者更精确地施加。
大型语言模型的微调可在太空系统中更好地表现
•自主和专业工作，正确管理时间，并自主评估计划概述的任务的进步。•找到有关工作区域的相关文献，对其进行批判性分析，并尽可能将其整合到工作中。•了解决策的工程权衡，并充分记录下来。•定期与顾问和主管进行沟通，并在需要反馈时及时及时进行沟通。每周出席主席，以促进沟通和工作进步，并至少参加每周一次的会议。•例如，以未来的硕士论文框架中的未来出版或工作来指出有关工作领域的科学或研究问题。•按照我们的内部评估，可以在世界一流的国际会议上呈现候选人的资金，以呈现工作结果。
数据匿名用于隐私性的大语言模型在呼叫成绩单上微调
大型语言模型（LLMS）功能的最新进展（Devlin等人，2019年；布朗等人。，2020年； Zhao等。，2023年），导致了他们广泛的收养，作为工业和学术NLP各种任务的基础（Bom- Masani等人。，2021）。在数十亿和数十亿的参数计数中，这些模型需要大量的数据才能进行训练和微调（Hoffmann等人。，2022）。同时，这种过度分析能够记忆和潜在的LLMS训练数据的泄漏或提取（Biderman等人，2023; Carlini等。，2023; Hartmann等。，2023）。综上所述，LLMS所需的培训数据和记忆能力提出了实质性问题（Li等人，2023）。这种风险更加复杂，因为LLM与所有监督学习者一样，在具有与培训数据相似的分布的测试集上表现最好。因此，寻求部署实际上有效的LLM的组织必须使用反映其部署分布的数据，并使用特定的，敏感的数据（例如医疗记录或通话记录），导致绩效提高，但相应地