XiaoMi-AI文件搜索系统
World File Search System总方差
用于分段线性降维的自适应潜在特征共享
线性高斯探索性工具（例如主成分分析 (PCA) 和因子分析 (FA)）广泛用于探索性分析、预处理、数据可视化和相关任务。由于线性高斯假设具有限制性，因此对于非常高维的问题，它们已被稳健、稀疏扩展或更灵活的离散-连续潜在特征模型所取代。离散-连续潜在特征模型指定依赖于数据子集的特征词典，然后推断每个数据点共享这些特征的可能性。这通常是使用关于特征分配过程的“富者得富”假设来实现的，其中词典试图将特征频率与其解释的总方差部分结合起来。在这项工作中，我们提出了一种替代方法，可以更好地控制特征到数据点的分配。这种新方法基于双参数离散分布模型，该模型将特征稀疏性和词典大小分离，从而以简约的方式捕获常见和罕见特征。新框架用于推导一种新型自适应因子分析变体 (aFA) 以及自适应概率主成分分析 (aPPCA)，能够在各种场景中灵活地发现结构和降低维度。我们推导出标准吉布斯采样以及有效的期望最大化推理近似，这些近似以更快的数量级收敛到合理的点估计解。所提出的 aPPCA 和 aFA 模型的实用性在特征学习、数据可视化和数据白化等标准任务上得到了证明。我们表明，aPPCA 和 aFA 可以为原始 MNIST 或 COLI-20 图像提取可解释的高级特征，或者在应用于自动编码器分析时
白质病变对经颅电刺激电场的影响
背景：经颅直流电刺激 (tDCS) 是一种很有前途的工具，可用于增强治疗效果，例如在治疗中风后。所获得的刺激效果表现出较高的受试者间差异性，这主要是由感应电场 (EF) 的扰动驱动的。由于萎缩或病变等解剖变化，衰老大脑中的差异会进一步增大。通过基于计算机的个性化 EF 模拟来告知 tDCS 协议是减轻这种差异的一种建议措施。目标：虽然在模拟研究中，大脑解剖结构（特别是萎缩以及中风病变）被认为对 EF 有影响，但白质病变 (WML) 导致的白质电特性变化的不确定性的影响尚未量化。方法：进行了一项团体模拟研究，将 88 名受试者分为四组，每组病变负荷不断增加。由于缺乏有关 WML 电导率的信息，因此在为病变组织选择任意电导率值时，采用不确定性分析来量化模拟中的变异性。结果：WML 对 EF 方差的贡献平均仅为其他建模组织贡献的十分之一到千分之一。虽然与低病变负荷受试者相比，高病变负荷受试者的 WML 贡献显著增加（p≪.01），通常增加 10 倍以上，但 EF 的总方差并没有随着病变负荷而变化。结论：我们的结果表明，WML 不会全局扰乱 EF，因此在对低到中等病变负荷的受试者进行建模时可以将其省略。但是，对于高病变负荷受试者，省略 WML 可能会导致病变组织附近的局部 EF 估计不太稳健。我们的结果有助于精确建模 tDCS 以进行治疗计划。
有机肥料对土壤微生物群落结构和碳和氮矿化具有更大的影响
农业生态系统是地球上最大的人工生态系统，可提供全球66％的粮食供应。土壤微生物是用于碳和营养循环的发动机。然而，雨养农业生态系统中的受精和种植模式介导的土壤微生物群落结构以及碳和氮转化的驱动机制尚不清楚。该研究是在中国山西省的Changwu农业生态实验站进行的。设计了七种不同的施肥和种植模式。使用磷酸盐脂肪酸（PLFAS）来探索受精和镀层模式对土壤微生物群落结构的影响以及与土壤碳和氮的关系。结果表明，处理之间的土壤物理和化学特性存在显着差异。有机肥料显着增加了土壤碳和氮，并减少了土壤pH值。小麦和玉米旋转处理中总PLFA和微生物基团的含量最高。与种植模式的变化相比，有机肥料对PLFA含量和土壤生态过程的影响更大。土壤微生物群落结构与土壤有机碳（SOC），总碳（TC），总氮（TN）和总磷（TP）具有显着正相关。与施用NP肥料相比，使用有机肥料显着提高了土壤呼吸率和矿化氮含量，同时降低了土壤微生物生物量碳（MBC）。相关分析表明，土壤呼吸与SOC和TP显着相关，并且矿化氮与SOC，硝酸盐氮，TN和MBC显着呈正相关。结构方程模型（SEM）表明，土壤呼吸速率受到TC的显着积极影响，并受到SWC的负面影响，并解释了63％，而矿化氮显着受到TN的影响，并解释了总方差的55％。
1409-4703-aie-16-01-91.pdf - SciELO
摘要：本文的目的是通过手机和互联网分析来自莫雷洛斯州（墨西哥）公立教育机构心理学系、170 名大学生的受害量表的因素结构。医学、法律和行政。进行探索性因素分析和验证性因素分析，分析各因素的可靠性。解释的总方差百分比为 43.48%。移动电话因素 (0.65) 和互联网因素 (0.63) 均找到了可接受的可靠性指数。有五个项目在其因子负载、因子位置或两者上都存在困难。验证性因子分析显示双因子模型充分拟合，指数为 SRMR = .05、RMSEA = .07、GFI = .97、CFI = .96、AGFI = .92 和 NNFI = .92。通过手机和互联网进行的受害量表可以作为大学生墨西哥研究中有效且可靠的测量工具。关键词：网络欺凌、大学生、心理特征、可靠性、有效性、墨西哥。摘要：本文的目的是通过手机和互联网分析来自莫雷洛斯州（墨西哥）公立教育机构心理学、医学、法律和行政。进行探索性因素分析和验证性因素分析，分析各因素的可靠性。总变异解释百分比为 43.48%。发现手机 (.65) 和互联网 (.63) 的可靠性指数因子均可接受。五个项目在因子载荷、因子位置或两者方面存在困难。验证性因子分析表明，双因子模型的拟合度足够高，指数为 SRMR = .05、RMSEA = .07、GFI = .97、CFI = .96、AGFI = .92 和 NNFI = .92。通过手机和互联网进行的受害量表可用作墨西哥大学生研究中可靠且有效的测量工具。关键词：网络欺凌、大学生、心理测量特性、可靠性、有效性、墨西哥。
足球运动员的心率变异性和无监督的机器学习的应用
目的：本研究旨在研究足球运动员中心率变异性（HRV）参数（HRV）参数之间的关系。方法：本研究使用横截面设计来评估18至20岁的29名男运动员的HRV参数，从亚马逊地区的Macapá体育俱乐部团队随机选择。在保持正常呼吸的同时保持正常呼吸的同时保持正常呼吸，并以1,000 Hz的采样率进行了记录，以kubios hrv软件来提取时间域：正常窦间隔的平均值（MRR），正常窦（NN）间隔的标准偏差（sdnn）的标准偏差（sdnn）的平均值，均值（sdnn）的标准偏差（sdnn）的标准偏差（sdnn），均值（sdnn）的平均值（sdnn nnnnnn）。连续正常鼻窦间隔的变化超过50 ms（PNN50），频域：低频（LF），高频（HF）和LF/HF比率参数。然后，使用主成分（PC）提取和Varimax旋转对因子分析进行分析。应用对数转换[通过对数转换（LF/HF Normlog）的归一化LF/HF]，用于在因子分析之前解决此非正常性。结果：前两辆PC显示，总方差的87.4％是由原始变量解释的。LF（–0.93），HF（0.93）和LF/HF Normlog（–0.92）参数对PC1有显着贡献，也称为频域分量。相比之下，MRR（0.60），SDNN（0.91），RMSSD（0.89）和PNN50（0.79）参数对PC2有效，也称为时域分量。结论：本研究提供了影响足球运动员HRV参数的自主因素之间复杂关系的宝贵证据。识别与交感神经和副交感活动有关的两台不同的PC突出了监测HRV以优化性能和恢复的重要性。机器学习对于监测控制足球运动HRV的可能分子机制的这些变化很重要。
多...
多环境试验（MET）数据的分析是植物育种和农业研究的关键组成部分，为基因型逐型环境（GXE）相互作用提供了基本见解。然而，随着MET实验的复杂性的增长，基于方差的转化分析（基于ANOVA）的方法可以在准确捕获遗传和非遗传效应的潜在方差 - 稳定性结构方面表现出局限性。本研究使用埃塞俄比亚进行的十项常见的豆类品种试验的谷物产量数据集提出了对MET数据分析的因素分析混合模型（FAMM）。这项研究研究了多环境基因型效果（GXE）效应的方差相关结构的建模和在多环境现场试验中的残留误差。与具有异质遗传方差和恒定误差方差的基本GXE模型相比，包含具有异质误差差异的模型可显着改善模型拟合。然后拟合了增加顺序的因子分析模型（FA）模型，并且前三个顺序（FA1，FA2和FA3）在解释的方差百分比和统计意义上显示出显着的改善。FA3模型解释了总方差的78.12％，确定为模型复杂性和解释力之间提供最佳拟合。在十个试验环境中，遗传差异，误差差异和遗传力的估计值分别从0.008到0.984、0.053至0.695和65.40至89.86。这强调了影响感兴趣特征的基本遗传和环境因素的实质性变化。环境之间的遗传相关性也从负值到正值不等，表明跨实验条件的遗传因素的一致性不同。这些结果表明，在分析多环境试验数据时，正确建模方差 - 稳定性结构并考虑复杂的基因型相互作用的重要性。强烈建议扩大这种有效分析方法的利用，以增强各种环境之间的品种评估，并促进鉴定出色品种。关键词：因子分析混合模型，多环境试验，遗传
人工智能支持的信息修复和...
电子断层扫描作为一种重要的三维成像方法，为从纳米到原子尺度探测材料的三维结构提供了一种强有力的方法。然而，作为一个重大挑战，缺楔引起的信息丢失和伪影极大地阻碍了我们获得高保真度的纳米物体的三维结构。从数学上讲，断层扫描逆问题定义不明确，因为解是不唯一的。传统方法，如加权反投影 (WBP) 和同时代数重建技术 (SART) [1]，由于倾斜范围有限，缺乏恢复未获取的投影信息的能力；因此，使用这些方法重建的断层图像会失真，并受到伸长、条纹和鬼尾伪影的污染。总方差最小化 (TVM) [2] 结合了迭代重建和正则化，已被开发用于恢复丢失的信息并减少由缺失楔形引起的伪影。然而，TVM 的一个缺点是它不是无参数的并且计算成本高昂。除此之外，TVM 或任何广义 TVM 方法的真正问题是它们被绑定到一个正则化，该正则化会促进对解决方案的一个先验约束，而该解决方案可能适合也可能不适合感兴趣的对象。在本文中，我们应用机器学习，特别是深度学习来解决这个问题。图1 显示，通过在正弦图和断层图域中分别加入两个修复生成对抗网络 (GAN) 模型可以有效地恢复未获取的投影信息 [3]。我们首先设计了一个基于生成对抗网络 (GAN) 中的残差-残差密集块的正弦图填充模型。然后，使用 U-net 结构生成对抗网络来减少残差伪影。联合深度学习模型对于缺失角度高达 45 度的缺失楔形正弦图实现了卓越的断层扫描重建质量。该模型性能的提高源于将问题分解为两个独立的域。在每个域中，都可以有效地学习基于训练过的“先验”的独特解决方案。此外，与基于正则化的方法相比，这种深度学习方法是一种没有任何超参数的端到端方法。其性能与先验知识或人类操作员设置超参数的经验无关。