XiaoMi-AI文件搜索系统
World File Search System概括性
慢病毒载体假型：改善造血细胞基因修饰的珍贵工具用于研究和基因治疗
摘要：通过将病毒转化为病毒载体，已将病毒重新用于用于基因递送的工具。最常用的载体是慢病毒载体（LVS），这些载体源自人类免疫缺陷病毒，允许哺乳动物细胞中有效基因转移。它们代表了影响造血系统的最安全，最有效的治疗方法之一。LV通过不同的病毒信封（假型）进行修饰，以改变和改善其对不同原发性细胞类型的端主。囊泡口腔炎病毒糖蛋白（VSV-G）通常用于假型，因为它增强了基因转移到多种造血细胞类型中。然而，VSV-G假型LV无法在静态血细胞（例如造血干细胞（HSC），B和T细胞）中赋予有效的转导。为解决此问题，可以将VSV-G交换为其他异源病毒包膜糖蛋白，例如麻疹病毒，狒狒内源性逆转录病毒，Cocal病毒，Nipah病毒或仙境病毒的糖蛋白。在这里，我们提供了这些LV伪型如何改善HSC，B，T，T和自然杀伤（NK）细胞的转导效率，并通过多个体外和体内研究强调了拟型LV提供治疗基因或基因编辑工具的概括性遗传和癌细胞的概述。
学习启发式搜索的离散世界模型
对于许多顺序决策问题，通常需要计划才能找到解决方案。但是，对于诸如机器人技术中遇到的域，换句函数（也称为世界模型）通常是未知的。虽然基于模型的强化学习方法学习了可以用于计划的世界模型，但此类方法受到在许多时间段应用模型应用时会累积的错误限制，并且无法重新识别计划的状态。为了解决这些问题，我们介绍了DeepCubeai，这是一种算法，该算法学习了一个世界模型，该模型代表了在离散的潜在空间中代表状态，使用增强学习学习学习一种启发式功能，该功能使用该学识渊博的模型将概括性和目标状态概括，并将学习的模型结合在一起，并将启发式功能与启发式搜索相结合，以解决问题。由于潜在空间是离散的，因此我们可以通过舍入来防止小错误的积累，我们可以通过简单地比较两个二进制向量来重新识别状态。在我们对Rubik Cube，Sokoban，Icelider和DigitJump的像素表示的实验中，我们发现DeepCubeai能够将模型应用于数千个步骤，而不会出现任何错误。此外，DeepCubeai在所有领域中解决了99％以上的测试实例，跨目标状态概括了，并且大大优于贪婪的政策，而贪婪的政策没有与学识渊博的世界模式计划。
通过可解释的机器学习和第一原理计算揭示的金属催化剂的结构灵敏度
摘要：主动位点及其结构敏感性的性质是有效催化剂理性设计的关键，但在异质催化中已经进行了近一个世纪的辩论。尽管Brønsted -evans -polanyi（BEP）以及线性缩放关系长期以来一直用于研究这种关系中的反应性，明确的几何形状和组成特性，这一事实阻止了其在支持催化剂的结构敏感性中的探索。在这项工作中，基于可解释的多任务符号回归和全面的第一原理数据集，我们发现了一个结构描述符，拓扑不足的数量由价电子数量和晶格常数介导，以成功地解决金属催化剂的结构敏感性。用于训练，测试和可传递性研究的数据库包括10种过渡金属，两个金属晶体学阶段和17个不同方面的20种不同化学键的破坏键屏障。所得的2D描述符组成结构项，反应能量项显示出非常准确的准确性，可以预测与对称性，键顺序和空间阻滞中不同化学键的数据集的反应障碍和概括性。理论是物理和简洁的，提供了一种建设性的策略，不仅是为了理解结构敏感性，而且还可以破译金属催化剂的纠缠几何和电子效应。所揭示的见解对于位点特异性金属催化剂的合理设计很有价值。■简介
时空量子和具有动态叶面的经典力学
经典物理学的常规相空间对空间和时间的处理方式有所不同，这种差异将导致现场理论和量子力学（QM）。在本文中，通过两个主要扩展可以增强相空间。首先，我们将Legendre转换的时间选择提升为动态变量。第二，我们将物质字段的泊松支架扩展到时空对称形式。随后的“时空空间”用于获得相对论场理论的汉密尔顿方程的明确协变版本。然后提出了形式主义的类似规范的量化，其中田地满足时空的换向关系，而叶面是量子。在这种方法中，经典的行动还促进了运营商，并通过其在物质 - 遗传分区中的不可分割性保留了明确的协方差。在新的非CASAL框架之间建立对应关系的问题（在不同时间是独立的字段）和传统的QM通过将空间类似相关器的概括性化为时空来解决。在这种概括中，哈密顿量被动作和常规颗粒取代，而被壳颗粒取代。量化叶面时，与页面和摇动机制相比，通过对叶状本征的条件来恢复上一个地图。我们还提供了对应关系的解释，其中给定理论的因果结构是从系统与环境之间的量子相关性出现的。这个想法适用于通用量子系统，并允许人们将密度矩阵推广到包含时空中相关器信息的操作员。
从EEG脑记录中学习强大的深视觉表示
解码人脑一直是神经科学家和人工智能研究人员的标志。重新构建来自脑电脑脑电图（EEG）信号的视觉图像，由于其在脑部计算机接口中的应用，引起了人们的极大兴趣。本研究提出了一种两阶段的方法，其中第一步是获得脑电图衍生的特征，以稳健地学习深度代表，然后将学习的表示形式用于图像产生和分类。我们使用具有监督和对比度学习方法的深度学习体系结构在三个不同的数据集中进行了特征提取管道的普遍性。我们已经执行了零摄影的脑电图分类任务，以进一步支持概括性索赔。我们观察到，与脑电图和图像之间的联合代表学习相比，在单峰设置中仅使用脑电图数据来学习一个单独使用脑电图数据的近距离线性分离的视觉表示。最后，我们提出了一个新颖的框架，将看不见的图像转换为脑电图空间，并以近似值重建它们，从而展示了来自EEG信号的图像重建潜力。我们提出的来自EEG的图像合成方法显示了62。9％和36。EEGCVPR40和ThoughtViz数据集的成立得分提高了13％，这比GAN 1中的最先进的表现效果。EEGCVPR40和ThoughtViz数据集的成立得分提高了13％，这比GAN 1中的最先进的表现效果。
交叉主题EEG- ...
情感脑部计算机中解码的人类情绪相互交流，由于脑电图（EEG）信号的受试者间变化能力，遭受了重大挫折。现有的ap-praches通常需要收集每个新主题的大量脑电图数据，这些数据非常耗时，用户体验差。为了解决这个问题，我们将脑电图指定为每个主题的私人组件，并共享所有主题的情感组成部分。根据此表示的部分，我们提出了一种用于处理受试者间可变性的插件适应方法。在训练阶段，主题不变的情感表示和源主题的私人组成部分由共享的编码器和私人编码者分别捕获。此外，我们在共享分区和受试者的单个分类器上建立了一个情感分类，以结合这两个部分。在校准阶段，该模型仅需要来自传入目标对象的未标记的脑电图数据来对其私人组件进行建模。因此，除了共享的表演分类外，我们还有另一个管道来通过私人组合的相似性来利用源主题的知识。在测试阶段，我们将共享情绪分类器的预测与通过相似权重调制后的单个分类器的聚合物的预测。在种子数据集中进行的实验性调查表明，我们的模型在一分钟内的校准时间非常短，同时保持了识别精度，所有这些都使人们的情绪更具概括性和可行性。
交叉主题EEG- ...
情感脑部计算机中解码的人类情绪相互交流，由于脑电图（EEG）信号的受试者间变化能力，遭受了重大挫折。现有的ap-praches通常需要收集每个新主题的大量脑电图数据，这些数据非常耗时，用户体验差。为了解决这个问题，我们将脑电图指定为每个主题的私人组件，并共享所有主题的情感组成部分。根据此表示的部分，我们提出了一种用于处理受试者间可变性的插件适应方法。在训练阶段，主题不变的情感表示和源主题的私人组成部分由共享的编码器和私人编码者分别捕获。此外，我们在共享分区和受试者的单个分类器上建立了一个情感分类，以结合这两个部分。在校准阶段，该模型仅需要来自传入目标对象的未标记的脑电图数据来对其私人组件进行建模。因此，除了共享的表演分类外，我们还有另一个管道来通过私人组合的相似性来利用源主题的知识。在测试阶段，我们将共享情绪分类器的预测与通过相似权重调制后的单个分类器的聚合物的预测。在种子数据集中进行的实验性调查表明，我们的模型在一分钟内的校准时间非常短，同时保持了识别精度，所有这些都使人们的情绪更具概括性和可行性。
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。在电子学习的到来时，了解学生的参与和反应对于提高教育质量和提高学习率至关重要。随着计算机视觉技术的发展，有一个很大的机会以非侵入性的方式分析和解释学生反应。本研究提出了一个新型框架，该框架采用了更快的R-CNN与Densenet架构集成的速度，以实时检测电子学习课程。所提出的方法利用了更快的R-CNN在生成对象检测任务的高质量区域建议方面的强度，再加上Densenet在特征传播方面的效率和参数数量的减少，这非常适合处理面部表情中的复杂模式。我们的方法始于更快的R-CNN以高准确性和降低计算成本提取潜在面部区域。将densenet作为骨干的集成在更快的R-CNN中大写，其密集连接的卷积网络大写，从而确保网络中层之间的最大信息流。这样做，该系统变得异常擅长识别表明学生反应（例如混乱，参与或无聊）的面部特征的细微变化。我们使用各种电子学习相互作用的数据集进行了一系列实验，该数据集在各种照明条件下收集，并涉及多种种族，以确保鲁棒性和概括性。该模型在此数据集上进行了训练和验证，结果表明，与现有方法相比，学生反应的检测率有显着提高。
约旦儿童的执行职能
抽象理解执行功能（EFS）的发展对全球发展科学具有很高的价值。最近要求更具包容性和公平的发展科学的呼吁认为，仅使用一部分人口的一部分制定的任务和问卷不太可能适合在全球环境中的EFS测量，除非明确测试。在这里，我们检查了一项通常用于评估约旦儿童样本中西方人群中EFS的任务。我们使用心脏和花朵（HF）任务来检查（a）其评估约旦儿童EFS发展的价值，以及（b）任务绩效是否与社会经济变量及其父母报告有关学术成就，内在化和与阿拉伯儿童行为衡量的外在行为有关。我们报告了n = 93 5.5-8.5岁的约旦奇尔·德伦（Chil Dren）的数据。我们发现该任务对于区分EFS结构（工作记忆，抑制性控制，认知灵活性）的性能很有价值。但是，EFS性能没有年龄差异，也没有与EFS相关构建体的任何父级报告指标的任何特定于EFS的关系。相反，EFS与父亲教育和居住地点有关（约旦省）。我们在发展心理科学向全球背景的情况下扩展到全球环境的背景下讨论了这些发现，并呼吁特别考虑与人类受试者的调查中的测量和概括性偏见。
ECG深度学习中的概括挑战
本研究调查了数据集特性对深度学习模型的性能和概括性的影响，对ECG数据。该研究评估了TNMG数据集的多个子集，其策划特征水平不同，以评估其对模型性能的影响。此外，引入了吸引机制来增强模型的确保和泛化。实验结果表明，接受平衡子集训练的模型，并不断提出注意力机制，始终优于那些接受不平衡数据或没有注意力的人，强调了数据集平衡和注意力的关注机制在实现改进模型性能方面的重要重要性。令人惊讶的是，最大的ECG数据集TNMG与较小的策划子集相比，在概括方面的效果较差。这项研究表明，即使尺寸明显较小，一个均衡平衡且经过精心策划的数据集也可能导致竞争模型的绩效。这项关于ECG数据的研究强调了生物医学机器学习中数据集策划，平衡和注意力机制的重要重要性。高灯光，具有注意机制的均衡，经过精心策划的数据集可以优于更大，不平衡的数据集，挑战性的常规概念，并在医学数据分析和患者护理中提供潜在的进步。关键字：生物医学深度学习，心电图数据，模型性能，概括，数据集字符 - 属性，注意机制。