XiaoMi-AI文件搜索系统
World File Search System概括
tugda：任务不确定性引导域的适应性，以鲁棒性概括从体外到体内环境的药物反应预测
摘要。在过去的十年中，大规模的癌症法学研究强调了患者分子方案的多样性以及利用此信息在正确的时间向正确患者提供正确的药物的重要性。学习预测模型的关键挑战包括OMIC数据的高维度，可用数据点的限制以及生物学和临床因素的异质性影响患者反应。多任务学习（MTL）技术已被广泛探索以解决用于体外药物反应模型的数据集限制，而域适应性（DA）已被用来扩展它们以扩展它们以预测体内响应。在这两个转移学习设置中，与单任务（域）学习者相比，某些任务（或域）的嘈杂数据可以实质上为其他任务提供了绩效，即导致负转移（NT）。我们描述了一种新颖的多任务无监督的DO-主要适应方法（TUGDA），该方法通过量化预测变量的不确定性并加权其对共享域/任务特征表示的影响来解决统一框架中解决这些局限性。tugda的能力更多地依赖于低确定性的预测因子，与最先进的方法相比，体外模型的阴性转移病例显着减少了体外模型的负转移病例（63％的药物和94％的药物）。针对体内环境的域适应性，TUGDA在患者衍生的异种移植物中的12种药物中有6种改进了性能，尽管接受了无监督的方式接受培训，但在TCGA患者数据集中有22种药物中有7种。TUGDA避免负转移的能力，因此具有关键能力，因为我们试图将多种药物响应数据集整合在一起，以将一致的预测模型与体内效用构建一致的预测模型。
建模啮齿动物中的人神经元儿茶酚胺能色素沉着概括与年龄相关的神经退行性缺陷
开发有效治疗神经退行性疾病的一个关键局限性是缺乏准确模仿人类疾病的复杂物理学的模型。人类会随着年龄的增长而积累的神经元内神经元的色素神经素，从而合成儿茶酚胺。神经元达到最高神经元素水平的神经元在parkinson，阿尔茨海默氏症和显然健康的衰老个体中优先退化。然而，在当前动物模型中未考虑这种大脑色素，因为啮齿动物等常见的实验室物种不会产生神经念珠菌。在这里，我们生成一种被称为TGNM的组织特异性的转基因小鼠，该小鼠模仿了基于组成型儿茶酚胺特异性表达人类糖果蛋白 - 生物糖蛋白酶蛋白酶酶的蛋白酶酶的表达，从而模仿了cantecholamineragramagic neuromelanin的人类依赖性脑部范围的分布。我们表明，与渐进性人类神经元素色素沉着平行，这些动物表现出与年龄相关的神经元功能障碍和变性，影响了许多脑回路和身体组织，与运动和非运动和非运动型呈现有关，让人想起早期神经变性阶段。该模型可以帮助探索大脑衰老和神经变性的新研究途径。
Susanne Bùdker、Myriam Lewkowicz 和 Alexander Boden。2020 年。一句话概括：平台支撑平台经济。
允许免费复制本作品的全部或部分以供个人或课堂使用，但不得出于营利或商业目的而复制或分发，且副本首页必须注明此声明和完整引文。必须尊重 ACM 以外的人拥有的本作品组成部分的版权。允许摘要并注明出处。若要复制、重新发布、发布到服务器或重新分发到列表，则需要事先获得特定许可和/或支付费用。请向 permissions@acm.org 申请许可。
Sugeno积分对汇总间隔值数据的概括：大脑计算机接口和社交网络分析的应用
间隔是代表与数据相关的不确定性的流行方式，在这种方式中，我们将每个观察结果视为间隔的宽度的模糊性。但是，在为此目的使用间隔时，我们需要使用适当的数学工具来使用。这可能是有问题的，这是由于与NuMerical的功能相比，间隔值函数的稀缺性和复杂性。在这项工作中，我们建议将Sugeno积分的概括扩展到与间隔值数据的工作。然后，我们在两个不同的设置中使用此积分对Aggregate间隔值数据进行：首先，我们研究了在脑部计算机界面中间隔的使用；其次，我们研究了如何在社交网络中构建间隔值的关系，以及如何汇总他们的信息。我们的结果表明，在两种情况下，间隔值数据可以有效地对数据的某些不确定性和联盟进行建模。对于大脑计算机界面的情况，我们发现我们的结果超过了其他间隔值函数的结果。
郁金香 - 一种基于变压器的无监督语言模型，用于相互作用的肽和T细胞受体，它概括为看不见的表位
摘要 - 单个频率 - 量子（SFQ）数字电路主要基于依赖可靠的基础过程的单元，这些过程利用超导地面平面作为活动元件和微带线互连的参考。与二进制信息相关的磁性弹力H / 2 E的量子对应于需要在太空中定位的磁场能量密度，以限制相邻细胞之间的相互作用。换句话说，除非在设计阶段仔细考虑电路，否则相互电感会损害正确的行为。我们对约瑟夫森传输线（JTL）细胞进行了广泛的研究，并具有不同的地面平面和偏置垫的不同地理配置。我们发现使用电感的使用有时会遵循远离直觉告诉的路径，这可能导致非优化的设计。在本文中，我们强调由于存在外部或内部磁场而引起的局限性。然后，我们将获得的性能与具有优化几何形状的性能进行了比较，从设计阶段考虑了磁场的存在。
至少有sgd的隐式正规化的好处...
随机梯度下降（SGD）在实践中表现出强大的算法正则化效率，该算法在现代机器学习方法的概括中起着重要作用。在这项工作中，我们试图在线性回归的更简单设置（包括众多和参数化的政权）中理解这些问题，我们的目标是对（未注册）平均SGD与Ridge Regres-Sion的显式正规化提供（未注册的）平均SGD的隐性正规化比较。对于一系列最小二乘问题实例（在高维度中是自然的），我们显示：（1）对于每个问题实例和eviry Ridge参数（（未进行定制）SGD），当在对数上提供的样品提供的样本比提供给山脊算法更糟糕的ridge songe（提供的常量）的样本（概括）不变的步骤（概括了SGD的常数）（概括） （2）相反，存在最佳调整的山脊回归需要的样本比SGD更多的样本以具有相同的概括性能。总的来说，我们的结果表明，到对数因素，SGD的概括性能总是不比Ridge回归的多种过度参数化的问题差，实际上，对于某些问题实例来说可能会更好。更普遍地，我们的结果表明，即使在更简单（过度参数化）凸设置中，算法正则化如何产生重要的后果。