XiaoMi-AI文件搜索系统
World File Search System模仿
X连接的charcot-marie-tooth疾病模仿了中风样发作：病例报告
案件摘要一名39岁的男子因情节性失语和吞咽困难而被录取2 d。他在入院前39天接受了SARS-COV-2疫苗接种。体格检查显示PES洞穴和肌腱反射减少。脑MRI显示在脑半球中与T2高强度的对称，对称，受限的扩散。神经传导研究揭示了周围神经损伤。他被诊断出患有charcot-marie-tooth疾病，并鉴定出X染色体上的GJB1基因中的半合理突变，已知对CMTX1的致病性。最初，我们怀疑短暂的缺血性发作或脱髓鞘性白细胞病。我们通过抗血栓疗法和免疫疗法开始治疗。排出后的1.5 mo，脑MRI显示出完全分辨出病变，没有复发。
学习通过基于图的模仿学习来优化置换流动商店调度
置换流店调度（PFSS）旨在寻找工作的最佳置换，广泛用于制造系统中。在解决大规模PFSS问题时，传统的优化算法（例如启示录）几乎无法满足解决方案准确性和计算效率的需求，因此基于学习的甲基苯酚最近引起了更多的关注。通过加强学习方法来解决问题，这些工作在培训期间遇到了缓慢的收敛问题，并且在解决方案方面仍然不够准确。为此，我们建议通过专家驱动的模仿学习来训练该模型，从而更加准确地加速收敛。此外，为了提取输入作业的更好的效率表示，我们将图形结构合并为编码器。广泛的实验表明，我们提出的模型获得了重大的促进性，并在多达1000个工作岗位的大规模问题中提供了出色的概括性。与最先进的信息学习方法相比，我们的模型网络插曲仅减少到其仅37％，而我们模型对专家解决方案的解决方案差距从平均6.8％降至1.3％。该代码可在以下网址提供：https：//github.com/longkangli/pfss-il。
模仿从单个演示中学习的，利用载体量化机器人收获
摘要：机器人解决复杂的非重复任务的能力将是为仍涉及劳动密集型，潮流和身体苛刻活动的农业应用中新的自动化水平的关键。收获是一个这样的例子，因为它需要将动作组合在一起，通常可以将其分解为视觉宣传和操纵阶段，而后者通常直接直接进行预编程。在这项工作中，我们专注于新鲜蘑菇收获的任务，该任务由于其高复杂性而由人类采摘者手动进行。一个关键的挑战是通过低成本硬件和机械系统来启用收获，例如软握把，它们与刚性相比提出了其他挑战。我们设计了一种使用矢量量化的模仿学习模型管道来直接从视觉输入中学习量化嵌入。我们在基于人类专家收集真正蘑菇的录音设计的现实环境中测试了这种方法。我们的模型可以用柔软的气动驱动器来控制一个笛卡尔机器人，以成功复制蘑菇的超越序列。我们在不到20分钟的数据收集的干扰物中取下蘑菇，包括单个专家演示和辅助，非专家，轨迹。整个型号管道需要在单个A4000 GPU上少于40分钟的训练，并且大约需要。20 ms用于推断标准笔记本电脑GPU。
使用经过训练以模仿大脑统计特性的神经网络来提高物体识别能力
目前最先进的物体识别算法——深度卷积神经网络 (DCNN)，灵感来自哺乳动物视觉系统的架构，在许多任务上能够达到人类水平的表现。在对 DCNN 进行物体识别任务训练时，已证明 DCNN 能够开发出与哺乳动物视觉系统中观察到的隐藏表征相似的隐藏表征 (Razavi 和 Kriegeskorte，2014 年；Yamins 和 Dicarlo，2016 年；Gu 和 van Gerven，2015 年；Mcclure 和 Kriegeskorte，2016 年)。此外，在物体识别任务上训练的 DCNN 是目前我们拥有的哺乳动物视觉系统的最佳模型之一。这让我们假设，教导 DCNN 实现更像大脑的表征可以提高其性能。为了测试这一点，我们在一个复合任务上训练了 DCNN，其中网络被训练为：(a) 对物体图像进行分类；同时 (b) 具有与猴子视觉皮层神经记录中观察到的中间表征相似的中间表征。与纯粹为对象分类而训练的 DCNN 相比，在复合任务上训练的 DCNN 具有更好的对象识别性能，并且对标签损坏的鲁棒性更强。有趣的是，我们发现这个过程不需要神经数据，但具有与神经数据相同统计特性的随机数据也会提高性能。虽然我们在复合任务上训练时观察到的性能提升与“纯”对象识别任务相比并不大，但它们非常稳健。值得注意的是，我们在研究的所有网络变体中都观察到了这些性能提升，包括：较小（CORNet-Z）与较大（VGG-16）架构；优化器的变化（Adam 与梯度下降）；激活函数的变化（ReLU 与 ELU）；以及网络初始化的变化。我们的结果证明了一种训练对象识别网络的新方法的潜在效用，使用大脑（或至少是其激活模式的统计特性）作为训练 DCNN 的教师信号的策略。© 2020 Elsevier Ltd. 保留所有权利。
脉搏血氧仪的组织模仿材料和手指幻影设计
摘要：脉搏血氧饱和度代表现代医学中光学的无处不在的临床应用。最近的研究引起了人们对混杂因素的潜在影响的担忧，例如可变的皮肤色素沉着和灌注对脉搏血氧仪中血氧饱和度测量精度的影响。模拟幻影测试提供了低成本，控制良好的解决方案，用于表征设备性能并研究潜在的误差源，从而可以减少对体内昂贵的体内试验的需求。这项研究的目的是开发基于幻影的脉搏血氧仪的测试方法。材料光学和机械性能审查，选择和调整以达到最佳的生物学相关性，例如，含氧组织的吸收和散射，强度，强度，弹性，硬度以及代表人手指的几何形状和组成的其他参数，例如血管大小和分布和分布和灌注。相关的解剖学和生理特性总结并实施，以创建初步的手指幻影。为了创建初步的手指幻影，我们合成了一个具有散射器的高符合硅胶基质，用于嵌入柔性管，并研究了这些散射物在新颖的3D打印树脂中以进行光学性能控制，而无需改变机械稳定性，而不改变具有与生物学特征的幻象的产生。幻影实用程序。3D印刷幻象在生物学上相关的条件更加相关。这些初步结果表明，幻影具有强大的潜力，可以发展为评估脉搏血氧仪性能的工具。差距，建议和策略是为了持续的幻影开发而提出的。
通过热点模仿的墨西哥蛋白RNA相互作用的合理设计的抑制剂
图1：热点模拟方法。我们通过将其应用于Musashi-1的RRM1域来证明这种方法。（a）MSI1 / RNA复合物的结构。RNA（棍棒）围绕蛋白质包裹（球形）。将两个相邻的碱基A106和G107（洋红色）埋在蛋白质表面的浅口袋中。（b）通过收集涉及分子间氢键的深埋碱（洋红色）和原子（以黄色显示的供体，绿色供体显示），从复合物中的RNA产生了相互作用图。（c）相互作用图的组成部分聚集在空间中，不参与氢键的原子将其恢复为碳原子。这会产生“热点药理”。 （d）通过与荧光标记的RNA竞争确定的带有单个无碱性位点与原始同源RNA序列的RNA之间结合自由能的差异。正值表明当给定基碱被无碱位点替换时，结合减少，表明A106和G107对这种相互作用的结合亲和力的贡献大于附近的其他碱基。（e）热点药效团是基于配体筛选的模板，寻找可以模仿药效团的三维特征的化合物。屏幕导致化合物R12的鉴定，该复合R12模拟了环的几何形状，并提供了四个所需的氢键组中的三个。（F）R12与荧光素标记的RNA竞争MSI1结合，如通过荧光极化测定所观察到的。这些数据不允许确定结合亲和力。（g）热点药效团回到蛋白质结构上的叠加说明了应由理想配体捕获的相互作用：针对三个芳族侧级堆叠，以及四个分子间氢键。（H）R12在蛋白质结构上的叠加表明，该化合物有望保留芳香族堆积，并概括了四个氢键中的三个。
激活内源性逆转录病毒和胰腺癌中MEK1/2抑制病毒模仿的诱导
虽然胰管导管腺癌（PDACS）沉迷于KRAS激活突变，但下流kras效应子的抑制剂，例如MEK1/2激酶抑制剂TRAMETINIB，却没有治疗作用。但是，由KRAS途径衰减驱动的监管电路的广泛重新布线可能会引起治疗相关性的脆弱性。在MEK1/2通过Trametinib抑制后的最初几个小时，对PDAC细胞中的转录和表观基因组变量进行了深入的分子分析，揭示了诱导内组逆转录病毒（ERV）（ERVS）的诱导，从而逃脱了表观遗传的硅烷，从而产生了双链RNAS和Interfecn of interfece and Interfecron的生产（导致了Interfef）（Interfe）的产生。我们跟踪了ERV激活，以早期诱导量写因子ELF3的早期诱导，该因子ELF3在IFN和IFN刺激的基因的激活中与IRF1（干扰素调节因子1）进行了广泛结合和激活。在免疫肿瘤学中合理设计中，可以利用 trametinib诱导的PDAC中的病毒模仿。
dabi：使用图像的基于双边控制的模仿学习对数据增强方法的评估
摘要 - 自主机器人操纵是一个复杂且不断发展的机器人领域。本文着重于模仿学习中的数据增强方法。模仿学习包括三个阶段：从专家那里收集数据，学习模型和执行。但是，收集专家数据需要手动努力，并且耗时。此外，由于传感器具有不同的数据采集间隔，因此需要进行预处理，例如降采样以匹配最低频率。下采样可实现数据的增加，还有助于机器人操作的稳定。鉴于此背景，本文提出了使用称为“ dabi”的图像的基于双边控制的模仿学习的数据增强方法。Dabi以1000 Hz收集机器人关节角，速度和扭矩，并使用以100 Hz捕获的Gripper和环境相机的图像作为数据增强的基础。这可以使数据增加十倍。在本文中，我们仅收集了5个专家演示数据集。，我们使用非构成数据集和两种增强方法训练了双边对照模型，用于比较实验并进行了现实世界实验。结果证实了成功率的显着提高，从而证明了达比的有效性。有关其他材料，请检查：https：//mertcookimg.github.io/dabi
