XiaoMi-AI文件搜索系统
World File Search System模型调整
在生成无监督的域适应中，持续预训练的有用是如何有用的？
最新的规模突破使强大的生成语言模型的出现以及通过将这些模型调整为各种任务的能力，可以通过将它们投入到提示或指令中。在这种景观中，无监督的域适应性（UDA）或利用从标记的源域到未标记的目标域的知识的问题已被遗留下来，最近仍在解决犯罪性犯罪分类的最新UDA方法。特别是，在生成环境中探索了两种流行的UDA方法，涉及持续的预训练（CPT）和学习域的不变表示形式。在这项工作中，我们评估了CPT对生成UDA的实用性。我们首先进行经验评估，以衡量CPT和强大方法之间促进域的权衡。我们进一步评估了CPT的质量扩展到不同体系结构，调整方法和数据制度的程度。然后，我们通过研究其在目标域上的分类性能在多大程度上使CPT的使用。最后，我们试图了解CPT改善未标记目标域上的分类性能的机制。我们的发现表明，该模型暗中学习了下游任务，同时预测掩盖的单词可以为该任务提供信息。我们的工作将UDA研究的主体与教学调整联系起来，从而朝着更广泛的现代语言模型迈出了第一步。我们的代码可在https://github.com/uppaal/ cpt-generative-uda上找到。
基于变压器的视觉分割：调查
摘要 - 视觉细分试图将图像，视频帧或点云分段分为多个段或组。该技术具有许多现实世界的应用，例如自动驾驶，图像编辑，机器人传感和医学分析。在过去的十年中，基于深度学习的方法在这一领域取得了显着的进步。最近，Transformers是一种基于最初为自然语言处理的自我注意力的一种神经网络，在各种视觉处理任务中已经超过了以前的卷积或经常性方法。具体来说，视觉变压器为各种细分任务提供了强大，统一甚至更简单的解决方案。本调查提供了基于变压器的视觉细分的详细概述，总结了最近的进步。我们首先审查背景，包括问题定义，数据集和先前的卷积方法。接下来，我们总结了一个统一所有基于变压器的方法的元结构结构。基于此元结构结构，我们检查了各种方法设计，包括对元结构和相关应用程序的修改。我们还提供了几个特定的子字段，包括3D点云进行分割，基础模型调整，域感知分割，有效的分割和医疗分割。此外，我们在几个公认的数据集上编译并重新评估了所审核的方法。最后，我们确定了这一领域的公开挑战，并提出了未来研究的方向。项目页面可以在https://github.com/lxtgh/aweshy-sementation-with-transformer上找到。
在物联网中检测网络威胁
虽然物联网（IoT）的扩散彻底改变了几个行业，但它也引起了严重的数据安全问题。这些网络设备的安全性和物联网网络的可靠性取决于有效的威胁检测。设备异质性，计算资源限制以及网络威胁的不断变化的性质是使在物联网系统中检测网络威胁的一些障碍。复杂的威胁常常被传统的安全措施未发现，需要更复杂的自适应检测方法。因此，本研究介绍了基于支持向量机规则的检测（HSVMR-D）方法的混合方法，用于识别对物联网的网络威胁的全包含方法。HSVMR-D使用从物联网数据中获得的属性使用SVM来对已知和未知威胁进行分类。使用基于规则的方法识别已知的攻击特征和模式可以提高检测效率，而无需通过将预训练的模型调整为新的IoT环境，而不必重新培训。保护重要的基础架构和敏感数据，HSVMR-D提供了一个彻底且适应性的解决方案，以改善物联网部署的安全姿势。与基线研究相比，全面的实验分析和仿真结果证实了所提出的HSVMR-D的效率。此外，增加对完全新颖的威胁，更少的假阳性以及提高威胁检测准确性的弹性是所有结果表明拟议的工作表现优于其他工作。HSVMR-D方法很有帮助，而在资源有限的情况下，主要目标是物联网（IoT）的安全环境。
source-free-domain-adaptive-fundus-image-segmentation- ...
摘要。本文研究了无源域的自适应基础分段，旨在使用未标记的图像将经过预告片的眼底分割模型调整为目标域。这是一项具有挑战性的任务，因为仅使用未标记数据调整模型是高度风险的。大多数现有方法主要是通过设计技术来仔细生成模型预测的伪标签并使用伪标签来训练模型来解决此任务。在经常获得正适应作用的同时，这些方法与两个主要问题有关。首先，它们往往相当不稳定 - 不正确的伪标签突然出现可能会对模型产生灾难性影响。第二，他们无法考虑前景（例如，杯子）区域通常很小的眼底图像的严重阶级失衡。本文旨在通过提出级别平衡的平均教师（CBMT）模型来解决这两个问题。CBMT通过提出一个弱小的卑鄙的教师学习计划来解决不稳定的问题，在该计划中，只有教师模型才能从弱增强的图像中生成伪标签，以训练学生模型以强烈的增强图像作为输入。教师被更新为训练有素的学生的平均值，这可能很吵。这阻止了教师模型突然受到伪标签的突然影响。对于类不平衡问题，CBMT提出了一种新型的损失校准方法，以根据全球统计数据突出前景类别。实验表明，CBMT很好地解决了这两个问题，并且在多个基准测试中的现有方法优于现有方法。
CMIP6模型中的南洋辐射偏置，云补偿错误和平衡气候灵敏度
使用已建立的云聚类方法分析摘要耦合模型对比项目阶段6（CMIP6）模型。这可以比较模型和观察中的云表示。显示南大洋上层云的模拟已显示出从早期模型中发生的很大变化。分析的CMIP6模型表明，在模拟中比国际卫星云气候项目（ISCCP）观测值更频繁地发生层云，但与云和地球的辐射能量系统（CERES）数据相比还不够明亮。这与“太少，太明亮”的问题形成鲜明对比，后者表征了层状云的先前模型模拟，尤其是在南大洋上。云簇还可以计算模型数据中的均值和补偿短波云辐射效应（SW CRE）错误。补偿错误显示出比平均误差大得多，表明CMIP6模型在其云表示方面仍然有很多改进。确定了南大洋的SW CRE中的平均值和补偿错误之间具有统计学意义的负相关关系。在其他地方观察到这种关系，但仅在南大洋中很重要。这意味着模型调整工作在该区域的云表示中隐藏了偏见。相对于CMIP5模拟， CMIP6模型的气候灵敏度（EC）具有较高的平衡气候灵敏度。CMIP6模型的气候灵敏度（EC）具有较高的平衡气候灵敏度。研究了ECS与SW CRE平均值与补偿错误之间的联系，但没有发现这些变量之间存在关系的证据。
测量的强度 - 特定的体育活动，遗传风险...
抽象目标尽管建议预防2型糖尿病（T2D）的30分钟/天中等强度的体育活动，但目前的建议仅依赖于自我报告，很少考虑遗传风险。我们检查了总/强度特异性的体育活动与事件T2D的前瞻性剂量反应关系，并按照不同水平的遗传风险进行了分层。方法这项前瞻性队列研究基于英国生物银行的59 325名参与者（2013 - 2015年平均年龄= 61.1岁）。使用加速度计收集了总/强度特定的体育活动，并链接到国家注册表，直到2021年9月30日。我们使用COX比例危害模型调整了限制性的立方花纹（基于424个选定的单核苷酸多态性），研究了对体育活动与T2D发病率之间剂量反应关联的形状。在中位随访期间的结果为6。8年，即使调整了遗传风险，中度到vi剂的体育活动（MVPA）和入射T2D之间也存在很强的线性剂量反应关联。与最不活跃的参与者相比，较高水平的MVPA水平的HRS（95％CI）为：0.63（0.53至0.75），为5.3-25.9 min/day，0.41（0.41（0.34至0.51），为26.0-68.4分钟/天，0.26（0.18至0.26至0.38）（0.18至0.38）（0.18至0.38）。虽然没有发现身体活动措施与遗传风险之间的显着乘法相互作用，但我们发现MVPA和遗传风险评分之间存在显着的添加剂相互作用，这表明在具有较高遗传风险的人群中，MVPA水平在MVPA水平上较大的绝对风险差异。应该促进参加体育活动，特别是MVPA的结论参与，尤其是在具有T2D遗传风险高的人中。这些收益可能没有最小或最大的阈值。这一发现可以为未来的指南开发和干预措施提供信息，以防止T2D。
研究文章通过控制精神分裂症的基因组风险来研究大脑基因共同表达网络结构的特质变异性
精神分裂症（SCZ）遗传风险对脑中基因表达的影响仍然存在。这一问题的一种流行方法是基因共表达网络算法（例如WGCNA）的应用。要通过这种方法提高可靠性，至关重要的是要消除不良方差的来源，同时也保留了感兴趣的生物学信号。在这项WCGNA研究的RNA-seq数据研究中，我们的后额叶前皮层（78个神经型供体，欧洲血统）测试了SCZ遗传风险对共表达网络的影响。具体而言，我们实施了一种新颖的设计，在该设计中，通过线性回归模型调整了基因表达，以保存或消除通过生物学兴趣信号解释的方差（SCZ风险的GWAS基因组评分） - （GS-SCZ），（GS-SCZ），基因组分数，高度（GS-HT）作为负面对照的高度（GS-HT），同时删除了covariat diment covariat dixpect files coeriat covariat from covariat。我们通过调整后的表达（GS-SCZ和GS-HT保留或删除）计算了共表达网络，以及它们之间的共识（代表“背景”网络无基因组得分效应的“背景”网络）。然后，我们测试了GS-SCZ保留的模块和背景网络之间的重叠，该模块的重叠减少的模块将受到GS-SCZ生物学的影响最大。此外，我们还测试了这些模块的SCZ风险收敛性（即，PGC3 SCZ GWAS优先基因的富集，SCZ风险遗传力的富集和相关的生物本体论。总的来说，我们的结果表明我们的结果突出了GS-SCZ对大脑共同辅助网络的影响的关键方面，特别是：1）保存/删除SCZ遗传风险改变了共同表达模块； 2）富含GS-SCZ影响的模块中的生物学途径暗示转录，翻译和代谢过程，这些过程会融合到影响突触传播的影响； 3）优先级PGC3 SCZ GWAS基因和SCZ风险遗传力富含与GS-SCZ效应相关的模块。
Medicine®
摘要虽然与欧洲血统（EAS）相比，非洲血统人士（AAS）之间的肥胖症患病率增加与社会，环境和行为因素有关，但没有常见的基因变异，并且与AA种群中肥胖症有显着相关。我们试图探索载脂蛋白L1（APOL1）基因与AAS中肥胖相关性状的祖先特异性肾风险变体之间的关联。我们从3个电子病历中进行了基因型 - 表型关联研究（Bio Me Biobank，Biobank，Biovu，Nugene）；随机对照试验（了解和解决肾脏疾病差异的基因检测）和前瞻性队列研究（杰克逊心脏研究）。我们分析了APOL1肾脏风险变体与肥胖（平均体重指数（BMI）以及超重和肥胖的比例）以及身体组成量（在杰克逊心脏研究中）的关联。我们有关于11,930个自我报告的AA成年人的数据。在整个队列中，平均年龄为42岁至49岁，女性百分比从58％至75.3％。具有2个APOL1风险等位基因（AAS的14％）的个体与其他人相比具有30％的肥胖赔率（隐性模型调整后的优势比1.30; 95％的置信间隔1.16 - 1.41; P = 2.75 10 6）。一个加性模型更好地拟合了关联，其中每个等位基因（AAS的47％）将肥胖赔率增加1.13倍（调整后的优势比1.13; 95％的固定间隔1.07 - 1.19; p = 3.07 10 6）; p = 3.07 10 6），将BMI增加了0.36kg/m 2（1.1kg，p = 〜1 1kg，p = 〜17 m。apoL1等位基因与整体上的重型身体组成性状无关，但与女性的无脂肪质量指数显着相关[每个等位基因的0.30kg/m 2增量； p = .03]。因此，在AAS的近一半中发现的APOL1基因中的肾脏风险变体与BMI和肥胖以加性方式相关。这些变体可以自行或与环境因素互动，解释肥胖中种族差异的比例。
帕金森病的机器学习模型
背景：随着数据，计算资源的可用性越来越多，机器学习（ML）越来越多地用于疾病检测和预测中，包括帕金森氏病（PD）。尽管每年进行了大量研究，但实际使用的ML系统很少。，缺乏外部有效性可能会导致这些系统在临床实践中的性能不佳。ML设计和报告中的其他方法论问题也可能会阻碍临床采用，即使对于将从此类数据驱动系统中受益的应用也是如此。目的：为了采样PD应用中当前的ML实践，我们对2020年和2021年发表的研究进行了系统的综述，该研究使用ML模型诊断PD或TRACK PD进展。方法：我们根据2020年1月至2021年4月之间的PubMed进行了Prisma（首选的系统审查和荟萃分析项目的首选报告项目），使用以下确切的字符串：使用以下确切的字符串：“帕金森氏症”和（“ ML”或“ ML”或“ Predictional”或“或“检测”或“人为”或“人为”或“人”或“ AI” AI II II，我们在PubMed进行了系统文献综述。搜索产生了1085个出版物。在搜索查询和审查后，我们发现了113个出版物，这些出版物将ML用于基于PD或PD相关症状的分类或基于回归的预测。结果：只有65.5％（74/113）的研究使用了持有测试集来避免潜在膨胀的准确性，而没有保留测试集的研究中，大约一半（25/46，54％）的研究并没有表明这是潜在的问题。令人惊讶的是，研究的38.9％（44/113）没有报告如何调整模型，而另外的27.4％（31/113）使用了临时模型调整，这通常在ML模型优化中皱眉。只有15％（17/113）的研究与其他模型进行了直接比较结果，严重限制了结果的解释。结论：本综述重点介绍了当前ML系统和技术的显着局限性，这些系统可能会导致研究中报告的性能与旨在检测和预测PD等疾病的ML模型的现实生活适用性之间的差距。
改善餐厅XYZ的库存管理：A ...
摘要本研究研究了实施经济订单数量（EOQ）模型，以改善XYZ餐厅的库存管理实践。这项研究的主要目的是确定EOQ模型在餐饮行业的动态环境中优化供应链和降低总体库存成本方面的功效。考虑到许多食品成分的易于损坏的性质和客户需求的波动，这项研究调整了传统的EOQ框架，以匹配容易损坏且不容易损坏的物品，以实现最小化库存和减少多余库存之间的平衡。本研究使用定量方法，利用XYZ餐厅的销售数据和历史清单来计算最佳订单的数量，并将其与现有库存实践进行比较。调查结果表明，EOQ模型调整为某些工业变量（例如衰减率和需求变异性），大大增加了库存周转和减少浪费。此结果的含义表明，具有某些修改的EOQ模型可以是提高餐馆财务效率和运营效率的宝贵工具。这项研究通过提供改进的EOQ应用程序策略来改善餐饮行业的库存管理，从而为这一领域做出了贡献。关键字：库存管理，经济秩序数量（EOQ），供应链优化，降低成本策略，运营效率。摘要本研究研究了实施经济订单数量（EOQ）模型，以增强XYZ餐厅的库存管理实践。该研究的主要目的是确定EOQ模型在优化供应链和降低餐饮行业动态环境中总体库存成本方面的功效。鉴于许多食品的易腐烂性质和客户需求的易腐烂性带来的挑战，该研究适应了传统的EOQ框架，以适应可腐烂和不可腐烂的物品，旨在在最小化库存和减少多余库存之间达到平衡。该研究采用定量方法，利用XYZ餐厅的历史销售和库存数据来计算最佳订单数量，并将其与现有的库存实践进行比较。调查结果表明，在针对特定行业变量（例如变质率和需求变异性）调整时，EOQ模型可显着改善库存周转和减少浪费。这些结果的含义表明，具有特定修改的EOQ模型可以成为提高餐馆财务效率和运营效率的宝贵工具。这项研究通过提供量身定制的EOQ应用程序策略来增强餐饮行业的库存管理，从而为该领域做出了贡献。