XiaoMi-AI文件搜索系统
World File Search System正则
一种基于新型偏置概率神经网络 (BPNN) 和正则化极限学习机 (RELM) 的听力损失预测系统
听力障碍 [1, 2] 是许多国家正在发展的残疾之一，并被视为古代需要解决的重要问题。在其他器官中，听觉是人类最重要的操作功能 [3]，因为它允许人们相互交流。根据最近的评论，分析认为听力障碍 [4-6] 是世界第五大残疾，它与社会孤立、孤独和认知健康不佳高度相关。通常，听力障碍可能发生在单耳或双耳，可能是暂时的，也可能是永久性的。听力障碍的主要症状如下：沟通困难、无法在嘈杂的环境中理解对话、无法收听广播/电视、感觉到哔哔声以及在小组讨论中注意力不集中。世界卫生组织 (WHO) [7-9] 指出，听力损失在所有年龄性别中都很常见，并且可能会根据事件的数量而增加。它
二次正规化线性程序的定量收敛
具有二次正则化的线性程序由于其在最佳运输方面的应用而引起了新的兴趣：与熵正则化不同，平方惩罚导致最佳运输耦合的近似值稀少。众所周知，当正则化参数趋于零时，在任何多层层上的四个正规化线性程序的解会收敛到线性程序的最小值解决方案。但是，该结果仅是定性的。我们的主要结果通过指定正规化参数的确切阈值来量化收敛性，然后正则化解决方案还求解线性程序。此外，我们在阈值之前绑定了调节解的次优性。这些结果与大规模正规化制度的收敛速率相辅相成。我们将一般结果应用于最佳传输的设置，在那里我们阐明了阈值和次级次要性如何取决于数据点的数量。
印度空间研究组织的空间碎片和空间态势感知研究
4.5 使用 KS 元素进行包括 J 2 、 J 3 和 J 4 的短期轨道预测的解析方法 4.6 用 KS 均匀正则正则元素对 J2、J3、J4 进行解析短期轨道预测
效率NETV2：较小的型号和更快的培训
可以通过在训练过程中逐步增加图像大小来进一步加速我们的培训。许多以前的作品，例如渐进式调整（Howard，2018），FixRes（Touvron等人，2019年）和混合匹配（Hoffer等人，2019年），在培训中使用了较小的图像尺寸；但是，它们通常对所有图像尺寸保持相同的正则化，从而导致准确性下降。我们认为，对不同图像大小保持相同的规则ization并不理想：对于同一网络，小图像大小会导致小网络小组，因此需要弱的正则化；反之亦然，较大的图像大小需要更强的正则化来对抗过度拟合（请参阅第4.1节）。基于这种见解，我们提出了一种改进的渐进学习方法：在早期的培训时期，我们以较小的图像大小和较弱的正则化（例如，辍学和数据增强）训练网络，然后我们逐渐增加图像大小并增加更强大的调节化。建立在渐进式调整的基础上（Howard，2018），但是通过动态调整正则化，我们的方法可以加快训练而不会导致准确性下降。
用于解决广义西尔维斯特方程并估计正则矩阵对之间分离的 LAPACK 风格算法和软件
介绍了一种稳健且快速的软件，用于求解广义 Sylvester 方程 (AR – LB = C, DR – LE = F)，其中未知数为 R 和 L。这种特殊的线性方程组及其转置可用于计算广义特征值问题 S – AT 的计算特征值和特征空间的误差界限、计算同一问题的缩小子空间以及计算控制理论中出现的某些传递矩阵分解。我们的贡献有两方面。首先，我们重新组织了此问题的标准算法，在其内部循环中使用 3 级 BLAS 运算（如矩阵乘法）。这使得 IBM RS6000 上的算法速度提高了 9 倍。其次，我们开发并比较了几种条件估计算法，这些算法可以廉价但准确地估计该线性系统解的灵敏度。
正则化函数回归模型可实现转录组范围内癌症药物反应剂量依赖性关联研究
图 1. 用于识别基因与药物之间剂量依赖性关联的两阶段算法。来自药物筛选研究（例如 GDSC）的基因表达和药物反应数据用于拟合我们的剂量变化系数模型，以估计协变量与药物反应之间的剂量变化效应。应用两阶段变量筛选和选择算法对基因-药物关联进行排序。然后可以使用所选基因来预测目标药物的剂量依赖性反应。
JHEP11（2024）156
这项工作调查了可符合性（3Þ1） - 二维nambu - Jona-Lasinio（NJL）模型的相结构，特别关注不均匀阶段（IPS），在该阶段（IPS）中，手掌凝结物在空间上是不均匀的，在空间上是不均匀的，密切相关的Moat Moat Companimes，在这里，在这里，有偏见的不合情对离的偏爱不合适的人类关系。我们使用平均场近似值，并考虑五个不同的正则化方案，包括三个晶格离散化。为了研究IP对正则化方案和调节剂价值的选择的依赖性，对不同正则化方案内的结果进行了系统的分析。IP对所选的正则化方案表现出极大的依赖性，该方案在该模型中对不均匀阶段的结果进行了任何物理解释。相比之下，我们发现护城河制度的一个温和的方案依赖性表明其存在是NJL模型及其对称性的作用的结果，因此它也可能存在于QCD中。
重新思考折扣正规化：新的解释，意外后果和增强学习方案的解决方案
在计算最佳策略时使用较短的计划范围的折扣正则化是一个流行的选择，可以避免面对稀疏或嘈杂的数据时过度使用。通常将其解释为脱颖而出或忽略延迟的影响。在本文中，我们证明了折扣正则化的两种替代观点，这些观点暴露了意外后果并激发了新颖的正则化方法。在基于模型的RL中，在较低的折现因子下计划的行为就像先前的，具有更强的州行动对，并具有更多的过渡数据。从数据集中估算过过渡矩阵时，跨州行动对的数据集估算了不均匀的数据集时，这会导致性能。在无模型的RL中，折扣正则化等同于计划使用加权平均贝尔曼更新，在该计划中，代理计划似乎所有州行动对的值都比数据所暗示的更接近。我们的等价定理促使简单的方法通过在本地设置个人状态行动对而不是全球的参数来概括常规ization。我们证明了折扣正则化的失败以及如何使用我们的州行动特定方法在经验示例中使用表格和连续状态空间进行纠正。
折叠家庭调查的贝叶斯优化针对有向蛋白的进化
定向进化（DE）是一种蛋白质工程技术，涉及诱变和筛选以搜索优化给定特性的序列（例如将有效绑定到指定目标）。不幸的是，潜在的优化问题不确定，因此引入的突变以提高指定特性可能是以未定的，但重要的属性为代价的（例如，亚细胞定位）。我们试图通过将折叠的正则化因子纳入优化问题来解决这个问题。正则化因子偏向于类似于蛋白质所属折叠族的序列的设计的搜索。我们将方法应用于具有与IgG-FC的官能测量值的大型蛋白质GB1突变体库。我们的结果表明，正则化优化问题会产生更多类似天然的GB1序列，而结合效率仅略有下降。特别是，在GB1折叠族的生成模型下，我们的设计的对数比没有正则化的生成模型高41-45％，而结合效果仅下降了7％。因此，我们的方法能够在竞争性状之间进行交易。此外，我们证明了我们的主动学习驱动方法可将湿lab负担降低，以识别最佳的GB1设计，相对于Arnold Lab在同一数据上的最新结果。