XiaoMi-AI文件搜索系统
World File Search System深神
基于KAN的混合深神经网络，用于准确鉴定转录因子结合位点
其他声明：利益冲突：RJB是Dian-Tu的董事和Dian和Dian-Tu-001试验的首席研究员。Unrelated to this study, for the DIAN-TU, he receives research support from the NIA, Eli Lilly and Company, F. Hoffman-La Roche, Ltd., Eisai, Alzheimer's Association, GHR Foundation, Anonymous Organization, DIAN-TU Pharma Consortium (Active Members: Biogen, Eisai, Eli Lilly and Company, Janssen, F. Hoffmann-La Roche, Ltd./genentech）。JH是Parabon Nanolabs，Roche，Prothena和Alzpath的付费顾问/顾问。 gyrh报告没有与这项工作直接相关的竞争利益。 他已经获得了CIHR，NIA/NIH的赠款或合同，是Biogen，Cassava和Lilly支持的临床试验研究人员，已参加了Biogen，Roche和Novonordisk支持的专家咨询委员会，并且是C5R（现任C5R联合会（Canadian of Canadian of Canadian of Canadian of Canadian of Canadian of Canadian of Canadical Cognical Cognitial Cognition Cognition Cognition Cognition Cognition Cognition Cognition Cognition Cognitions Conseys））。 EMM从NIA获得赠款； Eisai Hoffmann-La Roche Eli Lilly的机构资助。 他是Alector的DSMB成员（直接付款）；伊利礼来科学顾问委员会成员（直接支付给我）为阿尔茨海默氏症的阿尔扎明。 他是Sage Therapeutics，Eli Lilly，Sanofi，Astrazeneca，Hoffmann La-Roche的顾问/顾问。 CC已获得GSK和EISAI的研究支持。 该研究的资助者在数据的收集，分析或解释中没有作用；在报告的写作中；或决定提交论文出版。 CC是循环基因组学顾问委员会的成员，并在这些公司中拥有股票。JH是Parabon Nanolabs，Roche，Prothena和Alzpath的付费顾问/顾问。gyrh报告没有与这项工作直接相关的竞争利益。他已经获得了CIHR，NIA/NIH的赠款或合同，是Biogen，Cassava和Lilly支持的临床试验研究人员，已参加了Biogen，Roche和Novonordisk支持的专家咨询委员会，并且是C5R（现任C5R联合会（Canadian of Canadian of Canadian of Canadian of Canadian of Canadian of Canadian of Canadical Cognical Cognitial Cognition Cognition Cognition Cognition Cognition Cognition Cognition Cognition Cognitions Conseys））。EMM从NIA获得赠款； Eisai Hoffmann-La Roche Eli Lilly的机构资助。他是Alector的DSMB成员（直接付款）；伊利礼来科学顾问委员会成员（直接支付给我）为阿尔茨海默氏症的阿尔扎明。他是Sage Therapeutics，Eli Lilly，Sanofi，Astrazeneca，Hoffmann La-Roche的顾问/顾问。 CC已获得GSK和EISAI的研究支持。 该研究的资助者在数据的收集，分析或解释中没有作用；在报告的写作中；或决定提交论文出版。 CC是循环基因组学顾问委员会的成员，并在这些公司中拥有股票。他是Sage Therapeutics，Eli Lilly，Sanofi，Astrazeneca，Hoffmann La-Roche的顾问/顾问。CC已获得GSK和EISAI的研究支持。该研究的资助者在数据的收集，分析或解释中没有作用；在报告的写作中；或决定提交论文出版。CC是循环基因组学顾问委员会的成员，并在这些公司中拥有股票。DP是Glaxosmithkline（GSK）的员工，并在GSK中持有库存。CX得到国家老化研究所（NIA）授予R01 AG067505和R01 AG053550的支持。所有其他作者都没有披露。JCM是弗里德曼（Friedman）杰出的神经病学教授，骑士ADRC副主任； Dian副主任和Dian的创始首席研究员。他由NIH赠款＃P30 AG066444资助； P01AG003991; P01AG026276;和U19 AG024904。他和他的家人都没有在任何药品或生物技术公司拥有股票或拥有股权（在共同基金或其他外部指示帐户之外）。TLSB拥有研究人员从NIH，阿尔茨海默氏症协会，Barnes-Jewish医院基金会和Avid Radiopharmaceuticals发起了研究资金。Benzinger博士参加了由Avid Radiopharmaceuticals，Eli Lilly and Company，Biogen，Eisai，Eisai，Jaansen和F. Hoffmann-La Roche Ltd的临床试验参与临床试验。AER报告没有竞争利益。他从美国国家老化研究所（R01AG053267，U19AG032438）收到了这项工作的研究支持。他从AMED获得了这项工作的研究支持（JP23DK0207066和JP23DK0207049）。GSD报告与这项工作直接相关的竞争利益。他的研究得到NIH的支持（K23AG064029，U01AG057195，U01NS120901，U19AG032438）。他是Parabon Nanolabs Inc的顾问，并担任动态（EBSCO）的主题编辑（痴呆症）。他是抗NMDAR脑炎临床试验的参与PI，该试验获得了Amgen Pharmaceuticals的支持，也是ARIALYS Therapeutics的顾问。他已经为Peerveriew Media，Inc和Consighating Education Inc.开发了教育材料。他拥有ANI Pharmaceuticals中的股票。DAR博士的机构已获得Eli Lilly的支持，以开发和参与教育事件，以促进
改善自主机器人技术的深神经网络
基于抽象视觉的Deeplearningceptionful Fillsaparamountroleinrobotics，促进stomitatingstolutionStomanyChallengingScenarios，例如自动无人驾驶汽车（无人机）的杂技演习和机器人辅助的高级手术。以控制为导向的端到端感知方法直接输出机器人控制变量，通常将机器人的状态估计作为辅助输入。当中间输出被估算并馈送到较低级别的控制器时，即介导的方法时，机器人的状态通常仅作为以Egipentric任务的输入来估计机器人本身的物理特性。在这项工作中，我们建议第一次（据我们所知）将类似的方法应用于非中心介导的任务，其中估计的输出指的是外部主题。我们证明了我们的一般方法论如何改善深度卷积神经网络（CNN）对广泛的非中心3D姿势估计问题的回归性能，并且计算成本最少。通过分析三种高度不同的用例，从用机器人臂抓住到具有袖珍无人机的人类受试者，我们的结果始终提高r 2回归度量，与他们的无状态基线相比，我们的结果始终提高+0.51。最后，我们验证了人类姿势估计任务上闭环自动cm级无人机的内部性能。我们的结果表明，与最先进的无状态同行相比，我们的状态CNN的平均绝对误差平均减少了，即平均24％。
一个用于优化深神经网络体系结构和超参数
在本文中，我们提出了Dragon（用于定向的无环形优化），这是一种自动生成效率高的深神经网络体系结构并优化其相关超参数的算法框架。该框架基于不断发展的无环图（DAG），定义比文献中现有的搜索空间更具灵活的搜索空间。它允许进行不同的古典操作的混合物：卷积，相互作用和密集的层，但也有更多新的操作，例如自我注意力。基于此搜索空间，我们建议邻里和进化搜索操作员，以选择网络的体系结构和超参数。这些搜索操作员可以与能够处理混合搜索空间的任何元疗法一起使用。我们在时间序列预测基准的时间序列上使用异步进化算法测试了我们的算法框架。结果表明，龙的表现优于最先进的手工制作的模型和汽车技术，用于在众多数据集上预测时间序列。Dragon已被实施为Python开源软件包1。关键字：神经体系结构搜索，超参数优化，元启发式学，进化算法，时间序列预测
婴儿视觉皮层的深神经网络模型
dnns现在通常被用作成人腹流的模型（Richards等，2019; Yamins等，2014; Zhuang等，2021），但甚至不比成人视力研究，它们还提供了对视觉发展的新颖洞察力的潜力。拥有学习过程的机械模型是没有直接访问的，因为Intants不能参与典型的认知实验或报告其经验。此外，婴儿和机器学习之间的相似之处是两个领域的研究人员越来越兴趣（Zaadnoordijk，Besold，＆Cusack，2022; Smith＆Slone，2017年）。最近的工作表明，从婴儿的角度来看，数据甚至可以有效地训练大型语言模型（Pandey，Wood和Wood，2024年），并提供了学习单词视频引用的必要结构（Vong，Wang，Orhan，＆Lake，2024年）。我们的工作在发育过程中提出了这一方法，使用DNN来表征附加单词的视觉表示，并提出神经连接学家（Doerig et al。，2023）研究框架发展为发育神经科学。
对象识别的深神经网络模型中的生成感知推断会引起虚幻的轮廓和形状
虚幻的轮廓和塑造突出了自然和人造视力如何感知世界之间的巨大差距。在这项研究中，我们表明，模式识别模型体现了一个生成模型，该模型整合了pi脚先验和感官处理。我们介绍了一种新型的感知算法，生成感知推理（GPI），该算法通过在早期层中积累传播误差来迭代地更新激活。鉴于Kanizsa正方形作为针对可靠对象分类的深神经网络（DNN）的输入，我们的结果表明，运行GPI导致了感知到的“白色广场”区域中类似边缘模式的出现。此外，当GPI用鲁宾的花瓶图像作为输入应用于同一DNN时，它会创建类似花瓶的模式，而GPI在具有相同体系结构的DNN中，但对面部识别进行了优化，从而创建了类似面部的模式。因此，我们通过可捕获有关动物和人类幻觉的实验发现的可构成图像计算算法发现了自然图像事先与虚幻轮廓和形状感知之间的直接联系。更广泛地，这项工作将视觉皮层的视图既是统一框架中的模式识别和生成模型。
使用膝盖训练的深神经网络进行大脑MRIS
先前对MRI重建的研究重点是实施深度学习算法及其对图像质量的评估[1、4、10、16、20]，但域转移的主题很少被研究。但是，由于深度学习模型对给定数据的自然依赖性，该领域的适应性被证明对大多数其他深度学习应用程序中深度学习算法的性能产生了重大影响[11，14]。这一挑战对于MRI重建的学术和潜在临床应用尤其重要。自然出现的问题是“域转移对不同网络的不同数据配置有多少影响？”和“哪些网络在临床应用中最不容易在不同程度的域转移？”。为此，我们提供可视化工具，并在统计上研究域转移在最先进的MRI重建网络中有关培训数据的变化的影响。最后，基于我们的多方面分析的结果，通常适用的结论和
使用具有12铅心电图的深神经网络算法的肥厚性心肌病患者的心力衰竭严重程度分类的模型
肥厚性心肌病（HCM）中的抽象目标观察到了特定的心电图异常。因此，ECG是一种有价值的筛选工具。尽管有几项研究报告了从心电图发现估计致命心律不齐的风险，但尚未确定使用ECG来识别心力衰竭的严重程度（HF）通过应用深度学习（DL）方法尚未确定。我们评估了数据驱动的机器学习方法是否可以有效地识别HCM患者的HF严重程度。使用来自218例HCM患者和245例非HCM患者的12个铅ECG数据开发了一个基于神经网络的模型，将其分为两种（轻度至中度和重度）或三个（轻度，中度和重度）HF的HF。根据纽约心脏协会的功能类别定义了这些严重程度，以及脑纳替肽的N末端激素的水平。此外，根据堪萨斯城心肌病问卷（KCCQ）-12，将患者分为组。采用了一种转移学习方法来解决目标样本数量少的问题。使用PTB-XL提前训练该模型，PTB-XL是一个开放的ECG数据集。结果，使用我们的数据集训练的模型获得了温和的平均F1得分为0.745，而轻度至中度类样品的型号为0.745，精度为0.750。基于KCCQ-12的分组获得了相似的结果。结论我们使用具有12个铅ECG数据的深神经网络算法开发了用于HCM患者HF严重程度的模型。通过使用引导梯度加权级激活图和集成梯度的数据分析，QRS波在真实阳性的轻度至中度类别的情况下强烈强调，而突出显示的部分在真实正面的严重类别的案例中是高度可变的。我们的发现表明，该DL算法在使用12个铅ECG数据中的应用可能对HCM患者的HF状态分类很有用。
Develset：即时掩模优化的深神经级
摘要 - 作为分辨率增强技术的关键技术之一（RET），光学接近校正（OPC）的计算成本过高，作为特征尺寸缩小的缩小。逆光刻技术（ILTS）将掩模优化过程视为反向成像问题，产生高质量的曲线掩模。但是，由于其时间消耗程序和过多的计算开销，ILT方法通常无法打印性能和制造性。在本文中，我们提出了DEVELSET，这是一种有效的金属层OPC引擎，该发动机替换了基于隐式级别设置表示的离散基于像素的掩码。使用GPU加速的岩性模拟器，Develset使用神经网络实现端到端掩模优化，以提供准优化的水平设置初始化，并使用基于CUDA的掩模优化器进行快速收敛。Develset-NET的骨干是一个基于变压器的多重型神经网络，它提供了一个参数选择器，以消除对手动参数初始化的需求。实验结果表明，DEVELSET框架在可打印性方面优于最先进的方法，同时实现快速运行时性能（约1 s）。我们期望这种增强的水平设定技术，再加上CUDA/DNN加速的关节优化范式，对工业面罩优化解决方案产生了重大影响。
使用深神经网络的智能分类和诊断糖尿病和葡萄糖耐受性受损
摘要：梭状芽胞杆菌的差异是一种厌氧形成孢子的革兰氏阳性细菌。C。在三个不同的抽样时间中研究了三个临床组的差异托架和16S rDNA培养：炎症性肠病（IBD）患者，C。Dififile感染（CDI）患者和医护人员（HCWS）（HCWS）。多样性分析是在三个临床组，正和负梭状芽胞杆菌组和三个分析期间实现的。关于这三个临床组，β多样性测试显示它们之间存在显着差异，尤其是HCW组和IBD组之间以及IBD患者和CDI患者之间的差异。辛普森指数（偶数）在两个临床组（HCW和IBD）之间显示出显着差异。在IBD患者组（Sutterella，agathobacter）和CDI患者组（肠球菌，梭状芽胞杆菌）中，几个属属属属构成显着不同。关于阳性和负甲状腺菌的差异托架基团，β多样性测试显示出显着差异。Shannon，Simpson和Invsimpson索引在两组之间显示出显着差异。几个属的阴性组（Agathobacter，sutterella，anaerostipes，oscillospira）和阳性组（肠球菌，肠杆菌，肠杆菌科和肠杆菌_GE）中的几个属的相对患病率显着不同。在C.差异阳性载体中检测到微生物群。需要进行更多的实验来测试此微生物群，以查看其对C.差异感染的影响。
使用深神经网络的智能分类和诊断糖尿病和葡萄糖耐受性受损 肠道菌群与三个临床组（炎症性肠病，艰难梭菌感染和医疗保健工人）相关的梭状芽胞杆菌艰难梭菌运输 锌电池的固态电解质的微型景 心血管疾病和糖尿病之间共享途径涉及的分子过程 对治疗和预防的影响 对氨基酸水平和认知di 的影响 DNA基本三重态中的短距离电荷传输 精确肿瘤学是年龄的：设计最佳... 通过波长分辨中子成像揭示电池电解质中温度的影响 一种预防妊娠糖尿病史的亚洲妇女预防2型糖尿病的整体方法：可行性研究和飞行员随机对照试验 血管紧张素转换酶（ACE）抑制剂 - 与肌细胞收缩和心室隔隔发育有关的基因突变，法洛>非伴有四方四边形 呼吸基因治疗的进展
摘要：时间序列分类是数据挖掘中的一个具有挑战性且令人兴奋的问题。根据时间序列进行了分类和诊断的某些疾病。糖尿病是这种情况，可以根据口服葡萄糖耐受性测试（OGTT）的数据进行分析。及时诊断糖尿病对于疾病管理至关重要。糖尿病不会突然出现。取而代之的是，患者表现出葡萄糖耐受性受损的症状，也可以通过葡萄糖耐受性测试来诊断。这项工作使用基于时间序列数据的深神经网络提出了疾病，特定糖尿病和葡萄糖耐受性差的分类和诊断方案。此外，通过Dalla Man和UVA/Padova模型获得了虚拟患者的数据；对实际患者的数据进行了验证。结果表明，深神经网络的精度为96％。这表明DNNS是一个有用的工具，可以在早期检测中改善疾病的诊断和分类。