XiaoMi-AI文件搜索系统
World File Search System监督的
通过无监督的学习来识别具有最低先验知识的量子相变的
Majorana国家的编织表明其非亚洲交换统计数据。编织的一种实现需要控制三台式设备中所有主要州之间的成对耦合。为了:: to：拥有绝热设备，需要对所需的对耦合才能充分:::::::::::::足所以：很大，并且不需要的耦合即可消失。在这项工作中，我们在两维电子气体中设计和模拟了三台式设备，重点是连接三个主要状态的正常区域。我们使用优化方法在多维电压空间中找到设备的运行状态。使用优化结果，我们通过绝热地耦合不同的主要群体状态，而无需缩小拓扑间隙，从而模拟了编织实验。然后，我们评估在三台设备中编织的可行性，以实现不同的形状和无序强度。
知识意识的推理，并在MOOC中进行自我监督的强化学习，以进行解释
抽象可解释的建议很重要，但尚未在大规模开放的在线课程（MOOC）中探索。最近，知识图（kg）在可解释的建议中取得了巨大成功。但是，电子学习方案具有一些独特的限制，例如学习者的知识结构和课程前提条件要求，导致现有的基于KG的建议方法在MOOC中工作不佳。为了解决这些问题，我们提出了一个新颖的可解释的建议模型，即通过自我监督的r genning（KRRL）进行k nowledge-knowledge-resountion。特别是为了增强kg中的语义表示和关系，一种多级表示学习方法丰富了语义相互作用的感知信息。之后，一种自我监督的强化学习方法有效地指导了KG上的路径推理，以匹配电子学习场景中的独特约束。我们在两个现实世界的MOOC数据集上评估了KRRL模型。实验结果表明，就建议准确性和解释性而言，KRRL显然优于最先进的基线。
与自我监督的转移学习
Temporal lobe 43 (20.1%) 12 (10.7%) Frontal Lobe 22 (10.3%) 4 (3.6%) Suprasellar 6 (2.8%) 32 (28.6%) Optic Pathway 8 (3.7%) 17 (14.9%) Brainstem 7 (3.3%) 9 (7.9%) Thalamus 15 (7.0%) 2 (1.8%) Ventricles 14 (6.5%) 2 （11.4％）其他59（27.6％）1（0.9％）CBTN：儿童脑肿瘤网络。对
监督的肺动脉高压运动康复
1英国格拉斯哥大学医学，兽医与生命科学学院； 2英国格拉斯哥大学医学，兽医与生命科学学院卫生与福祉学院； 3英国邓迪大学分子和临床医学； 4英国伦敦大学伦敦大学学院健康信息学研究所； 5英国伦敦国王学院医院； 6英国埃克塞特市皇家德文郡和埃克塞特医疗基金会信托基金会心脏病学系； 7澳大利亚新南威尔士州悉尼心脏研究所； 8英国埃克塞特市埃克塞特大学医学院卫生与生命科学学院卫生与社区科学系卫生与社区科学系初级保健研究小组； 9英国考文垂沃里克大学沃里克医学院卫生科学系； 1 0英国莱斯特莱斯特大学呼吸科学系； 11 MRC/CSO社会和公共卫生科学部门，罗伯逊生物统计学中心，卫生与福利研究所，格拉斯哥大学，英国格拉斯哥大学；和1 2心理学系，卫生科学学院，国家公共卫生研究所，南丹麦大学，丹麦，丹麦
智能环境中的远程心率监控来自带有自我监督的预训练的视频
摘要 - 深度学习的进展使得通过分析视频在智能环境中远程估算心率变得越来越可行。但是，深度学习方法的一个显着局限性是他们对广泛的标记数据集以进行有效培训的广泛依赖。为了解决这个问题，自我监督的学习已成为有前途的途径。在此基础上，我们引入了一种解决方案，该解决方案利用自我监督的对比度学习来估算远程光插曲 - 声学（PPG）和心率监测，从而降低了对标记数据的依赖性并增强性能。我们建议使用3个空间和3个时间扩增来通过对比度框架训练编码器，然后利用编码器的晚期中间嵌入来进行远程PPG和心率估计。我们在两个公开可用数据集上的实验展示了我们对几种相关作品以及监督学习基准的改进方法的改进，因为我们的结果接近了最先进的方法。我们还进行了彻底的实验，以展示使用不同设计选择的效果，例如视频表示方法，在训练阶段中使用的增强和其他选择。我们还证明了我们提出的方法对减少标记数据的监督学习方法的鲁棒性。
无监督的概念可解释的基础提取
摘要 - 研究CNN图像分类器预测和中间层代表的重要研究线，从人类可以理解的概念方面进行了反应。在这项工作中，我们扩展了文献中使用注释的概念数据集提取可解释的特征空间方向的先前作品，并提出了一种无监督的事后方法，以通过寻找特征空间的旋转来解释稀疏的单热阈值pixelivations of PixElivations的特征空间，以提取可解释的基础。我们对现有流行的CNN进行了实验，并证明了我们方法在跨网络架构和培训数据集提取可解释的基础方面的有效性。我们对文献中发现的现有基础可解释性指标进行扩展，并表明，当转化为使用我们的方法提取的基础时，中间层的代表变得更加可解释。最后，使用基本的可解释性指标，我们将提取的方法与我们的方法进行比较，并以监督方法得出的基础，发现在一个方面，提议的无监督方法具有构成受监督的限制并为未来研究的潜在方向构成限制。
自我监督的神经元分割，多代理增强学习
现有监督神经元分割方法的性能高度取决于准确注释的数量，尤其是应用于大型电子显微镜（EM）数据时。通过从未标记的数据中提取语义信息，自我监督的方法可以证明下游任务的性能，其中掩码映像模型（MIM）在其从掩盖的IMEM中恢复原始信息时已广泛使用了蒙版图像模型（MIM）。然而，由于EM图像中高度的结构局部性，并且存在相当大的噪声，因此许多素数很少有歧视性信息，从而使MIM预处理对神经元细分任务有效。为了克服这一挑战，我们提出了一个基于决策的MIM，该MIM利用强化学习（RL）自动搜索最佳的图像掩盖率和掩盖策略。由于巨大的勘探空间，使用单代机Agent RL进行体素预测是不切实际的。因此，我们将每个输入补丁视为具有共同策略的代理，允许多代理协作。此外，这种多代理模型可以在体素之间取决于依赖性，这对下游分割任务是有益的。表明，我们的方法对神经元分割任务的替代自我监督方法具有重要的影响。代码可在https://github.com/ydchen0806/dbmim上使用。
与图神经网络有监督的生物网络对齐
结果：在这里，我们提出了Grana，这是对成对NA问题的监督NA范式的深度学习框架。使用图形神经网络，Grana利用网络内部的相互作用和跨网络锚链接来学习蛋白质表示并预测各种物种蛋白质之间的功能对应关系。Grana的主要优势是它的灵活性是整合多方面的非功能关系数据，例如序列相似性和直系同源关系，作为指导跨物种功能相关的蛋白质映射的锚定链接。评估由不同物种对之间的几个NA任务组成的基准数据集上的GRANA，我们观察到Grana准确地预测了蛋白质的功能相关性，并跨物种稳健地传递了功能注释，超过了许多现有的NA方法。当应用于人源化酵母网络上的案例研究时，Grana还成功发现了在先前研究中已记录的在功能上可替代的人类 - 透明蛋白对。
使用有监督的机器学习预测脑部中风
摘要 - 在许多国家中，中风是内瘤和死亡的主要原因。这项研究的目标是弄清楚如何使事情变得更好。我使用了来自Kaggle的中风疾病数据集。患者可以从已预处理的数据中受益。缺血性中风和中风出血是两种中风形式，使用机器学习方法将个体分为两类。在此调查中采用了七次机器学习技术。逻辑回归，支持向量机（SVM），随机森林，猫的增长，多层感知器（MLP），天真的贝叶斯，K-最近的邻居，因此，我们的发现，Cat Boost可以使最佳准确性以及精确和召回值以及F1评分。关键字 - 准确性，数据预处理，机器学习，预测，中风
空间基因表达中无监督的模式发现地图集揭示了小鼠脑区域超出了本体学
大规模空间基因表达数据的增长需要新的计算工具，以在其天然空间环境中提取基因表达的主要趋势。在这里，我们将一个不受监督和可解释的计算框架描述为（1）通过插入缺失的体素的插入的预处理的3D空间基因表达数据集，（2）使用稳定性驱动的非阴性矩阵分解区域的3D空间基因表达曲线的主要模式（PPS），并[stanmf）技术和（stanmf）技术和（stanmf）技术和（3）本体论。该框架，称为OSNMF（通过Stanmf发现），识别纯粹来自艾伦小鼠脑图中数千个3D空间基因表达谱的PPS。这些3D PPS具有小鼠大脑的稳定和空间相干区域，可能没有人工和偏见。我们证明，OSNMF PPS提供了与专家通知的大脑区域的组合高度相关的新大脑模式，同时还纯粹基于基于空间基因表达数据的唯一本体论。与主成分分析（PCA）和其他聚类算法相比，我们的PPS具有更好的空间连贯性，更准确地匹配专家标签，并且在多个自举模拟中更稳定。我们还使用OSNMF来定义标记基因并建立推定的空间基因相互作用网络。我们的发现突出了OSNMF迅速从大量空间基因表达数据中迅速生成新的地图集的能力，而没有监督并发现了使用常规手动方法很难辨别的大脑区域之间的新型关系。