XiaoMi-AI文件搜索系统
World File Search System监督的
气候情景分析对加强气候相关金融风险管理和监督的作用
2023 年，委员会开始监测各司法管辖区对这些原则的实施情况，以促进对监管期望的共同理解，并支持各司法管辖区制定和协调强有力的实践。1 这项工作强调了气候分析作为一种前瞻性工具的重要性，它可以评估银行业务模式和战略对一系列合理的气候相关途径的适应力，并确定气候相关风险驱动因素对其整体风险状况的影响。与此同时，委员会发现，不同司法管辖区和银行的用途和方法各不相同，数据可用性和方法不确定性可能是限制气候分析实现其既定目标的因素。不同司法管辖区的气候分析范围、特征、目标和方法的差异限制了监管期望的协调和结果的可比性。
硬件加速器设计具有太阳粒子事件预测的有监督的机器学习
摘要 - 在太阳粒子事件（SPE）的几个小时或几天内，宇宙辐射的强度可能在五个数量级上有所不同，从而增加了多个数量级的空间应用中单事件Upsets（SEU）的概率（SEU）。因此，至关重要的是要尽早检测SEU速率变化，以确保及时激活辐射硬化措施。在本文中，提出了用于预测IN-FIRKIT SEU变化的硬件加速器，以预测SPE。嵌入的片上SRAM用作实时粒子检测器。专用硬件加速器实现了监督的机器学习模型，以预测SRAM SEUS提前一个小时，每小时在SPE和正常条件下对SEU变化进行细粒度的小时跟踪。整个设计旨在用于在空间应用中采用的高度可靠和自适应的多处理系统。因此，目标系统可以在高辐射水平发作之前驱动适当的辐射硬化机制。
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。
关于预测人类语音误解的自我监督的学习语音表征的好处
深度神经网络（DNNS）最近已证明接受自我监督的学习（SSL）训练，可以产生类似于相同语音输入的大脑激活的表示。SSL表示能否有助于解释人类的语音感知错误？旨在阐明这个问题，我们研究了它们用于语音误解预测的用途。我们从WAV2VEC 2.0中提取表示形式，这是一种用于语音的SSL架构，并使用它们来计算特征作为模型，以预测语音感知误差在噪声信号中的语音感知错误。我们对3000多个语料库进行了实验，英语中有3000多个毫无意义的混乱。我们考虑基于多PLE SSL的功能，并将其与传统的声学基准和通过ASR的监督学习微调获得的传统声学基准和特征。我们的结果表明，从适当的层中提取SSL表示的支撑性，进一步表明了它们对人类语音感知的建模潜力。索引术语：语音感知，可理解性预测，次级清晰度，自我监督的学习，语音中的语音
MSQSM：基于形态的自我监督的深度学习，用于定量敏感性映射
定量敏感性映射（QSM）已广泛应用于神经变性和铁沉积的临床诊断，而QSM重建中仍然存在偶极反转问题。最近，提出了深度学习方法来解决这个问题。但是，这些方法中的大多数是需要成对输入阶段和地面真相对的监督方法。在不使用地面实际情况的情况下训练所有分辨率的模型仍然是一个挑战，而仅使用一个分辨率数据。为了解决这个问题，我们提出了一种基于形态的自我监督QSM深度学习方法。它由形态学QSM构建器组成，可以使QSM对采样分辨率的依赖性以及有效减少伪像并有效节省训练时间的形态学损失。所提出的方法可以在人类数据和动物数据上重建任意分辨率QSM，而不管该分辨率是更高还是低于训练集，这表现优于先前最佳的无监督方法。此外，对于先前无监督学习方法中使用的周期梯度损失，形态损失还将训练时间减少了22％。实验结果和临床验证表明，该提出的方法测量具有任意分辨率的精确QSM。，它在无监督的深度学习方法和竞争性绩效中取得了最新的结果，相对于最佳的传统方法。
有效的双边跨模式群集匹配无监督的可见红外人Reid
无监督的可见红外人员重新识别（USL-VI-REID）旨在匹配来自不同方式的同一身份的行人图像，而无需注释。现有作品主要集中于通过对齐未标记的样本的实例级特征来减轻模式差距。但是，跨模式簇之间的关系尚未得到很好的探索。为此，我们提出了一个新型的双边群集匹配的学习框架，以通过匹配的跨模式簇来弥补模态差距。特定的是，我们通过优化两部分图中的最大匹配问题来设计多到多的双边跨模式群匹配（MBCCM）算法。然后，匹配的成对簇在模型训练过程中利用共享的可见和红外伪标签。在这样的监督信号下，提出了一种特异性和模态性和情态的（MSMA）对比度学习框架 - 提议在集群级别上共同对齐特征。平均值，提出了交叉模式一致性约束（CC），以明确减少较大的模态差异。对公共SYSU-MM01和REGDB数据集进行了广泛的实验，证明了该方法的有效性，平均超过8.76％的地图超过了最先进的方法。
预期的认知建模：无监督的学习和飞行员心理表征的象征性建模
摘要Venetoclax自2016年以来已被美国食品药品监督管理局批准，是治疗患有17p缺失的复发/难治性慢性淋巴细胞性白血病患者的单一治疗。这导致了近年来血液学恶性肿瘤治疗的突破。不幸的是，对威尼诺克拉克斯的抵抗是不可避免的。多项研究证实，由肿瘤微环境（例如肿瘤微环境）介导的B细胞淋巴瘤2（BCL2）家族的抗凋亡蛋白的上调以及细胞内信号传导途径的激活是导致对维纳特卡克斯的抗性的主要因素。因此，只有靶向BCL2通常无法达到预期的治疗效果。基于特定血液逻辑恶性肿瘤中抗性的机制，特定药物与维内托克拉克斯的组合是克服对维内托克拉克斯抗性的临床可选治疗策略。这项研究旨在总结各种血液学肿瘤对威尼诺克斯群岛的可能抗性机制以及在血液学恶性肿瘤中克服对威尼诺克拉克斯抗性的相应临床策略。关键字：BCL2，BCL-XL，组合策略，血液系统恶性肿瘤，MCL1，阻力，venetoclax
主题：对国防部设施“盟友欢迎行动”合同监督的审计（项目编号 D2022-D000RJ-0133.000）
我们计划于 2022 年 5 月开始进行主题审计。本次审计的目的是确定国防部合同人员是否根据联邦和国防部的政策执行了支持阿富汗撤离人员在国防部设施重新安置以支持“欢迎盟友行动”的物资和服务的合同管理程序。我们可能会在审计过程中修改目标，我们也会考虑管理层对附加或修订目标的建议。
将有监督的学习和强化学习与部分标签结合了多标签分类任务
传统的监督学习在很大程度上依赖于人类通知的数据集，尤其是在渴望数据的神经方法中。然而，由于特定的域知识和大型集合，由于多标签的关系提取，尤其是多标签任务，例如文档级关系提取，在完全手动注释中构成挑战。因此，我们解决了多标签的积极 - 未标记学习（MLPUL）问题，其中只有一部分积极的类别被注释。我们提出了部分符合分类（MLPAC）的混合学习者，这是一个基于RL的框架，结合了增强学习的探索能力和监督学习的剥削能力。跨各种任务的实验性恢复，包括文档级别的关系提取，多标签图像构造和二进制PU学习，证明了我们框架的概括和有效性。