XiaoMi-AI文件搜索系统
World File Search System相似性
作者校正：细菌和真核先天免疫的保护和相似性
In the version of the article initially published, in the “Effector-triggered immunity” sec- tion, the sentence now reading “Bacteria detect phage by monitoring transcription using a constitutively produced antitoxin ToxI, which is depleted when phage inhibit transcription, releasing the RNase ToxN that aborts phage infection” read “Bacteria link phage detection to cell death by monitoring transcription using组成性产生的抗毒素毒素，当噬菌体抑制转录，释放毒素并杀死细胞时会耗尽。”这已在本文的HTML和PDF版本中进行了纠正。
在大脑和神经网络中代表学习期间任务相似性的影响
我们环境的复杂性对适应性行为构成了重大挑战。跨任务的共享结构可以通过概括从理论上改善学习。但是，这种共同的表示形式如何出现和影响绩效仍然很糟糕。与期望相反，我们的发现表明，接受过相似低维结构的任务培训的人的表现要比接受分散任务训练的人要差。磁脑摄影显示在相同结构组中相关的神经表示和不同结构组的反相关的神经表示相关。至关重要的是，实践减少了这种绩效差距，并将同一结构组的任务的神经表示转移到了抗相关性的情况下，就像不同结构组的神经相关性。在复制这些发现的类似任务上训练的神经网络模型：具有相似结构的任务需要更多的迭代才能正交其表示。这些结果突出显示了任务相似性，神经动力学和行为之间的综合相互作用，挑战了关于学习和概括的传统假设。
图像和视频柔和对比度自我监督学习的相似性估计
抽象的对比表示学习已被证明是图像和视频的有效自我监督的学习方法。最成功的方法是基于噪声对比估计（NCE），并将实例的不同视图用作阳性，应与其他称为否定的实例形成对比，被称为噪声。但是，数据集中的几个实例是从相同的分布中汲取的，并共享基本的语义信息。良好的数据表示应包含实例之间的关系，语义相似性和差异性，即通过将所有负面因素视为噪声来损害对比学习。为了避免此问题，我们提出了一种新的对比度学习的表述，使用称为“相似性对比估计（SCE）”的实例之间的语义相似性。我们的训练目标是一个软的对比目标，它使阳性更接近，并估计根据其学到的相似性推动或提取负面实例的连续分布。我们在图像和视频表示学习方面均通过经验验证我们的方法。我们表明，SCE在ImageNet线性评估方案上的最低时期时代的较少时代的时期与最低的时期进行了竞争性，并且它概括为几个下游图像任务。我们还表明，SCE达到了预处理视频表示的最新结果，并且学习的表示形式可以推广到下游任务。源代码可用：https：//github.com/juliendenize/eztorch。
语义关系的分布式代码预测类比推理期间的神经相似性
诗人塞缪尔·泰勒·科尔里奇（Samuel Taylor Coleridge）声称，这种思想需要“习惯于不仅要考虑事物，而是……而是同样，主要是事物的关系……”（Coleridge，1810/1969，第451页）。由于关系为语言和思想提供了基本的基础，因此它们对于一系列认知任务是核心。A prime example is the critical role of relation representa- tions in analogical reasoning (Holyoak, 2012), a mental process that impacts human activities as diverse as meta- phor comprehension (Holyoak, 2019), mathematics edu- cation (Richland, Zur, & Holyoak, 2007), scientific discovery (Dunbar & Klahr, 2012), and engineering design (Chan & Schunn, 2015）。然而，尽管关系的重要性得到了广泛的认可，但就思想和大脑中的关系表示形式尚未达成共识。在过去的半个世纪中，探索人类语义记忆的认知科学家试图确定两个概念之间一阶关系的代码（有关评论，请参见琼斯，威利特斯，＆dennis，＆dennis，2015年； Holyoak，2008年）。两种长期观点，主要基于从类别的加速验证（例如，尽快决定玫瑰是花是花）的数据，继续具有影响力。源自计算机科学的一种方法（Collins＆Quillian，1969），将关系视为粗编码，并在代表概念的本地主义节点之间具有标记的统一联系（例如，连接连接玫瑰花的“ IS”链接）。关系
在基于目标的药物相似性网络中发现新的药物特性
尽管生物信息学、系统生物学和机器学习最近取得了进展，但准确预测药物特性仍然是一个悬而未决的问题。事实上，由于生物环境是一个复杂的系统，传统的基于化学结构知识的方法无法完全解释药物与生物靶标之间相互作用的性质。因此，在本文中，我们提出了一种无监督的机器学习方法，该方法使用我们了解的有关药物-靶标相互作用的信息来推断药物特性。为此，我们根据药物-靶标相互作用定义药物相似性，并根据药物-药物相似性关系构建加权药物-药物相似性网络。使用能量模型网络布局，我们生成与特定的主要药物特性相关的药物群落。DrugBank 确认了这些群落中 59.52% 的药物的特性，26.98% 是我们使用 DDSN 方法重建的现有药物重新定位提示。其余 13.49% 的药物似乎与主要药理特性不符；因此，我们将它们视为药物再利用的提示。测试所有这些再利用提示所需的资源是相当可观的。因此，我们引入了一种基于中介度/度节点中心性的优先排序机制。通过使用中介度/度作为药物再利用潜力的指标，我们分别选择壬二酸和甲丙氨酯作为可能的抗肿瘤药和抗真菌药。最后，我们使用基于分子对接的测试程序进一步分析壬二酸和甲丙氨酯的再利用。
在基于目标的药物相似性网络中发现新的药物特性
尽管生物信息学、系统生物学和机器学习最近取得了进展，但准确预测药物特性仍然是一个悬而未决的问题。事实上，由于生物环境是一个复杂的系统，传统的基于化学结构知识的方法无法完全解释药物与生物靶标之间相互作用的性质。因此，在本文中，我们提出了一种无监督机器学习方法，该方法使用我们了解的有关药物-靶标相互作用的信息来推断药物特性。为此，我们根据药物-靶标相互作用定义药物相似性，并根据药物-药物相似性关系构建加权药物-药物相似性网络。使用能量模型网络布局，我们生成与特定、主要药物特性相关的药物社区。然而，这些社区中 13.59% 的药物似乎与主要药理特性不匹配。因此，我们将它们视为药物重新利用的提示。测试所有这些重新利用提示所需的资源相当可观。因此，我们引入了一种基于中介性/度节点中心性的优先级机制。通过使用介数/度作为药物再利用潜力的指标，我们确定药物甲丙氨酯可能是一种抗真菌药物。最后，我们使用基于分子对接的稳健测试程序进一步确认甲丙氨酯的再利用能力。
相似性量化的相对差异学习改善了分子活性预测
低温电子断层扫描（Cryo-ET）是一种生产细胞环境的高度脱尾3D图像（称为断层图）的技术。Cryo-Et通常是唯一可以在其天然环境中实现蛋白质和细胞结构几乎原子分辨率的技术。针对蛋白质结构确定的低温 - 肛门肛门技术的基本步骤是找到pogractions中感兴趣的蛋白质的所有实例，这是一种称为粒子拾取的任务。由于信噪比较低，靶蛋白的伪像的存在和巨大的多样性，颗粒拾取是一个具有挑战性的3D对象检测问题。现有的粒子采摘方法要么慢，要么仅限于选择一些感兴趣的小部分，这需要大量注释且难以获得训练数据集。在这项工作中，我们提出了Propicker，这是一种快速和通用的粒子采摘器，可以检测到训练集中包含的颗粒，并且可以在几分钟内处理断层图。我们的迅速设计允许根据输入提示选择性地检测体积中的特定蛋白质。我们的经验表明，培养基可以与最先进的通用拾取器达到相同的性能，同时更快地达到数量级。
评估BERT和CHATGPT模型中的推断，释义和相似性任务
摘要。本文的目的是研究在机械工程领域的Chatgpt和Bert模型的应用。在机器学习的背景下，ChatGPT和BERT模型可以应用于各种自然语言处理任务，例如根据文档的特定版本分析技术文档和构建说明，诊断出故障或客户服务。本文讨论了Bert和Chatgpt模型的基本特征，其起源，还研究了主要的建筑特征，并确定了模型的主要优势和缺点。论文分析并选择各种自然语言处理任务，以测试模型在机器学习中理解自然语言的能力。选定的标准任务分为语义组，以在三个领域的每个领域中识别Chatgpt和Bert模型的功能：逻辑推理任务，释义任务和文本相似性任务。本文还讨论了操作设计的概念，该概念涉及开发指导模型产生所需输出的输入。本文定量分析并比较了基于BERT和CHATGPT模型的性能。发现和研究了自然语言理解任务中Chatgpt模型瓶颈的原因。考虑使用Mivar方法对CHATGPT模型性能的可能改进。
价值相似性如何影响人工智能辅助道德决策中的人类依赖？
本文探讨了在人工智能辅助伦理决策的背景下，人类与人工智能之间的价值观相似性对人类依赖的影响。以肾脏分配为例，我们进行了一项随机的人类受试者实验，其中工人在各种条件下面临道德困境，包括没有人工智能建议、来自类似人工智能的建议和来自不同人工智能的建议。我们发现，不同人工智能提供的建议对人类决策的总体影响高于来自类似人工智能的建议。然而，当人类和人工智能意见不一致时，参与者在获得类似人工智能的建议时更有可能改变他们的决定。这种影响不是由于人类对人工智能的看法相似，而是由于人工智能通过其建议表现出相似的道德价值观。我们还对价值观相似性和信任之间的关系以及人口层面的道德偏好的潜在转变进行了初步分析。