XiaoMi-AI文件搜索系统
World File Search System神经网络
介绍深度神经网络优化中的突触整合原理
众所周知，大脑中的可塑性电路通过突触整合和突触强度局部调节机制受到突触权重分布的影响。然而，迄今为止设计的大多数人工神经网络训练算法都忽略了刺激依赖性可塑性与局部学习信号之间的复杂相互作用。在这里，我们提出了一种新型的生物启发式人工神经网络和脉冲神经网络优化器，它结合了皮质树突中观察到的突触可塑性的关键原理：GRAPES（调整误差信号传播的组责任）。GRAPES 在网络的每个节点上实施依赖于权重分布的误差信号调制。我们表明，这种生物启发式机制可以显著提高具有前馈、卷积和循环架构的人工神经网络和脉冲神经网络的性能，它可以减轻灾难性遗忘，并且最适合专用硬件实现。总的来说，我们的工作表明，将神经生理学见解与机器智能相结合是提高神经网络性能的关键。
引用 Larue F、Rouan L、Pot D、Rami J-F、Luquet D 和 Beurier G (2024) 使用神经网络将遗传标记和作物模型参数链接到 e
需要开发适应不断变化的生产情景的植物品种，特别是在气候变化的情况下，这要求作物满足日益复杂和多样化的需求，这对育种者来说是一个巨大的挑战。在此背景下，追求赋予所需作物特性和适应性的性状组合比以往任何时候都更加重要，因此有必要加强多标准或多性状育种（Moeinizade 等人，2020 年）。利用分布在基因组中的完整核苷酸多样性来预测数量性状的育种值（基因组预测，GP，Meuwissen 等人，2001 年）已证明其在育种计划中的有效性。事实证明，这种方法有助于提高遗传增益率并降低成本（Hickey 等人，2017 年）。然而，为了应对气候变化和更明确的环境目标种群（Chapman 等人，2000 年），对多环境（ME）育种的需求日益增长，这需要采用基因组预测方法来解释基因型和环境（GxE）之间相互作用的出现（Rincent 等人，2017 年）。先前的研究试图在基因组选择（GS）中解决 GxE。例如，Burgueño 等人(2012) 开发了多环境统计模型。然而，这些模型仅考虑线性和非因果环境效应，从而降低了预测准确性的可能增益，尤其是对于复杂的综合性状或与校准集有显着差异的环境（Rogers and Holland，2022）。Heslot 等人。另一方面，（2014 年）使用作物生长模型 (CGM) 来推导环境协变量。与标准 GS 模型相比，在 GS 框架内加入环境协变量可提高预测准确性并降低未观察环境中的预测变异性。整合作物模型以解决 GxE，如 Heslot 等人的研究所示。(2014) ，强调了这种方法在所述育种环境中的实用性。尽管如此，考虑大量协变量会显著增加问题的复杂性，使得建模变得极具挑战性（Larkin 等人，2019 年）。
基于丘脑皮质的脉冲神经网络......
本文提出了一种非迭代训练算法，用于在自学习系统中应用节能的 SNN 分类器。该方法使用预处理间脑丘脑中典型的感觉神经元信号的机制。该算法概念基于尖点突变模型和路由训练。该算法保证整个网络中连接权重值的零分散，这在基于可编程逻辑器件的硬件实现的情况下尤为重要。由于非迭代机制受到联想记忆训练方法的启发，该方法可以估计网络容量和所需的硬件资源。训练后的网络表现出对灾难性遗忘现象的抵抗力。该算法的低复杂度使得无需使用耗电的加速器即可进行现场硬件训练。本文将该算法的硬件实现的复杂性与经典的 STDP 和转换程序进行了比较。该算法的基本应用是配备视觉系统并基于经典 FPGA 设备的自主代理。
神经网络中的量化优势与局限性
● 1943 年 - Pitts 和 McCulloch 创建了基于人脑神经网络的计算机模型 ● 20 世纪 60 年代 - 反向传播模型基础 ● 20 世纪 70 年代 - AI 寒冬：无法兑现的承诺 ● 20 世纪 80 年代 - 卷积出现，LeNet 实现数字识别 ● 1988-90 年代 - 第二次 AI 寒冬：AI 的“直接”潜力被夸大。AI = 伪科学地位 ● 2000-2010 年 - 大数据引入，第一个大数据集 (ImageNet) ● 2010-2020 年 - 计算能力，GAN 出现 ● 现在 - 深度学习热潮。AI 无处不在，影响着新商业模式的创建
使用以 Morgan 指纹为特征的深度神经网络模型预测 ErbB 抑制剂的结合亲和力
ErbB 受体家族（包括 EGFR 和 HER2）在细胞生长和存活中起着至关重要的作用，并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中，我们开发了一个深度学习模型，使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹，并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后，我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能，训练集上的均方误差 (MSE) 为 0.2591，平均绝对误差 (MAE) 为 0.3658，R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降（R² = 0.7731），但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效，为虚拟筛选和药物发现提供了宝贵的工具。
二进制神经网络的精确定量分析
作为一种新的编程范式，基于神经网络的机器学习已将其应用扩展到许多现实世界中的问题。由于神经网络的黑盒性质，验证和解释其行为变得越来越重要，尤其是当它们部署在安全至关重要的应用中时。现有的验证工作主要集中于定性验证，该验证询问是否存在针对神经网络的输入（指定区域），以便违反财产（例如，局部鲁棒性）。但是，在许多实际应用中，几乎可以肯定存在这样的（对抗性）输入，这使得定性答案降低了有意义。在这项工作中，我们研究了一个更有趣，更具挑战性的问题，即对神经网络的定量验证，该验证询问财产经常得到满足或侵犯财产的频率。我们针对二进制神经网络（BNNS），一般神经网络的1位量化。BNN最近在深度学习中引起了越来越多的关注，因为它们可以大幅度地减少记忆存储和执行时间，而智力操作在求助方案中至关重要，例如，嵌入式设备用于物联网的嵌入式设备。朝着对BNNS的定量验证，我们提出了一种新型算法方法，用于将BNN作为二进制决策图（BDDS），这是一种在形式验证和知识表示中广泛研究的模型。通过利用BNN的内部结构，我们的编码将BNN中块的输入输出关系转化为基数约束，然后由BDD编码。基于新的BDD编码，我们为BNN开发了一个定量验证框架，可以在其中对BNN进行精确和全面的分析。为了提高BDD编码的可扩展性，我们还研究了各个级别的并行化策略。我们通过为BNN提供定量鲁棒性验证和解释性来证明我们的框架的应用。广泛的实验评估证实了我们方法的有效性和效率。
Fitzhugh-Nagumo神经网络中的大耦合
摘要。我们考虑了一个空间扩展的Fitzhugh-Nagumo神经网络的中镜模型，并证明在短程相互作用主导的政权中，整个网络中潜力的概率密度集中在狄拉克分布中，其质量中心的质量中心溶解了经典的非宽松反应反应fitzhughugh-usion fitzhugh-nagugh-nagumo fitzhugh-nagumo System。为了重新理解我们对这种制度的理解，我们着重于这种集中现象的爆炸。我们的主要目的是得出两个定量和强的收敛估计，证明了该文件是高斯：L 1功能框架中的第一个，第二个是加权L 2功能设置中的第二个。我们开发了原始的相对熵技术来证明第一个结果，而第二个结果依赖于规律性的传播。
对对抗性攻击的深度量化微小神经网络的定量分析
这项工作是在Ferheen Ayaz在格拉斯哥大学任职时完成的。作者的联系信息：伊德里斯·扎卡里亚（Idris Zakariyya），格拉斯哥大学，格拉斯哥，英国，idris.zakariyya@glasgow.ac.ac.uk; Ferheen Ayaz，城市，伦敦大学，伦敦，英国，ferheen.ayaz@city.ac.uk; Mounia Kharbouche-Harrari，法国Stmicroelectronics，Mounia.kharbouche-harrari@st.com;杰里米·辛格（Jeremy Singer），格拉斯哥大学，英国格拉斯哥，jeremy.singer@glasgow.ac.uk； Sye Loong Keoh，格拉斯哥大学，英国格拉斯哥，syeloong.keoh@ glasgow.ac.uk; Danilo Pau，意大利Stmicroelectronics，danilo.pau@st.com;何塞·卡诺（JoséCano），格拉斯哥大学，英国格拉斯哥，josecano.reyes@glasgow.ac.uk。
在现实视觉刺激下应用于视觉的神经网络攻击
大脑计算机界面（BCIS）是传统上用于医学的系统，旨在与大脑相互作用以记录或刺激神经元。尽管有好处，但文献表明，专注于神经刺激的侵入性BCI当前的脆弱性使攻击者能够控制。在这种情况下，神经网络攻击成为能够通过进行神经过度刺激或抑制来破坏自发神经活动的威胁。先前的工作在小型模拟中验证了这些攻击，其神经元数量减少，缺乏现实世界中的复杂性。Thus, this work tackles this limitation by analyzing the impact of two existing neural attacks, Neuronal Flooding (FLO) and Neuronal Jamming (JAM), on a complex neuronal topology of the primary visual cortex of mice consisting of approximately 230,000 neurons, tested on three realistic visual stimuli: flash e ff ect, movie, and drifting gratings.在每个刺激的三个相关事件中评估了每次攻击，还测试了攻击25％和50％神经元的影响。根据尖峰和偏移百分比的数量，结果表明，攻击对电影产生了最大的影响，而黑暗和固定事件是最强大的。尽管两种攻击都可以显着发作神经活动，但果酱通常更具破坏性，产生更长的时间延迟，并且患病率更高。最后，果酱不需要改变许多神经元以显着发神经活动，而FLO的影响随着攻击的神经元数量而增加。
研究人员教神经网络将云和雪添加到图像
这项研究为从气候监测到广泛的地区到环境项目和农业任务提供了更准确的细分机会。例如，该解决方案促进了对森林区域的有效分析，其特征和变化，即使在云云比例很高的北部地区，同时考虑了气候条件对图像的影响。