XiaoMi-AI文件搜索系统
World File Search System神经网
葡萄：学习为可伸缩图神经网络示例图
图形神经网络（GNNS）学会通过汇总邻居的信息来表示节点。随着GNNS的深度增加，它们的接受场成倍增长，导致高度记忆成本。文献中提出的几件作品旨在解决通过抽样或使用历史嵌入来解决这一缺点。这些方法主要集中在同质图上的单标签节点分类的基准上，其中相邻的节点通常共享相同的标签。但是，这些方法中的大多数都依赖于可能不会在不同的图形或任务上概括的静态启发式方法。我们认为，采样方法应具有自适应，并适应每个图的复杂结构特性。为此，我们引入了葡萄，这是一种自适应抽样方法，该方法学会识别一组对于训练GNN至关重要的节点。葡萄通过优化下游任务目标来训练第二个GNN，以预测节点采样概率。我们评估涉及同质图和异地图的各种淋巴分类基准的葡萄。我们证明了葡萄在准确性和可伸缩性中的有效性，尤其是在多标签异质图中。此外，葡萄的使用数量级比基于历史嵌入的强基线要少。与其他采样方法不同，葡萄的精度也很高，即使样本量较小，因此可以扩展到大量图。我们的实施在线公开可用。1。
基于基因表达的表型预测深神经网络的生物学解释
摘要背景：使用预测基因标志来协助临床决策变得越来越重要。深度学习在基因表达谱的表型预测中具有巨大的潜力。但是，神经网络被视为黑匣子，在没有任何解释的情况下，提供了准确的预测。这些模型变得可解释的要求正在增加，尤其是在医学领域。结果：我们专注于解释由基因表达数据构建的深神经网络模型的预测。影响预测的最重要的神经元和基因被鉴定出来并与生物学知识有关。我们对CAN-CER预测的实验表明：（1）深度学习方法优于大型训练集的经典机器学习方法； （2）我们的方法产生的解释与生物学比最先进的方法更连贯； （3）我们可以对生物学家和医生的预测提供全面的解释。结论：我们提出了一种原始方法，用于从基因表达数据中对表型预测深度学习模型的生物学解释。由于模型可以找到表型和基因表达之间的关系，因此我们可以假设已鉴定的基因与表型之间存在联系。因此，解释可以导致生物学家研究新的生物学假设。
comp9444：神经网络和深度学习
问题：您在一家照明公司工作，该公司在工厂A中生产了60％的灯泡，在工厂B中的40％。工厂A的灯泡中有1％是有缺陷的，而工厂B的灯泡有2％是有缺陷的。如果随机灯泡有缺陷，则在工厂A中制造的概率是多少？
COVID-19 新的血液生物标志物可以预测认知健康的老年人是否会发展阿尔茨海默氏病 研究强调了孕妇鸟类流感疫苗的关键需求 可含胶囊可以将药物直接泵入胃肠道的壁 分子“邮政编码”将杀手T细胞吸引到脑肿瘤 使用计算机和AI使医学工作更聪明 乌干达看到埃博拉疫苗试验的“最快推出”：WHO 研究人员确定了未来心力衰竭疗法的潜在药物目标 使用Elon Musk的大脑芯片是什么感觉？它如何工作？ 转移性癌症：靶向燃料治疗的蛋白质 - 改进的大脑解码器对失语症患者的交流有望 疱疹病毒可能会驱动阿尔茨海默氏病的病理，研究表明 受脑启发的神经网络揭示了对关系学习的生物学基础的见解 全球研究将数百万糖尿病和心脏病病例与含糖饮料联系起来 调查显示，许多美国人不知道怀孕患心脏病的长期风险 自毁疫苗可增强对猴子结核病的保护 研究发现停止了儿童脑肿瘤，然后才形成 DNA甲基化介导了儿童逆境与抑郁症之间的联系，研究表明
从两年的Proseco研究中发现，这一发现很重要，因为血液癌患者损害了免疫系统，无论是由于癌症还是癌症治疗。这使他们比其他人更容易受到COVID-19的影响，并就他们对疫苗接种的反应如何提出了疑问。该研究的最新发现发表在《柳叶刀》杂志上。
模拟神经网络南极冰架上熔体速率的当前和未来模拟
在过去的几十年中，南极冰盖对海平面上升的贡献一直在增加，预计这种增加会随着温室气体排放的增加而持续（Fox-Kemper等人，2021年）。大部分质量损失发生在冰盖的边缘，通过从接地冰盖到海洋的冰块流动，主要是在南极西部（Khazendar等，2016; Mouginot等，2014; Mouginot et al。，2014; Rignot et al。这是因为冰盖边缘的浮冰搁架（通常是支撑冰流的支撑）迅速变薄并由于其底部的海洋引起的融化而撤退（Adusumilli等，2020; Paolo等，2015; Rignot et al。，2013）。在某些基岩配置中，增加了海洋诱导的熔体甚至会触发海洋冰盖不稳定性（Gudmundsson等，2012; Schoof，2007; Weertman，2007; Weertman，1974），这有可能强烈增加南极质量损失，在一个世纪以下的时间范围内（Fox-Kemper等人，20221年）。这使海洋引起的子架融化或基底融化是未来海平面上升的未来预测的主要不确定性之一。
基于神经网络的生存模型的发展和验证缺血性心脏病的死亡率
。cc-by-nc 4.0国际许可证是根据作者/资助者提供的，他已授予Medrxiv的许可证，以永久显示预印本。（未通过同行评审认证）
Phishgnn：使用图形神经网络的网络钓鱼网站检测框架
在互联网时代，恶意URL是对网络用户的综合威胁。网络钓鱼的目的是通过用fal的界面欺骗受害者来窃取敏感信息。在网站网站的情况下，攻击者通常试图模仿社交媒体，银行和电子商务网站等知名且广泛使用的服务。这种欺骗的网站通常是用与原始站点相同的代码库构建的，这可能会使它们很难瞥见。值得庆幸的是，可以使用许多其他指标来区分良性和网络钓鱼网站。例如，大多数网络钓鱼URL往往很长，具有多个子域和特殊特征。域通常托管在可疑的主机上，并使用非信任当局进行的安全套接字层（SSL）认证。自从这些攻击开始时，已经实施了许多系统来试图克服它们。其中一些实现使用传统技术，例如黑名单或URL词汇特征的分析。否则，黑名单遭受了多种缺点，例如需要更新的人类援助和缺乏详尽的缺点。此外，它们不能用于看不见和隐藏的URL。其他技术利用机器学习将模型训练以基于许多示例来策划网站（Sahoo等，2017）（Benavides等，2020）。但是，在大多数方法中，网站的超链接结构尚未解决。
受脑启发的神经网络揭示了对关系学习的生物学基础的见解
该研究的作者呼吁采用多管齐下的方法，包括公共卫生运动，含糖饮料广告的监管以及对糖乐饮料的税收。一些国家已经朝这个方向采取了步骤。墨西哥是世界上人均含糖饮酒量最高的墨西哥，它在2014年对饮料征税。早期证据表明，税收已有效减少消费，尤其是在低收入个人中。
使用深卷积神经网络
摘要 - 如今，深度学习方法在复杂的任务中起着关键作用，例如提取图像的有用特征，分割和语义分类。这些方法对近年来花类型分类具有重大影响。在本文中，我们正在尝试使用强大的深度学习方法对102种花种类进行分类。为此，我们使用了使用Densenet121体系结构的转移学习方法来对牛津102花数据集进行分类。在这方面，我们试图微调我们的模型，以实现对其他方法的更高准确性。，我们通过标准化图像和调整图像进行了预处理，然后将其喂入我们的微调预审计模型。我们将数据集划分为三组火车，验证和测试。我们可以达到50个时期的98.6％的准确性，这比研究中同一数据集的其他基于深度学习的方法更好。
一种用于定量验证神经网络
摘要。验证的可靠性和实用性取决于适当表示不确定性的能力。关于神经网络验证的大多数现有工作依赖于输入的基于集合或概率的信息的假设。在这项工作中，我们依靠不精确的概率（特定P-boxes）的框架提出了Relu神经网络的定量性验证，这可以说明输入的概率信息和认识论的不确定性。，可以提高紧密性和效率之间的贸易，同时处理在投入方面的不确定性类别的更一般类别，并提供了完全确保的结果。