XiaoMi-AI文件搜索系统
World File Search System精确
学习在实际环境中有效，精确地导航
在陆地机器人自主导航的背景下，创建用于代理动力学和感官的现实模型是机器人文献和商业应用中的广泛习惯，在该习惯中，它们用于基于模型的控制和/或用于本地化和映射。另一方面，较新的AI文献是在模拟器或Ai-thor的模拟器或端到端代理上进行训练的，在这种模拟器中，重点放在照相现实渲染和场景多样性上，但是高效率机器人动作具有较少的特权角色。所得的SIM2REAL差距显着影响训练有素的模型转移到真正的机器人平台。在这项工作中，我们探讨了在设置中对代理的端到端培训，从而最大程度地减少了Sim2real Gap，在感应和驱动中。我们的代理直接预测（离散的）速度命令，这些命令是通过真实机器人中的闭环控制维护的。在修改的栖息地模拟器中鉴定并模拟了真实机器人的行为（包括底盘的低级控制器）。探视和定位的噪声模型进一步促进了降低SIM2REAL间隙。我们在实际导航方案上评估，探索不同的本地化和点目标计算方法，并报告与先前的工作相比的性能和鲁棒性的显着增长。
精确心血管组织工程的人IPSC和基因组编辑技术
诱导的多能干细胞（IPSC）源自使用四个Yamanaka转录因子对成年体细胞的重编程。自发现以来，干细胞（SC）领域就达到了重要的里程碑，并在疾病建模，药物发现和再生医学领域开设了多个门户。同时，聚类的定期插入短的短质体重复序列（CRISPR） - 相关蛋白9（CRISPR-CAS9）彻底改变了基因组工程的范围，从而允许产生遗传上修改的细胞系，并实现精确的基因组重组或随机插入/插入/删除的应用程序，用于使用WIREDIRESS，WIREDIRESS。心血管疾病代表着不断增加的社会问题，对潜在的细胞和分子机制的了解有限。IPSC分化为多种细胞类型与CRISPR-CAS9技术相结合的能力可以实现对潜在疗法的病理生理机制或药物筛查的系统研究。此外，这些技术可以通过调节靶向蛋白的表达或抑制来提供心血管组织工程（TE）方法的细胞平台，从而为设计新的细胞系和/或精细仿生生物仿生支架提供了可能性。本综述将重点介绍IPSC，CRISPR-CAS9的应用以及其在心血管TE领域的结合。特别是，将讨论此类技术的临床转换性，从疾病建模到药物筛查和TE应用。
EEG-TCNet：用于嵌入式运动想象脑机接口的精确时间卷积网络
摘要 —近年来，深度学习 (DL) 对基于脑电图 (EEG) 的运动想象脑机接口 (MI-BMI) 的改进做出了重大贡献。在实现高分类准确率的同时，DL 模型的规模也不断扩大，需要大量的内存和计算资源。这对嵌入式 BMI 解决方案提出了重大挑战，该解决方案应通过本地处理数据来保证用户隐私、减少延迟和低功耗。在本文中，我们提出了 EEG-TCN ET，一种新颖的时间卷积网络 (TCN)，它在只需要少量可训练参数的情况下实现了出色的准确率。其低内存占用和低推理计算复杂度使其适合在资源有限的边缘设备上进行嵌入式分类。在 BCI 竞赛 IV- 2a 数据集上的实验结果表明，EEG-TCN ET 在 4 类 MI 中实现了 77.35% 的分类准确率。通过为每个受试者找到最佳网络超参数，我们进一步将准确率提高到 83.84%。最后，我们在 Mother of All BCI Benchmarks (MOABB) 上展示了 EEG-TCN ET 的多功能性，这是一个包含 12 个不同 EEG 数据集和 MI 实验的大规模测试基准。结果表明，EEG-TCN ET 成功地推广到单个数据集之外，在 MOABB 上的表现比目前最先进的 (SoA) 好 0.25 倍。索引术语 — 脑机接口、运动意象、深度学习、卷积神经网络、边缘计算。
Synergynet：弥合离散和连续表示之间的差距，以进行精确的医学图像分割
近年来，已经提出了连续的潜在空间（CLS）和DISCRETE潜在空间（DLS）深度学习模型，以改善医学图像分析。但是，这些模型遇到了不同的挑战。cls模型捕获了复杂的细节，但由于其强调低级特征，因此在结构表示和易男性方面通常缺乏解释性。尤其是，DLS模型提供了可解释性，鲁棒性以及由于其结构性潜在空间而捕获粗粒度信息的能力。但是，DLS模型在捕获细粒细节方面的功效有限。为了确定DLS和CLS模型的局限性，我们采用了Synergynet，这是一种新型的瓶颈体系结构，旨在增强现有的编码器 - 核编码器分割框架。Synergynet无缝地将离散和连续的表示形式整合到利用互补信息中，并成功保留了细学的表示的细节。我们对多器官分割和CAR-DIAC数据集进行的实验实验表明，SynergyNet的表现优于包括Transunet：Transunet：DICE评分提高2.16％的其他最新方法，而Hausdorff分别分别提高了11.13％。在评估皮肤病变和脑肿瘤分割数据集时，我们观察到皮肤病变分割的交互分数的1.71％的重新提高，脑肿瘤分割的增长率为8.58％。我们的创新方法为增强医学图像分析关键领域中深度学习模型的整体性能和能力铺平了道路。
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。
机器学习精确地预测了高性能光伏的材料特征
“ perovskite光伏是商业化的门槛，但仍面临长期稳定性的挑战，并缩放到大型表面积。“我们的研究表明，机器学习对于改善工业生产所需的钙钛矿薄膜形成至关重要。”
AI模型制作楔形文字的精确副本
与埃及象形文字一起，楔形文字是最古老的写作形式之一，由1000多个独特的角色组成。这些角色的外观可能会在任何时代，文化，地理甚至个人作家中变化，从而使它们难以解释。康奈尔大学和特拉维夫大学（TAU）的研究人员开发了一种名为ProtoSNAP的方法，该方法“捕捉”了一个角色的原型，以适合印在平板电脑上的单个变体。
精确营养和营养 - UIK
19：55-20：20 FTO，MC4R，Clock，GHSR，GHRL，LEP，LEP，LEPR，RETN和ADIPOQ基因在人体测量，代谢和激素指示剂上与饮食频率的遗传多态性之间的相互作用：与肥胖女性的随机营养试验。Eliane Lopes Rosado。里约热内卢联邦大学
癌症免疫周期的现状：使用精确水凝胶治疗乳腺癌的新策略和挑战
癌症免疫周期为抗癌免疫反应中的一系列事件提供了一个框架，该事件是由T细胞介导的肿瘤细胞杀死引发的，这导致抗原表现和T细胞刺激。当前针对乳腺癌的免疫调节疗法通常与短持续时间相关，靶向作用部位较差以及严重的副作用。水凝胶及其细胞外基质的特性，可调的特征和多样化的生物活性性，引起了人们对局部传递免疫调节剂和细胞的能力的显着关注，从而提供了免疫调节性的微型微环境，以促进，激活和扩展宿主免疫细胞。本综述着重于水凝胶平台的设计考虑因素，包括聚合物主链，交联机制，物理化学特性和免疫调节成分。突出显示了各种水凝胶系统在乳腺癌治疗和组织再生中的免疫调节作用和治疗结果，包括用于免疫调节剂输送的水凝胶库，用于细胞输送的水凝胶支架以及依赖于固有材料的免疫调节水凝胶。最后，讨论了当前系统和未来的免疫调节水凝胶方向的挑战。